多参数PET/CT影像组学联合ResNet-50深度学习预测非小细胞肺癌病理亚型OA

目的探索基于深度学习的多参数PET/CT影像组学在术前无创预测非小细胞肺癌(NSCLC)病理亚型中的临床价值。方法回顾性收集2018年7月~2024年12月于新疆医科大学附属肿瘤医院接受^(18)F-FDG PET/CT检查,且经病理证实为NSCLC的患者279例(腺癌187例、鳞癌92例),按7∶3随机分为训练集(n=195)与验证集(n=84)。使用3DSlicer完成肿瘤分割,组内相关系数评估勾画一致性;PyRadiomics提取PET及CT手工影像组学特征,ResNet-50提取深度特征;分别以逻辑回归、支持向量机、K近邻和ExtraTrees构建临床模型、影像组学模型和深度学习模型,选取最优模型结合临床危险因素构建联合预测模型。采用受试者工作特征曲线、校准曲线及决策曲线评估模型的预测效能和临床获益。结果多因素logistic回归分析显示,年龄、吸烟史、病灶位置、SUV_(max)及CYFRA21-1是区分肺腺癌与鳞癌的独立预测因子。临床模型、CT影像组学模型、PET影像组学模型、CT深度学习模型、PET深度学习模型及综合模型的训练集AUC分别为0.941、0.894、0.865、0.882、0.879、0.958;验证集AUC分别为0.922、0.792、0.868、0.848、0.873、0.948。决策曲线结果显示,综合模型的临床净获益更优。结论融合临床因素的18F-FDG PET/CT深度学习影像组学模型在术前无创地预测NSCLC病理亚型方面有很好的应用价值。