基于^(18)F-FDG PET/CT影像组学特征的机器学习对胃癌和原发性胃淋巴瘤的鉴别诊断价值

作     者：王婷 王子阳 陈旖文 李小凤 陈薇 Wang Ting;Wang Ziyang;Chen Yiwen;Li Xiaofeng;Chen Wei

作者机构：天津医科大学肿瘤医院分子影像及核医学诊疗科、国家肿瘤临床医学研究中心、天津市肿瘤防治重点实验室、天津市恶性肿瘤临床医学研究中心天津300060 

出 版 物：《中华核医学与分子影像杂志》 (Chinese Journal of Nuclear Medicine and Molecular Imaging)

年 卷 期：2023年第43卷第7期

页      面：397-401页

学科分类：1002[医学-临床医学] 100214[医学-肿瘤学] 10[医学] 

主　　题：胃肿瘤 淋巴瘤 神经网络(计算机) 正电子发射断层显像术 体层摄影术 X线计算机 氟脱氧葡萄糖F18 

摘      要：目的探讨基于^(18)F-FDG PET/CT影像组学特征的机器学习模型在胃癌(GC)和原发性胃淋巴瘤(PGL)的术前鉴别诊断中的价值。方法回顾性分析2012年1月至2020年12月于天津医科大学肿瘤医院术前行^(18)F-FDG PET/CT检查且经病理证实的155例GC患者[男104例、女51例,年龄(59.3±12.8)岁]和82例PGL患者[男40例、女42例,年龄(56.8±14.6)岁],使用Python3.7.1软件将患者随机分为训练集和测试集。分别对PET和CT图像进行感兴趣体积(VOI)勾画,提取三维和二维影像组学特征。使用多层感知机(MLP)、支持向量机(SVM)2种机器学习模型分别对CT影像组学特征、PET影像组学特征和PET/CT影像组学特征进行学习,以鉴别GC和PGL。通过ROC曲线分析评估各模型的预测性能。结果训练集166例,测试集71例。基于PET/CT影像组学特征的SVM模型在GC和PGL的鉴别诊断方面(AUC=0.88,95%CI:0.83~0.94)有优于MLP机器学习模型(AUC=0.80,95%CI:0.73~0.87)的趋势(z=1.15,P=0.337)。基于PET/CT影像组学特征的SVM预测模型对2种疾病的预测效果优于单独CT影像组学特征模型(CT-SVM:AUC=0.74,95%CI:0.67~0.81;z=2.28,P=0.022)。结论基于^(18)F-FDG PET/CT影像组学特征的机器学习模型有望成为GC和PGL患者术前无创且有效的鉴别诊断工具。