摘要
目的： 探讨基于增强CT提取的影像组学特征在肾透明细胞癌Fuhrman分级及TNM分期术前预测中的应用价值。 方法： 从癌症影像数据库(The Cancer Imaging Archive，TCIA)中回顾性收集因肾脏占位性病变接受手术、术后病理证实为肾透明细胞癌的患者，筛选出术前接受过增强CT扫描检查的患者96例，并从该数据库中获取患者的临床信息（包括性别、年龄、Fuhrman分级、TNM分期等）及其术前增强CT影像资料。使用ITK-SNAP软件(v3.6.0)从获取的DICOM格式的肾实质期图像中选择肿瘤实质最大截面勾画感兴趣区(ROI)，后将获取的资料上传至放射组学云平台（慧影医疗科技有限公司）进行特征提取，共提取1409个影像组学特征，分别以肾透明细胞癌的Fuhrman分级(Grade1～2/Grade3～4)、T分期(T1～2/T3～4)、N分期(N0/N1)、M分期(M0/M1)为标签，将96例患者以4∶1的比例随机分为训练集(n=76)和验证集(n=20)，并依次使用方差阈值(variance threshold)法、selectKbest法、最小绝对收缩与选择算子(LASSO)法筛选出相关度最高的特征，使用筛选后得到的最优特征进行机器学习，并分别使用逻辑回归(LR)和随机森林(RF)算法建模。肾透明细胞癌分级和分期的预测模型的效能则通过受试者工作特性(ROC)曲线和敏感度、特异度等参数进行评价。 结果： 以Fuhrman分级为标签，筛选出9个影像组学特征，训练集LR模型预测G3～4级肾透明细胞癌的ROC曲线下面积（AUC值）为0.889(95％可信区间：0.79～0.99)，灵敏度0.80，特异度0.78;验证集的AUC值为0.648（95％可信区间：0.40～0.90），灵敏度0.69，特异度0.43。训练集RF模型预测G3～4级肾透明细胞癌的AUC值为1.000（95％可信区间：0.98～1.00），灵敏度0.98，特异度1.00;验证集的AUC值为0.780（95％可信区间：0.57～0.99），灵敏度0.62，特异度0.71。以T分期为标签，筛选出16个影像组学特征，训练集LR模型预测T3～4期肾透明细胞癌的AUC值为0.941（95％可信区间：0.86～1.00），灵敏度0.86，特异度0.87;验证集的AUC值为0.823（95％可信区间：0.65～1.00），灵敏度0.88，特异度0.75。训练集RF模型预测T3～4期肾透明细胞癌的AUC值为0.998（95％可信区间：0.96～1.00），灵敏度0.97，特异度0.98;验证集的AUC值为0.865(95％可信区间：0.69～1.00)，灵敏度0.88，特异度0.83。以N分期为标签，发现区域淋巴结无法评估(NX)的病例过多，无法进行分析。以M分期为标签，筛选出1个影像组学特征，训练集LR模型预测M1期肾透明细胞癌的AUC值为0.870（95％可信区间：0.73～1.00），灵敏度0.80，特异度0.83;验证集的AUC值为0.941（95％可信区间：0.83～1.00），灵敏度1.00，特异度0.71。训练集RF模型预测M1‘肾透明细胞癌的AUC值为0.997（95％可信区间：0.98～1.00），灵敏度1.00，特异度0.97;验证集的AUC值为0.951（95％可信区间：0.87～1.00），灵敏度1.00，特异度0.82。 结论： 基于增强CT提取的影像组学特征可在术前预测肾透明细胞癌的Fuhrman分级、T分期、M分期，有助于肾透明细胞癌的临床治疗决策。RF模型的预测效能要高于LR模型。RF模型对M分期的预测效能较好，T分期预测效能次之，Fuhrman分级预测效能略差。然而影像组学特征是否能应用于N分期的术前预测还有待未来进一步研究。
NETL