摘要
目的： 探讨基于CT影像组学在喉癌术前分期中的应用价值，并比较利用不同机器学习方法建立的影像组学模型的诊断效能。 方法： 回顾性分析了经手术病理证实的319例在2013年1月至2021年9月喉癌患者的临床和影像学资料，包括早期(Ⅰ、Ⅱ期)199例，晚期(Ⅲ、Ⅳ期)120例，患者均行术前CT平扫及增强扫描。将患者按照7：3的比例随机分成训练集(n=223)和验证集(n=96)。使用SPSS26.0软件对临床特征进行单变量分析，筛选差异具有统计学意义的临床特征。使用ITK-SNAP3.6.0软件在静脉期图像上手动逐层勾画肿瘤的三维容积感兴趣区（volumeofinterest,VOI），使用PyRadiomicsversion3.0提取肿瘤的影像组学特征，采用递归特征消除（recursivefeatureelimination，RFE）算法进行影像组学特征筛选，选择特征重要性最高的前15个影像组学特征，使用支持向量机（Supportvectormachine，SVM）、逻辑回归（Logisticregression，LR）和决策树（Decisiontree，DT）三种机器学习分类器建立喉癌术前分期的影像组学模型，使用受试者工作特征（Receiveroperatingcharacteristiccurve，ROC）曲线下面积（Areaundercurve，AUC）对模型进行评估。 结果： 每个肿瘤VOI共提取出851个组学特征，经筛选后最终获得最有价值影像组学特征15个。影像组学模型中LR模型在验证集中实现了最高的预测效能，AUC为0.805（95%CI：0.711-0.879），准确度、敏感度、特异度、PPV、NPV分别为0.698、0.556、0.783、0.606、0.746。SVM与DT的分类性能相当（AUC分别为0.704和0.737）。 结论： 基于CT构建的影像组学模型对早期和晚期喉癌有较好的区分效能，可能有助于帮助临床对喉癌患者的治疗决策。
NETL