基于XGBoost机器学习算法的肺结节浸润性预测模型构建与验证:一项双中心研究

作     者：夏志颖 刘子蔚 胡秋根 包陈政任 张榕 XIA Zhi-ying;LIU Zi-wei;HU Qiu-gen;BAO Chen-zhengren;ZHANG Rong

作者机构：海南省中医院放射科海南海口570203 南方医科大学顺德医院(佛山市顺德区第一人民医院)放射科广东佛山528308 南方医科大学顺德医院附属陈村医院(佛山市顺德区第一人民医院附属陈村医院)放射科广东佛山528313 

出 版 物：《中国CT和MRI杂志》 (Chinese Journal of CT and MRI)

年 卷 期：2024年第22卷第8期

页      面：166-169页

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 10[医学] 

基　　金：广东省中医药局科研项目(20241312) 佛山市科技计划项目(2220001005383) 南方医科大学顺德医院科研启动项目(SRSP2021021) 

主　　题：肺结节 极端梯度上升 机器学习 放射组学 

摘      要：目的采用XGBoost机器学习算法构建一个临床影像模型,预测肺结节病理浸润性,并在一个外部验证组中对模型进行泛化性验证。方法回顾性纳入CT诊断为孤立性肺结节患者248例,分别提取肺结节区域和结节周围3mm、5mm区域的放射组学特征。经过从粗到细的特征选择后,使用最小绝对收缩和选择算子(LASSO)方法计算Radscore。采用单因素和多因素Logistic回归分析筛选与肺结节浸润性相关的临床放射学因素。然后,利用Logistic和XGBoost算法构建临床-放射组学联合模型,在一个独立的外部验证组(n=147)中评估模型的泛化性能。结果综合Radscore、CT值、肺结节长度、月牙征的临床放射学XGBoost联合模型对肺结节浸润性的预测效果优于放射组学模型、临床放射学Logistic联合模型,在训练队列中的曲线下面积AUC为0.889(95%CI,0.848~0.927),在外部验证组中曲线下面积AUC为0.889(95%CI,0.823~0.942)。结论我们采用XGBoost机器学习算法构建了一种预测肺结节浸润性的临床放射学模型,结果显示出令人满意的预测效能,并在一个独立外部验证组中得到了良好的泛化性验证,可以帮助临床医生指导肺结节的诊疗并制定评估策略。