| 杨超帆，潘犇，甄思雨，杨鑫淼，杨紫晴，梁长华.基于增强CT深度学习特征与临床因素构建机器学习模型术前预测胃癌脉管侵犯[J].放射学实践,2026,41(04):429-434 |
| 基于增强CT深度学习特征与临床因素构建机器学习模型术前预测胃癌脉管侵犯 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2026.04.012 |
| 中文关键词: 胃肿瘤 体层摄影术，X线计算机 脉管侵犯 深度学习 |
| 基金项目:河南省慢病防治与智慧健康管理重点实验室2024年度开放基金课题（ZYYC2024MB） |
|
| 摘要点击次数: 455 |
| 全文下载次数: 554 |
| 中文摘要: |
| 【摘要】目的：探讨基于增强 CT 深度学习特征与临床指标构建的机器学习模型术前预测胃癌脉管侵犯（LVI）的临床价值。方法：回顾性分析2018年7月－2024年5月在本院经病理证实的225例胃癌患者的临床和影像资料，所有患者行腹部平扫及双期（动、静脉期）增强扫描。根据病理检测的LVI状态，将患者分为LVI阳性组（n=139）和LVI阴性组（n=86）。按7∶3的比例将总样本随机分为训练集（n=157）和测试集（n=68）。采用多因素logistic回归分析从临床资料和影像特征中筛选胃癌LVI的独立预测因子。基于静脉期CT增强图像利用深度学习方法提取特征，采用最大相关最小冗余（mRMR）和最小绝对收缩选择算子（LASSO）进行特征降维和筛选，并分别建立深度学习评分。然后，基于逻辑回归机器学习算法分别构建ResNet18、ResNet50和ResNet101模型。采用ROC曲线评估各模型对胃癌LVI状态的预测效能，模型间AUC的比较采用DeLong检验。基于效能最佳模型中的深度学习评分和临床独立危险因素，采用逻辑回归分析构建联合模型，并采用校准曲线分析联合模型的拟合优度。结果：多因素Logistic回归分析显示CT评估的淋巴结转移状态（OR=8.814，95%CI：4.178~18.595，P<0.001）和CT-T分期（OR=1.582，95%CI：1.022~2.448，P=0.039）是LVI的独立危险因素。ResNet18、ResNet50和ResNet101模型在训练集中的AUC分别为0.765、0.898和0.867，在测试集中分别为0.748、0.791和0.748。ResNet50模型在测试集中的AUC最高，综合效能最优，为最佳模型。ResNet50模型的深度学习评分结合临床独立危险因素构建的联合模型在训练集和测试集中的AUC分别提升至0.962和0.899。校准曲线显示联合模型在训练集及测试集中均具有较好的拟合度。结论：ResNet50模型术前预测胃癌脉管侵犯的效能最佳，将其联合CT评估的淋巴结转移状态和CT-T分期构建的联合模型能进一步提高预测效能。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
