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
Discriminating between T2 and T3 staging in patients with esophageal cancer using deep learning and radiomic features based on arterial phase CT imaging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~~
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。