基于机器学习的早期肝肿瘤超声造影诊断模型建立及应用价值

目的 建立辅助超声造影(contrast-enhanced ultrasound,CEUS)诊断早期肝肿瘤的机器学习模型,并探索其临床诊断效能.方法 采用病例-对照研究设计方案,筛选2015年6月至2020年6月在陆军军医大学第一附属医院超声科行CEUS检查,有病理诊断结果且肝肿瘤直径≤30 mm患者的病例资料.最终490例患者共520个肿瘤[恶性肿瘤474个(91.15％),良性肿瘤46个(8.85％)]纳入研究,其中男性406例(82.86％),女性84例(17.14％);年龄22～82(51.98±0.46)岁.由4位超声科医师分析常规超声及CEUS影像特征,意见不一致时经讨论达成共识.将纳入病例资料按照近4:1比例随机划分为训练集(n=400)和测试集(n=90).采用支持向量机、随机森林、邻近算法和Logistic等4种模型分析患者常规超声及CEUS影像特征、慢性肝病史和肿瘤标志物.应用准确性、特异性、敏感性和受试者工作曲线下面积(area under the subject curve,AUC)等指标评价模型性能.结果 4种模型中,随机森林模型性能最优,在测试集中的准确性、敏感性、特异性和AUC分别为0.97、0.83、0.71、0.987(95％CI:0.934～1.000),其中AUC与其他3种模型差异无统计学意义(均P＞0.05).随机森林模型中按照特征贡献度排名,前5名分别是:肝硬化、年龄、CEUS和常规超声中直径、延迟期增强方式,与以往研究中得出的临床诊断肝脏恶性肿瘤的指标一致,表明本研究建立的模型具有较好的可解释性.结论 本研究建立了能联合分析患者CEUS特征、慢性肝病和肿瘤标志物的机器学习模型,在CEUS中诊断早期肝肿瘤的准确性较高.