检索历史 清除

目的 探讨基于T2WI肿瘤和直肠系膜的机器学习对直肠癌新辅助治疗后淋巴结转移的预测价值.方法 回顾性分析171例直肠癌病例新辅助治疗前的临床影像资料及术后病理资料.依据术后病理结果分为N-(N0)和N+(N1、N2).统计学分析筛选出与N分期(pN)存在相关性的临床特征(实验室指标及MRI影像学表现).使用ITK-SNAP软件在新辅助治疗前直肠MRI高分辨率T2WI图像上,手动绘制直肠癌整个瘤灶作为感兴趣区(ROI-1),直肠系膜区域作为ROI-2;从ROI-1、ROI-2提取所有影像组学特征,保留稳定性较好(ICC≥0.75)的特征.采用最小绝对紧缩与选择算子(LASSO)方法从ROI-1、ROI-2及融合特征(ROI-1+ROI-2+临床特征)中筛选出与pN最相关的特征.将筛选得到的四组特征,分别采用支持向量机(SVM)、K最邻近算法(KNN)、随机森林(RF)、极端随机树(ET)、梯度提升决策树(XGBoost)、LightGBM(LGBM)、逻辑回归(LR)七种机器学习算法构建pN的预测模型,使用受试者工作特征曲线(ROC)评估模型的性能.结果 171例直肠癌患者,手术结果显示N-组92例,N+组79例.ROI-1筛选得到的特征构建的7种模型中,LR模型效能最佳,测试集中受试者工作特征曲线曲线下面积(AUC)0.656、准确性0.714、敏感度0.583、特异度0.783.ROI-2中,SVM模型效能最佳,测试集中,AUC、准确性、敏感度、特异度相应为0.721、0.657、0.917、0.522.临床模型中,LR模型效能最佳,相应为0.768、0.771、0.833、0.773.融合模型中,LR模型预测效能最佳,相应为0.866、0.800、0.917、0.739.结论 基于机器学习的直肠肿瘤及直肠系膜MRI影像组学分析均能预测直肠癌新辅助治疗后淋巴结转移情况,融合双区域多组学特征采用逻辑回归方法可提高预测模型的准确性.