基于放射组学的机器学习模型的开发：利用CT引导的活检图像进行胸部癌症的虚拟活检

《Journal of Medical and Biological Engineering》：Development of a Radiomics-Based Machine Learning Model Utilizing CT-Guided Biopsy Images: Virtual Biopsy of Thoracic Cancers

本研究通过CT引导活检收集300例胸部病变数据，提取并标准化106个影像组学特征，利用ComBat算法进行特征 harmonization（可能原文笔误），结合方差分析和ReliefF算法筛选关键特征，采用SMOTE处理类别不平衡。通过逻辑回归、支持向量机和随机森林模型，发现最佳ComBat和谐化特征组合临床-影像组学模型对腺癌（AUC=0.83）、鳞癌（0.76）、小细胞癌（0.94）、淋巴瘤（0.95）和间叶肿瘤（0.98）的诊断AUC显著提升，验证了虚拟活检在降低传统活检风险中的潜力。

　　

摘要

目的

放射组学技术能够解析恶性肿瘤中的表型异质性。本研究评估了放射组学在解读胸部恶性肿瘤方面的能力，并开发了一个基于机器学习的虚拟活检模型。

方法

本研究共纳入了300名患有胸部病变的患者，这些患者均接受了CT引导下的活检。对病变部位进行了分割处理，并在预处理后提取了106个放射组学特征。首先使用ComBat算法对特征进行了 harmonization（特征协调处理），随后通过ANOVA和ReliefF算法进行了特征选择。特征经过标准化处理，同时使用SMOTE算法解决了类别不平衡问题。数据集被分为训练集（80%）和测试集（20%），并对训练数据进行了五折交叉验证。通过二分类方法将肿瘤亚型（腺癌（ADC）、鳞状细胞癌（SCC）、小细胞肺癌（SCLC）、淋巴瘤和间叶瘤）与正常组织区分开来。建模过程中使用了逻辑回归（LR）、支持向量机（SVM）和随机森林（RF）分类器，并基于三种特征类型（未协调的特征、ComBat协调后的特征以及通过ANOVA选出的最佳协调特征）进行了性能评估。

结果

使用最佳协调后的ComBat特征，腺癌（ADC）、鳞状细胞癌（SCC）、小细胞肺癌（SCLC）、淋巴瘤和间叶瘤与正常组织之间的AUC值分别为0.58、0.70、0.62、0.70和0.77；而结合临床信息的放射组学模型的性能更高，其AUC值分别为0.83、0.76、0.94、0.95和0.98。

结论

研究结果进一步证明了虚拟活检技术可以作为智能的床边辅助工具，与影像引导活检相结合使用，从而可能降低活检手术的固有风险。