| 吕芃志，李心语，岳华杰，张华，乔英，张倩，梁丽，王灵杰.基于增强CT的影像组学和深度学习模型预测喉癌患者术后生存期[J].放射学实践,2026,41(04):382-389 |
| 基于增强CT的影像组学和深度学习模型预测喉癌患者术后生存期 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2026.04.005 |
| 中文关键词: 喉癌 影像组学 深度学习 机器学习 体层摄影术，X线计算机 生存期 |
| 基金项目:山西省基础研究计划项目（20210302123253、202503021211277）；山西省卫生健康委科研项目计划（2024056） |
|
| 摘要点击次数: 498 |
| 全文下载次数: 581 |
| 中文摘要: |
| 【摘要】目的：探讨集成增强CT影像组学特征、深度学习算法及临床指标的预测模型对喉癌患者术后生存期的预测价值。方法：回顾性搜集2016年1月－2021年7月两个医疗中心的272例喉癌患者的术前对比增强CT（CECT）静脉期图像、临床资料及随访数据。以中心1的患者作为训练集（n=156），中心2的患者为外部测试集（n=116）。通过病历和电话随访，术后2年内每3~6个月一次，之后每年一次。生存期的定义为确诊至死亡或末次随访（2021年7月）时间，主要观察全因死亡。使用PyRadiomics软件提取肿瘤全容积ROI的影像组学特征；并采用预训练ResNet50网络提取肿瘤最大截面ROI的深度学习（DL）特征。分别对两类特征进行归一化处理后，采用最小绝对收缩和选择算子回归分析（LASSO-Cox）筛选与患者3年生存期显著相关的特征，并采用逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、极限梯度提升（XGBoost）和多层感知机（MLP）五种机器学习算法（ML）构建影像组学标签（Rad-signature）和深度学习标签（DL-label），进一步结合Cox回归分析确定的独立临床预后因素，采用Cox比例风险回归分析构建联合预测模型并绘制其列线图。采用一致性指数（C-index）和Kaplan-Meier生存曲线分析评估模型的预测效能。结果：多因素Cox回归分析显示肿瘤大小（HR=1.03，P<0.05）和临床分期（HR=2.70，P<0.05）为喉癌术后生存期的独立预后因素。联合模型在预测喉癌术后生存期方面效能较高，C-index值为0.69，在外部测试集中预测1年、2年、3年生存期的ROC曲线下面积（AUC）分别为0.61、0.68和0.72。Kaplan-Meier生存曲线分析显示，基于约登指数对应的最大截断值能够将患者显著区分为死亡高风险组和低风险组（Log-rank检验，P<0.05）。结论：基于增强CT影像组学特征、深度学习特征及独立临床预后因素构建的列线图模型，在喉癌术后生存期的预测中具有较高的效能，为个体化预后评估提供可靠工具。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
