摘要
目的：通过开展CT影像组学联合临床特征在非小细胞肺癌（non-smallcelllungcarcinoma，NSCLC）组织学亚型分类中的预测能力，构建CT影像组学模型、CT影像组学+临床联合模型，并基于联合模型开发诺模图（Nomogram），应用于术前预测NSCLC组织学亚型分类。 方法：回顾性收集右江民族医学院附属医院2019年1月至2023年9月经病理证实的200例NSCLC患者在术前或治疗前的CT图像以及临床特征，根据7∶3的比例随机分配为训练集（n=140）和验证集（n=60）。应用3DSlicer软件，在CT平扫薄层肺窗图像横轴位上逐层勾画病灶的三维感兴趣区（regionofinterest，ROI），并以nii.gz格式保存。使用pyradiomics软件提取影像组学特征。在训练集中，采取独立样本t检验、Spearman等级相关性系数计算、最小收缩和选择算子（LASSO）算法、十倍交叉验证逐步筛选稳定且独立的影像组学特征，通过Scikit-Learn机器学习库中的基于直方图的决策树机器学习分类器（LightGBM）构建影像组学模型、影像组学+临床联合模型，通过验证集进行验证。通过绘制受试者工作特征（receiveroperatingcharacteristic，ROC）曲线，并计算训练集和验证集的曲线下面积（areaundercurve，AUC）、灵敏度、特异度、准确度以及DeLong检验对模型的效能进行评估和比较，通过决策曲线分析（decisioncurveanalysis，DCA）评估模型的临床应用价值，最后通过联合模型开发制作Nomogram，并分别绘制基于训练集和验证集的校准曲线对Nomogram进行验证。 结果：（1）影像组学+临床联合模型在训练集和验证集中的AUC均高于影像组学模型，影像组学+临床联合模型的AUC值分别为0.986、0.954，影像组学模型的AUC值分别为0.955、0.919。最后，Delong检验结果显示，在训练集和验证集中，两种模型之间的AUC值差异均不具有统计学意义（p＜0.05），表明两种模型的预测效能相当。（2）基于影像组学+临床联合模型中的临床指标构建了直观的Nomogram，校准曲线显示Nomogram的预测结果与实际观测值之间具有较好的一致性。 结论：（1）本研究基于CT平扫图像和临床因素建立的影像组学模型、影像组学+临床联合模型在术前预测NSCLC组织学亚型分类中性能表现良好，二者的预测性能相当。（2）基于联合模型中的预测指标构建的Nomogram，能够直观、准确、简便体现各变量之间的相互关系，从而协助NSCLC组织学亚型分类预测。
NETL