目的建立基于增强CT影像组学特征与临床特征的联合多种机器学习模型,比较其术前预测结直肠癌(colorectal cancer,CRC)患者错配修复系统(mismatch repair,MMR)分型模型的效能。方法回顾性收集来自河北北方学院附属第一医院120例CRC患者...目的建立基于增强CT影像组学特征与临床特征的联合多种机器学习模型,比较其术前预测结直肠癌(colorectal cancer,CRC)患者错配修复系统(mismatch repair,MMR)分型模型的效能。方法回顾性收集来自河北北方学院附属第一医院120例CRC患者的临床及影像学资料,将其按照7∶3随机分为训练集和验证集。于增强CT门静脉期绘制感兴趣区(region of interest,ROI),并提取影像组学特征选择最优集合。对于临床资料使用统计学方法进行分析。采用受试者操作特征曲线下面积(area under the curve,AUC)、敏感性、准确率、特异度及F1评分评估模型的诊断效能,并绘制校准及决策曲线。结果3种算法中根据影像组学特征与临床参数特征相联合所建立的影像组学特征-临床参数特征联合模型(简称影像-临床联合模型)的效能高于其他模型。其中影像-临床联合模型中的逻辑回归算法展现了较高的性能,其验证集逻辑回归算法AUC为0.93(95%CI=0.89~0.96),支持向量机算法的AUC为0.91(95%CI=0.83~0.98),随机森林算法的AUC值为0.91(95%CI=0.73~0.97)。结论应用基于增强CT图像所建立的影像-临床联合模型可以有效鉴别CRC的MMR分型。展开更多
文摘目的建立基于增强CT影像组学特征与临床特征的联合多种机器学习模型,比较其术前预测结直肠癌(colorectal cancer,CRC)患者错配修复系统(mismatch repair,MMR)分型模型的效能。方法回顾性收集来自河北北方学院附属第一医院120例CRC患者的临床及影像学资料,将其按照7∶3随机分为训练集和验证集。于增强CT门静脉期绘制感兴趣区(region of interest,ROI),并提取影像组学特征选择最优集合。对于临床资料使用统计学方法进行分析。采用受试者操作特征曲线下面积(area under the curve,AUC)、敏感性、准确率、特异度及F1评分评估模型的诊断效能,并绘制校准及决策曲线。结果3种算法中根据影像组学特征与临床参数特征相联合所建立的影像组学特征-临床参数特征联合模型(简称影像-临床联合模型)的效能高于其他模型。其中影像-临床联合模型中的逻辑回归算法展现了较高的性能,其验证集逻辑回归算法AUC为0.93(95%CI=0.89~0.96),支持向量机算法的AUC为0.91(95%CI=0.83~0.98),随机森林算法的AUC值为0.91(95%CI=0.73~0.97)。结论应用基于增强CT图像所建立的影像-临床联合模型可以有效鉴别CRC的MMR分型。
