摘要
目的：本研究旨在应用计算机断层扫描（computedtomography，CT）影像组学模型来鉴别周围型肺癌与肿块型肺结核。 方法：本研究对两个医疗机构周围型肺癌和肿块型肺结核患者的CT图像进行回顾性分析，包括周围型肺癌150例，肿块型肺结核133例。青海大学附属医院的数据作为训练集和测试集（共183例），四川省人民医院的数据作为外部验证集（共100例）。应用ITK-SNAP软件在患者CT图像上对病灶的感兴趣区域（regionofinterest，ROI）进行人工分割。使用Pyradiomics软件提取ROI的影像组学特征，采用Spearman相关性分析、最小冗余最大相关性（minimumredundancymaximumrelevance，mRMR）和最小绝对收缩和选择算子（leastabsoluteshrinkageandselectionoperator，LASSO）筛选出关键的影像组学特征。构建五种机器学习分类器用于鉴别周围型肺癌与肿块型肺结核，包括逻辑回归（logisticregression，LR）、支持向量机（supportvectormachine，SVM）、K近邻（k-nearestneighbor，KNN）、随机森林（randomforest，RF）和决策树（decisiontree，DT）。基于Logistic回归分析筛选出鉴别周围型肺癌与肿块型肺结核的独立影响因素，然后分别构建临床模型、影像组学模型和临床-影像组学联合模型。将影像组学联合模型绘制成便于个体化预测的列线图。根据曲线下面积（areaunderthecurve，AUC）、校准曲线和决策曲线评估模型性能及临床实用性。采用Delong检验比较不同模型的性能。 结果：（1）多因素Logistic回归发现年龄、吸烟史和钙化（P＜0.05）是鉴别周围型肺癌与肿块型肺结核的独立影响因素，基于这些变量构建临床模型，临床模型在训练集、测试集和外部验证集的AUC值分别为0.782、0.755、0.747。（2）五种机器学习分类器中，SVM和LR表现较好，SVM在训练集、测试集和外部验证集的AUC值分别为0.801、0.802、0.668；LR在训练集、测试集和外部验证集的AUC值分别为0.778、0.778、0.774；（3）临床-影像组学联合模型表现优于影像组学模型和临床模型（P＜0.05），在训练集、测试集和外部验证集中，AUC值分别为0.876、0.871、0.870。 结论：基于CT影像组学模型在准确区分周围型肺癌和肿块型肺结核方面具有较好的性能。与单独的模型相比，临床-影像组学联合模型在不同的数据集上均表现出最佳的判别性能，为患者制定精准化的治疗方案提供重要的依据。
NETL