Page 152 - 南京医科大学学报自然科学版
P. 152
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,