基于放射组学的不同机器学习模型对儿童肾母细胞瘤临床分期能力的研究

目的 儿童肾母细胞瘤(WT)的分期对于治疗计划和预后预测非常重要,本研究拟利用放射组学特征进行机器学习来预测WT的临床分期.方法 将2014年10月至2020年10月共计108例经病理证实的WT患者纳入研究,对患者术前腹部增强CT门静脉期的图像进行回顾性分析,勾画肿瘤感兴趣区(ROI)并进行放射组学特征提取,每例提取1781个放射组学特征;应用F检验及LASSO算法筛选与WT分期相关的放射组学特征,并采用LightGBM、Random Forest和AdaBoost这三种机器学习分类器构建模型预测WT临床分期Ⅰ期及非Ⅰ期,并绘制受试者工作特征曲线(ROC),计算曲线下面积(AUC)、精确率和准确率指标,比较不同机器学习分类器对WT临床分期的预测性能.结果 108例WT中,临床Ⅰ期46例(42.6％),非Ⅰ期62例(57.4％),LightGBM机器学习算法对测试组分类AUC值0.93(95％置信区间0.731～0.994),精确率0.89、准确率0.82,Random Forest分类器的AUC值0.82 (95％ CI:0.560～0.929),精确率0.80、准确率0.77,AdaBoost的AUC值0.71 (95％ CI:0.481 ～0.882),精确率0.70、准确率0.68,经DeLong检验,三种机器学习算法ROC曲线差异不明显(P＞0.05).结论 通过12个放射组学特征以及机器学习技术对儿童WT临床分期进行预测可以获得较好结果,LightGBM、Random Forest和Ada-Boost三种机器学习方法中,LightGBM构建的模型在WT临床Ⅰ期和非Ⅰ期分类性能较佳,有潜力服务于WT患儿的精准治疗.