基于CT影像组学和集成学习预测肝细胞癌微血管侵犯的研究

作者：李铭浩; 王琛; 杨帅; 范建新; 苏丹柯^*

来源：影像研究与医学应用, 2023, 7(04): 90-96.

• 肝细胞癌
• 微血管侵犯
• 影像组学
• CT
• 集成学习
• 模型融合

目的：研究计算机断层扫描（computed tomography,CT）影像组学的集成学习模型和融合模型方法模型在术前预测肝细胞癌（hepatocellular carcinoma,HCC）患者的微血管侵犯（microvascular invasion,MVI）状态的应用价值。方法：选取广西医科大学附属肿瘤医院2017年1—12月收治的孤立性HCC患者218例。通过ITK-SNAP软件勾画CT资料静脉期的肝脏肿瘤边缘，使用Python(3.8.1)提取影像组学特征，采用t检验，最小绝对收缩、算子回归算法和梯度下降树进行影像组学特征筛选。最后使用6种集成学习算法构建预测模型，并通过模型融合的方法构建了基于6种模型的融合预测模型。结果：共提取出组学特征1 046个，经过t检验，最小绝对收缩和算子回归和梯度下降树筛选出10个最重要影像组学特征。基于10个特征构建的梯度提升决策树、随机森林、极端梯度提升算法、极端随机树、轻梯度提升算法、自适应增强算法模型在验证集的曲线下面积（area under curve,AUC）值分别为0.79、0.81、0.80、0.78、0.76和0.77,6种集成学习模型之间预测结果差异无统计学意义（P> 0.050）。基于6种集成模型的融合模型预测验证集MVI的AUC值最高为0.89，预测结果与6种集成模型差异均有统计学意义（P <0.05）。结论：集成学习算法在HCC影像组学特征具有术前预测MVI的潜力，且多模型的融合模型显著提升了预测性能，在MVI预测上具有较高的诊断价值。

• 出版日期2023
• 单位广西医科大学; 广西医科大学附属肿瘤医院; 生命科学研究院