论文部分内容阅读
目的探讨CT放射组学及云平台在孤立肺结节(SPNs)良恶性鉴别中的应用价值。比较非对比增强(NCE)及对比增强(CE)CT对模型诊断效能的影响。对比不同算法所建立的放射组学模型诊断效能。方法回顾性收集2016年3月至2019年2月我院经病理及临床证实的SPN患者共87例,获得152个CT图像序列(NCE组73个,CE组79个),将获取的CT影像上传至云端。通过放射组学云平台对实性肺结节病灶进行逐层手动分割,获得三维感兴趣区域(VOI)后进行影像学特征值计算。采用移除低方差特征法、单变量特征选择法和Lasso算法分别对两组特征值进行降维分析。K近邻算法(KNN)、支持向量机(SVM)、极端梯度提升(XGBoost)、随机森林(RF)、决策树(DT)、逻辑式回归(LR)用于影像组学模型建立与验证。采用曲线下面积(AUC)、准确率及F1分数评价各模型效能。结果两组筛选出的最佳特征均以基于小波分析的过滤器类特征为主。在NCE组中,基于KNN(AUC=0.65,准确性=0.67,F1分数=0.74)、SVM(AUC=0.89,准确性=0.6,F1分数=0.7)、LR(AUC=0.71,准确性=0.67,F1分数=0.74)放射组学模型的诊断效能优于XGBoost(AUC=0.53,准确性=0.53,F1分数=0.63)、RF(AUC=0.55,准确性=0.53,F1分数=0.67)、DT(AUC=0.61,准确性=0.47,F1分数=0.57)。CE组中,基于LR模型的诊断效能最佳(AUC=0.70,准确性=0.69,F1分数=0.62),DT的诊断效能最低(AUC=0.44,准确性=0.44,F1分数=0.40)。NCE组放射组学模型的诊断效能优于CE组。LR分类器在NCE组与CE组中均具有较好的分类效能。而XGBoost、RF、DT分类器在两组中准确率均较低。结论CT放射组学及云平台有助于孤立肺结节良恶性的鉴别,可辅助临床孤立肺结节的诊疗。基于胸部CT平扫的放射组学模型诊断效能优于增强组。LR分类器所建立的放射组学模型在两组中均具有较好的诊断效能。