CT影像组学联合多种机器学习模型鉴别尘肺大阴影与周围型肺癌的价值比较OA

目的构建基于CT影像组学的尘肺大阴影与周围型肺癌的鉴别诊断模型。方法收集2021年3月至2025年6月来该院就诊的103例尘肺大阴影和85例周围型肺癌患者的常规CT资料,所有患者疾病经尘肺专家组、临床及病理结果证实。患者随机分为训练集(n=132)和测试集(n=56)。所有患者由两名放射科诊断医师(具备尘肺诊断资质)采用ITK软件对病灶进行勾画,从训练集的肺部病灶CT图像中提取领域灰度差矩阵(NGTDM)、一阶统计量、形状(shape,包括二维及三维特征)、纹理[包括灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)、灰度依赖矩阵(GLDM)]等影像组学特征,并进行特征降维以构建形态学影像生物标志物。在Python软件中使用逻辑回归(LR)、支持向量机(SVM)、自适应增强算法(AdaBoost)机器学习算法构建鉴别诊断模型。在测试集数据中使用受试者工作者特性(ROC)曲线评估上述模型的鉴别诊断性能。结果经分割得到110个尘肺大阴影感兴趣区(ROI)和85个周围型肺癌ROI,共提取了108个影像组学特征,通过特征降维获得8个最优影像组学特征的子集,最后成功构建鉴别诊断模型。在训练集中LR模型、SVM模型、AdaBoost模型的准确度分别为79.4%、84.0%、80.9%,灵敏度分别为74.1%、74.1%、81.0%,特异度分别为83.6%、91.8%、80.8%,ROC曲线下面积(AUC)分别为0.837、0.886、0.900。在测试集中LR模型、SVM模型、AdaBoost模型的准确度分别为80.7%、82.5%、86.0%,灵敏度分别为89.3%、89.3%、82.1%,特异度分别为72.4%、75.9%、89.7%,ROC AUC分别为0.825、0.855、0.869,AdaBoost模型的ROC AUC值高于LR、SVM。AdaBoost模型在训练集及测试集中的鉴别诊断性能最优。结论基于CT影像组学特征的AdaBoost模型可以用于鉴别尘肺大阴影和周围型肺癌。