基于食管癌动脉期CT图像的深度学习和影像组学特征预测其T2 T3分期

作     者：刘雪成 吴树剑 姚琪 冯蕾 王娟 周运锋 Liu Xuecheng;Wu Shujian;Yao Qi;Feng Lei;Wang Juan;Zhou Yunfeng

作者机构：皖南医学院第一附属医院放射科 

出 版 物：《中国肿瘤临床》 (Chinese Journal of Clinical Oncology)

年 卷 期：2024年第51卷第14期

页      面：728-736页

核心收录：

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

基　　金：安徽省高等学校科学研究重大课题项目(编号:2023AH040253) 安徽省教育厅重点课题项目(编号:2022AH051248)资助~~ 

主　　题：食管癌 深度学习 影像组学 CT图像 TNM分期 

摘      要：目的：探讨基于食管癌增强动脉期CT图像的深度学习及影像组学特征联合临床资料预测其T2、T3分期。方法：回顾性收集2015年5月至2024年4月皖南医学院第一附属医院经病理学确诊的388例食管癌患者的临床及CT资料，按照7:3比例随机分为训练集（271例）和验证集（117例）。提取食管癌增强CT动脉期图像的影像组学及深度学习特征，使用最小绝对收缩和选择算子算法进行降维和筛选特征，并分别建立组学标签得分（Radscore）和深度学习标签得分（Deepscore）。采用单因素及多因素Logistic回归分析筛选独立危险因素，构建临床、影像组学、深度学习和联合模型，并绘制联合模型列线图。使用受试者工作特征曲线下面积（AUC）评价模型的诊断效能并用DeLong检验比较其差异，用决策曲线评价模型的临床净收益，校正曲线评价模型的校准度。结果：经降维后筛选出9个影像组学特征和12个深度学习特征。多因素Logistic回归分析显示肿瘤长度、边界、Radscore及Deepscore为鉴别食管癌T2、T3分期的独立危险因素。联合模型的AUC在训练集为0.867，与临床模型（0.774,P0.001）、影像组学模型（0.795,P0.001）和深度学习模型（0.821,P=0.001）之间的差异均有统计学意义；在验证集为0.810，与临床模型（0.653,P=0.002）、影像组学模型（0.719,P=0.033）、深度学习模型（0.750,P=0.009）之间的差异均有统计学意义。决策曲线显示联合模型在训练集及验证集的临床获益均最高，校正曲线显示联合模型在训练集及验证集均拟合良好（P=0.084、0.053）。结论：基于食管癌增强动脉期的CT图像的深度学习和影像组学特征，结合临床特征能较准确地预测其术前的T2、T3分期，可辅助临床制定治疗方案。