Page 152 - 南京医科大学学报自然科学版

第41卷第4期
·622 · 南 京 医 科 大 学 学 报 2021年4月

A B
1.0 1.0
0.8 0.8
正数分数 0.6 正数分数 0.6

0.4
0.4
0.2 0.2

0.0 0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Count 10 scores Count 10 scores
0 0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
平均预测值 平均预测值
A、B：验证模型1和模型2的概率校准曲线，体现模型潜在临床净受益。横轴表示列线图预测肺结节分类的发生率，纵轴表示实际肺结节
分类的发生率，蓝色实线越靠近虚线表示预测能力越好。
图4 模型1及模型2测试组的概率校准曲线
Figure 4 Calibration curves of models 1 and model 2

的不确定性，其值越高表示肿瘤的纹理差异越大， 2 条拟合曲线分别代表宏平均（macro⁃average）和微
这对于提高临床诊断具有重要的意义。 平均（micro⁃average），均是评价模型鉴别诊断效度
很多研究表明影像组学对于肺结节良、恶性分 的指标。宏平均是指所有类别的每一个统计指标
［16］
类具有良好的诊断效能 ［13-16］ 。Xu等 对所有结节分 值的算数平均值，而微平均是对数据集中的每一个
为3组，T1a（直径0~1 cm）、T1b（1 cm <直径≤2 cm）和 示例不分类别进行统计建立全局混淆矩阵，然后计
T1c（2 cm <直径≤3 cm），并开发了 3 种影像组学模 算相应的指标。因此，微平均更能体现模型效果，
型来预测每组中的恶性肺结节，T1a 模型预测的 它的验证组的 AUC 值为 0.84。总体来说，3 种模型
AUC、准确性分别为 0.84 和 0.77；T1b 模型分别为 没有偏离拟合曲线，进一步证明了影像组学对肺结
0.78、0.73；T1c 模型分别为 0.79、0.76。本研究中模 节分类诊断的高效性。
型 1 通过 F⁃test 5%特征选择来减少特征空间的维 最后，本研究采用半自动的分割方法，最大限
数，并选择逻辑回归分类器建立模型，筛选了 20 个 度地减少了放射科医师分割结节的时间，并提高了
影像组学特征对良、恶性结节进行分类，在训练组 可重复性及准确性，使其在临床实践中更加实用、
中的 AUC 为 0.92，在测试组 AUC 为 0.85，与之前的 有效 ［18］ 。但是也存在一些不足之处：第一，本研究
研究结果相似 ［14-16］ 。因恶性非浸润结节及浸润性结 是回顾性研究，在病例选择上可能存在偏倚，这也
节临床治疗策略不同，我们的研究进一步针对恶性 导致本研究中非浸润及浸润结节中女性患者较多，
病变进行分类。据报道恶性非浸润结节的远期生 仍需大样本进行更深入的研究；第二，高通量特征
存率为100%或接近100%，比浸润性结节高很多 ［17］ ， 的随机性没有相应的规范标准，Nyflot 等 ［19］ 的研究
因此模型2中，将肺腺癌中的微浸润结节、原位腺癌 表明纹理特征对图像随机变化和成像参数的依赖
及腺瘤样增生均归为恶性非浸润结节，并利用L1正 性很大，这意味着需要一个规范的标准以确保研究
则 C 值 0.01 特征选择来减少特征空间的维数，选择 结果的可重复性和可靠性。
支持向量机分类器建立模型，筛选出仅 2 个影像组 总之，CT 影像组学特征可以提供非侵入性的、
学特征对恶性非浸润及浸润结节分类，在训练组中 可重复的诊断及鉴别诊断信息，对良性、恶性非浸
的 AUC 为 0.92，在测试组中 AUC 为 0.89；最后模型 润及浸润性结节分类具有重要价值，包括所有这些
重要特征的决策曲线和校验曲线在临床上可用于
3 中对所有的肺结节采用3分类法对良性、恶性非浸
术前策略计划。
润及浸润结节分类，根据F⁃test 5%特征选择来减少
特征空间的维数，选择逻辑回归分类器建立模型， ［参考文献］
最终筛选了 20 个影像组学特征，其在训练组中的 ［1］ OST D，FEIN A M，FEINSILVER S H. Clinical practice.
AUC 为 0.88；在测试组中 AUC 为 0.84。模型 3 中有 The solitary pulmonary nodule［J］. N Engl J Med，2003，