摘要
第一部分基于机器学习的2DCT影像组学模型预测不同风险分层胸腺瘤价值初探 目的: 基于治疗前最大截面(2D)胸腺上皮性肿瘤增强CT(CECT)影像组学特征，采用不同分类器分别构建影像组学模型，预测胸腺瘤的不同风险分层。 方法: 回顾性分析厦门大学附属第一医院2015年5月至2022年2月行胸部增强CT检查并经手术病理证实为胸腺上皮性肿瘤的患者171例，依据病理结果分为低危组和高危组，将所有样本以7∶3的比例分为训练集和测试集，训练集共计119例，测试集共计52例，将每位患者胸部增强CT动脉期图像导入ITK-SNAP软件，在病灶最大层面勾画2D感兴趣区，并将其导入Fae软件进行特征初步提取，随后使用最大相关最小冗余(mRMR)和最小绝对收缩选择算子(LASSO)对特征进行筛选，从而获得最优特征集。使用三种机器学习分类器(支持向量机、Logistic回归、K邻近)进行特征训练，并构建2D影像组学模型。使用曲线下面积(areaundercurve，AUC)对三种分类器所构建模型的预测效能进行评估，并挑选出最佳分类器，并使用Hosmer-Lemeshow检验对其拟合度进行评估。 结果: 最终筛选出17个特征用于2D预测模型的构建，支持向量机模型在训练集和测试集中的曲线下面积分别为0.86、0.87,Logistic回归模型在训练集和测试集中的曲线下面积分别为0.83、0.75,K邻近模型在训练集和测试集中的曲线下面积分别为0.81、0.75,结果显示三种模型在胸腺瘤不同风险分层方面都具有较好的预测效能，支持向量机模型表现最佳。 结论: 基于机器学习的2DCT影像组学模型在预测胸腺瘤不同风险分层方面具有较高的诊断效能。 第二部分基于机器学习的3DCT影像组学模型对胸腺瘤不同风险分层诊断效能价值分析 目的: 评价基于机器学习的3DCT影像组学模型在预测胸腺瘤不同风险分层方面的应用价值，并比较2D与3D影像组学模型在胸腺瘤不同风险分层方面的诊断效能差异。 方法: 纳入与第一部分相同的171例胸腺上皮性肿瘤病灶，其中低危组86例，高危组85例，将所有样本以7∶3的比例分为训练集和测试集，训练集共计119例，测试集共计52例，将每位患者胸部增强CT动脉期图像导入ITK-SNAP软件，勾画病灶全体积(3D)感兴趣区，并将其导入Fae软件进行特征初步提取，随后使用最大相关最小冗余(mRMR)和最小绝对收缩选择算子(LASSO)对特征进行筛选，从而获得最优特征集。使用三种机器学习分类器(支持向量机、Logistic回归、K邻近)进行特征训练，并构建3D影像组学模型。使用曲线下面积对三种分类器所构建模型的预测效能进行评估，并挑选出最佳分类器，并使用Hosmer-Lemeshow检验对其拟合度进行评估。最优分类器所构建模型的临床实用价值通过临床决策曲线分析(DecisionCurveAnalysis,DCA)进行评估。2D与3D影像组学模型的诊断效能是否存在显著性差异通过Delong检验进行评估。 结果: 通过对病灶全体积(3D)感兴趣区进行进行特征提取、筛选，最后得到12个特征用以构建3D影像组学模型。支持向量机模型在训练集和测试集中的曲线下面积分别为0.90、0.90,Logistic回归模型在训练集和测试集中的曲线下面积分别为0.86、0.86,K邻近模型在训练集和测试集中的曲线下面积分别为0.95、0.82,结果显示:①三种分类器所构建模型在胸腺瘤不同风险分层方面都具有较好的预测效能，支持向量机模型表现最佳;②在训练集和测试集中，利用全体积感兴趣区建立的3D影像组学模型在鉴别胸腺瘤不同风险分层中的效能较2D模型有提升，并且两组间差异有统计学意义(P＜0.05)，3D影像组学模型的临床实用性较2D模型好。 结论: 1、在预测胸腺瘤的不同风险分层方面，3D影像组学模型的诊断性能和临床实用性均优于2D影像组学模型。 2、三种机器学习分类器中，支持向量机分类器所构建模型表现最佳。
NETL