Page 149 - 南京医科大学学报自然科学版

第41卷第4期 徐青青，单文莉，朱 艳，等. 基于CT影像组学对孤立性肺结节性质分类的预测效能［J］.
2021年4月 南京医科大学学报（自然科学版），2021，41（04）：617-623 ·619 ·

可靠性。可重复性和稳定性好的特征用来建立组学 模型 2 包括恶性非浸润结节 51 例及浸润性结
标签。利用选择特征的线性融合计算影像组学标签 节 67 例，共提取出 1 261 个高通量特征，利用 L1 正
得分。校正曲线用于评价模型的预测效果。决策曲 则 C 值 0.01 特征选择以及 SVM 分类器建立模型。
线用于评价预测模型的潜在临床净收益。 共筛选出2个鲁棒的特征，包括2个纹理特征，拉普
1.3 统计学方法 拉斯变换⁃灰度级区域矩阵⁃区域熵（log⁃sigma⁃5⁃0⁃
采用 SPSS 20.0 进行统计分析，3 组间患者年龄 mm⁃3D_glszm_Zone Entropy）和小波变换⁃灰度级区
采用单因素方差分析，两两比较采用 LSD 法，性别 域矩阵⁃区域熵（wavelet⁃LLL_glszm_Zone Entropy）。
分布差异比较采用χ 检验。一致性检验、特征提取、 影像组学评分（Rad⁃score）反映恶性非浸润及浸润
2
模型建立和统计学比较等运算，以及图表的绘制都 结节在训练组和测试组的分布情况（图1C）。
是基于 Anaconda3 平台（https：//www.ana conda.com） 模型 3 包括良性结节 71 例、恶性非浸润结节

的 Pyhton （https：//www.python.org/） Scikit ⁃ learn 51 例及浸润结节 67 例，共提取出 1 261 个高通量特
（https：//scikit⁃learn.org/）和Matplotlib 库（https：//mat⁃ 征。模型3利用F⁃test 5%特征选择以及逻辑回归分
plotlib.org/）进行的。P < 0.05为差异有统计学意义。 类器建立模型，共筛选出20个鲁棒的特征，包括一阶
特性12个，纹理特征8个（图1D），其中小波变换⁃灰度
2 结 果
级区域矩阵⁃灰度不均匀性（wavelet⁃LLL_glszm_Gray
2.1 患者一般资料 Level Non⁃Uniformity Normalized）及拉普拉斯变换⁃一
189 例肺结节大小 5.8~29.8 mm，平均（15.4± 阶特征⁃四分位数范围（log⁃sigma⁃1⁃0⁃mm⁃3D_fir⁃
5.9）mm，分为3组，良性组71例，恶性非浸润组51例， storder_interquartile Range）等相对权重最大。
浸润组67例。3组年龄差异有统计学意义，两两比较 2.3 3种模型的效度、可靠性及收益
显示，浸润组的年龄［（57.6±8.7）岁］要高于良性组 预测模型 1 在训练组中的 AUC 值为 0.92，在测
［（53.1±9.9）岁］和恶性非浸润组［（53.4±11.5）岁］，差 试组中的 AUC 值为 0.85；预测模型 2 在训练组中的
异有统计学意义（P=0.008，P=0.024），良性组与恶性 AUC 值为 0.92，在测试组中的 AUC 值为 0.89；预测
非浸润组差异无统计学意义（P=0.873）。3组性别差 模型 3 在训练组中的 AUC 值为 0.88，在测试组中的
异有统计学意义（χ =19.618，P < 0.001），浸润组、恶 AUC 值为 0.84。3 种模型的预测结果见表 1。预测
2
性非浸润组女性比例高于良性组，差异均有统计学 模型的ROC曲线见图2，将模型1和模型2的预测概
意义（60% vs. 35%，χ =8.298，P=0.004；75% vs. 35%， 率绘制成决策曲线（图3）及校准曲线（图4）。
2
χ =18.355，P < 0.001），恶性非浸润组及浸润组差异
2
3 讨 论
无统计学意义（χ =2.834，P=0.092）。
2
2.2 影像组学特征提取、选择和组学标签建立 CT薄层扫描技术在肺结节的诊断分类、治疗方
观察者组内和组间 ICC 值分别为 0.89、0.81，一 案的制定、疗效评价及预后评估等方面发挥着重要
［7］
致性良好。后续特征提取、筛选和建模所有图像的 的作用 。然而，临床工作中影像医生常使用几种
分割数据集由5年经验的医师第1次分割的数据组 形态学特征来评估胸部CT肺结节的恶性特征，包括
成。模型 1 包括良性结节 71 例及恶性结节 118 例 结节大小、边缘、轮廓和内部特征，而蕴含在数字化
（包括 51 例恶性非浸润性结节及 67 例浸润性结 图像中的大量信息没有被利用。影像组学是一个

节），共提取出 1 261 个高通量特征，通过 F⁃test 5% 新兴技术，它通过高通量地提取医学图像中的大量
特征选择进行特征筛选，逻辑回归分类器建立模 定量影像学特征，与传统的视觉图像相比，它可以
型。模型 1 共筛选出 20 个鲁棒的特征，包括一阶 提取出更多的肺结节特征，并以非侵入性的方式评
［8］
特征 10 个及纹理特征 10 个（图 1A），其中拉普拉斯 估肺结节和肿瘤的行为 。目前已有研究表明影像
变换⁃灰度相关矩阵⁃弱相关（log⁃sigma⁃1⁃0⁃mm⁃ 组学在肿瘤病理亚型鉴别、基因表达、病灶的良恶
3D_gldm_Small Dependence Emphasis）、拉普拉斯变 性鉴别、淋巴结转移、疾病的治疗及预后方面表现

换⁃一阶特征⁃中位数（log⁃sigma⁃1⁃0⁃mm⁃3D_first⁃or⁃ 出较好的前景 ［9-12］ 。临床工作中医生视觉鉴别诊断
der_Median）等相对权重最大。影像组学评分（ra⁃ 良恶性、浸润前和浸润程度有很大难度，而本研究
diomics score，Rad⁃score）反映良、恶性结节在训练组 对于多分类模型进行研究，填补了该多分类模型的
和测试组的分布情况（图1B）。 空白，具有一定的临床应用价值，可以辅助决策临