基于CT技术的两阶段放射组学模型在早期卵巢癌和良性卵巢肿块特征识别中的应用

《Journal of Ovarian Research》：Two-staged CT-based radiomics model in characterising early-stage ovarian carcinoma and benign ovarian masses

　　

摘要

背景

由于影像特征重叠、生物标志物不可靠或临床表现多样，对CT检测到的卵巢肿块进行特征分析具有挑战性。我们提出了一种基于CT的放射组学模型，用于识别早期卵巢癌（ES-OC）并对不同类型的良性卵巢肿块（BOM）进行亚分类。

方法

从5个中心回顾性地招募了经组织学确诊为BOM或ES-OC（FIGO I-II期）的患者。使用PyRadiomics（v3.0.1）从CT图像中提取放射组学特征，该工具能将体积自动重采样为各向同性的1立方毫米体素。为减少特征冗余，排除了相关性较高的特征（Spearman’s ρ≥0.85）。采用了两阶段特征选择方法：首先通过重复5折分层交叉验证（100次迭代）进行弹性网络回归，以识别高度可重复的特征；随后通过Mann-Whitney U检验评估其统计显著性。其次，使用Boruta算法结合随机森林（RF）估计器进行500次迭代，通过比较特征与随机生成的特征的重要性来稳健地选择特征。通过分层10折网格搜索交叉验证（以曲线下面积AUC作为调整指标）评估了多种机器学习（ML）分类器的性能。然后，在相应的测试集上评估每个阶段中交叉验证AUC最高的最佳模型。使用AUC、校准图和决策曲线分析（DCA）来评估模型的性能和临床实用性。

结果

本研究共纳入483名患者，共计529个病灶（ES-OC：192名患者，192个病灶；BOM：291名患者，337个病灶）。在第一阶段，逻辑回归（LR）算法在测试集中表现出高敏感性（0.870）、中等特异性（0.719）和高AUC（0.859）。在第二阶段，支持向量机（SVM）具有高诊断准确性，敏感性为0.750、特异性为0.839、AUC为0.918。决策曲线分析（DCA）显示，在0.20的风险阈值概率下，SVM在识别ES-OC方面具有最大优势。

结论

结合LR和SVM算法的两阶段基于CT的放射组学模型在识别ES-OC和BOM方面具有高诊断效率，有助于疾病的分级和个性化护理。