基于CT影像组学结合机器学习模型预测食管胃结合部腺癌人表皮生长因子受体2状态

目的 评估基于C T影像组学结合机器学习模型术前预测食管胃交界处腺癌(A EG)人表皮生长因子受体2(HER2)状态的价值.方法 回顾性分析101例经术后病理证实的AEG患者,按7:3比例将其分为训练集(n=70)和验证集(n=31).基于门静脉期增强CT提取AEG影像组学特征,以最小绝对值选择与收缩算子回归模型针对训练集数据筛选最佳影像组学特征,并建立影像组学标签.采用多因素logistic回归分析筛选AEG HER2状态的独立预测因子,通过支持向量机(SVM)ML算法分别构建影像组学SVM模型和影像组学-临床联合SVM模型.应用受试者工作特征(ROC)曲线,计算相应曲线下面积(AUC),评估模型预测AEG HER2状态的效能,并比较其AUC差异.结果 101例AEG中,HER2(+)46例,HER2(-)55例.影像组学SVM模型预测训练集HER2状态的AUC为0.86,在验证集为0.78.多因素logistic回归分析显示,T分期及Rad-score为HER2状态的独立预测因子,以其建立影像组学-临床联合SVM模型,预测训练集的AUC为0.91,在验证集为0.87.影像组学SVM模型与影像组学-临床联合SVM模型预测在训练集及验证集AEG HER2状态的AUC差异均无统计学意义(Z=-2.03、-1.25,P=0.42、0.20).结论 基于CT影像组学的SVM模型有助于术前预测AEG HER2状态,其预测效能与影像组学-临床联合SVM模型相当.