基于影像组学结合机器学习算法术前预测口腔鳞状细胞癌神经侵犯的应用研究OA

目的探索基于增强计算机断层扫描(CT)影像组学结合机器学习算法在术前预测口腔鳞状细胞癌(OSCC)神经侵犯中的价值,为辅助临床制定治疗决策提供依据。方法本研究已通过上海交通大学医学院附属第九人民医院伦理审查委员会批准。共纳入250例经术后病理确诊的OSCC患者,其中神经侵犯阳性组128例与神经侵犯阴性组122例。数据集按照7∶1.5∶1.5的比例随机划分为训练集(n=175)、验证集(n=38)和独立测试集(n=37)。对术前图像进行感兴趣区勾画及影像组学特征提取,经最小绝对收缩和选择算子回归等方法降维筛选后,构建支持向量机、随机森林、轻量级梯度提升机(LightGBM)等多种机器学习模型及Stacking集成模型。采用受试者工作特征曲线下面积(AUC)、灵敏度、校准曲线及决策曲线分析(DCA)等评估模型性能,并采用Shapley加性解释(SHAP)及分组置换重要性分析解释模型决策。结果在纳入机器学习分析的250例样本中,相较于临床模型诊断效能(AUC 0.549~0.711),基于影像组学的LightGBM模型在独立测试集表现最佳,AUC为0.781,优于支持向量机(AUC=0.730)和随机森林(AUC=0.691)等模型。该模型校准度良好(Brier分数0.198),且DCA显示在宽阈值范围内具有较高的临床净获益。配对DeLong检验显示,融合模型相较于对应影像组学模型的AUC差异均无统计学意义。SHAP分析和分组置换重要性分析进一步表明,模型的主要判别信息来源于影像组学纹理特征。结论基于增强CT的LightGBM影像组学模型在术前预测OSCC神经侵犯方面显示出较好的判别能力。在独立测试集中,该模型取得了最高的AUC,有望作为一种无创辅助工具用于术前风险评估。鉴于独立测试集样本量较小,上述结果仍需在更大样本和外部队列中进一步验证。