CT放射组学在鉴别纵隔淋巴结结核与非小细胞肺癌纵隔淋巴结转移瘤中的应用价值
Chinese Journal of Antituberculosis(2023)
Abstract
目的:探讨CT放射组学分析技术在纵隔淋巴结结核与非小细胞肺癌纵隔淋巴结转移瘤中的价值.方法:采用回顾性研究方法,按照入组标准收集2017年9月至2021年11月山东省公共卫生临床中心和山东大学齐鲁医院确诊的109例纵隔淋巴结结核(结核组)和65例非小细胞肺癌纵隔淋巴结转移瘤(转移瘤组)患者的CT影像资料作为研究对象.利用双盲法对CT图像进行观测和勾画,利用Radcloud平台对勾画出的淋巴结感兴趣区域(VOI)提取放射组学特征.采用特征标准化方法、单因素和多因素logistic回归模型分析有鉴别诊断价值的特征及特征间共线性的影响.利用筛选出的放射组学特征,以山东省公共卫生临床中心的患者数据作为训练集,建立k-近邻判别法(KNN)、支持向量机(SVM)、极限梯度提升算法(XGBoost)、随机森林(RF)、logistic回归(LR)和决策树(DT)等6种机器学习方法的5折交叉验证模型,通过评价诊断效果来选择鉴别诊断效果最好的模型;再以山东大学齐鲁医院的患者数据作为验证集,对该模型的诊断效果进行组外验证.结果:174例患者的CT影像资料共勾画出281个VOI,结核组和转移瘤组分别有196个和85个,结核组每例患者分割出VOI中位数(四分位数)[1(1,8)个],明显高于转移瘤组[1(1,3)个],差异有统计学意义(Z=2.827,P=0.005).共提取放射组学特征1409个,经特征标准化、单因素和多因素logistic回归分析后共筛选出相互独立的8个可用于建模的放射组学特征.采用训练组数据利用8个特征进行5折交叉验证建模诊断,发现SVM和LR模型的ROC曲线下面积(AUC)分别为0.834和0.821,优于其他4种模型;进而利用训练集数据建立LR和SVM模型,AUC值分别为0.809和0.911,再采用验证集数据进行组外验证,AUC值分别为0.804和0.851.结论:无论是否包含年龄和性别两个特征,放射组学数据所建立的LR模型和SVM模型在纵隔淋巴结结核与非小细胞肺癌纵隔淋巴结转移瘤的鉴别诊断中均具有较好的稳定的诊断效果,且SVM模型优于LR模型.
MoreKey words
Radiomics,Lymph node tuberculosis,Carcinoma,non-small-cell lung,Metastatic tumor,Diagnosis,differential,Tomography,X-ray computed
AI Read Science
Must-Reading Tree
Example
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined