| 全江海，冯俏，岳志斌，刘慧茹，程留慧.增强CT影像组学联合细胞外体积分数的列线图模型预测结直肠癌P53突变[J].放射学实践,2026,41(04):441-447 |
| 增强CT影像组学联合细胞外体积分数的列线图模型预测结直肠癌P53突变 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2026.04.014 |
| 中文关键词: 结直肠肿瘤 P53突变 影像组学 细胞外体积分数 体层摄影术，X线计算机 |
| 基金项目: |
|
| 摘要点击次数: 467 |
| 全文下载次数: 550 |
| 中文摘要: |
| 【摘要】目的：探讨基于增强CT的影像组学联合细胞外体积分数（ECV）构建的联合模型术前预测结直肠癌（CRC）P53突变的价值。方法：回顾性搜集2021年6月－2024年12月经病理证实的116例CRC患者的术前临床资料及动脉期CT增强图像。根据免疫组化结果，分为P53突变型组（65例）和野生型组（51例）。基于增强CT及红细胞压积计算肿瘤的细胞外容积（ECV）。对临床特征进行组间比较并采用4种机器学习（ML）算法分别构建模型，基于模型的AUC选出最佳ML算法。使用Pyradiomics软件基于动脉期图像提取肿瘤的影像组学特征，剔除组内相关系数（ICC）≥0.75的特征，然后依次采用独立样本t检验、Pearson相关性分析及LASSO回归进行特征降维和筛选。随后将降维后的影像组学特征。使用Pyradiomics软件基于动脉期图像提取肿瘤的影像组学特征，剔除组内相关系数（ICC）≥0.75的特征，然后依次采用独立样本t检验、Pearson相关性分析及LASSO回归进行特征降维和筛选，得到最优影像组学特征后，同样基于上述4种ML算法构建模型，选出最佳ML算法。最后，联合筛选后的临床特征和影像组学特征采用最佳ML算法构建联合模型，并绘制其列线图，采用ROC曲线及临床决策曲线等指标进行综合评估，得出最佳预测模型。结果：临床特征统计结果显示，突变组的ECV显著高于野生组（36.5% vs. 30.0%，P=0.006）。构建的四个机器学习模型中，以SVM模型的表现最佳，其在训练集和验证集中的AUC分别为0.837（95%CI：0.754~0.919）和0.808（95%CI：0.638~0.979）。影像组学方面，基于SVM算法的组学模型诊断效能最优，其在训练集和验证集中的AUC分别为0.880（95%CI：0.812~0.949）和0.839（95%CI:0.680~0.998）。最终，将ECV联合影像组学特征采用SVM算法构建联合模型，在训练集和验证集的AUC为0.924（95%CI:0.871~0.976）和0.944（95%CI:0.857~1.000），显著优于单一的临床或影像组学模型（P<0.05）。结论：基于增强CT的影像组学特征联合ECV构建的列线图模型对CRC的P53突变状态具有较好的术前预测效能，可为个体化治疗决策提供可靠依据。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
