Page 50 - 南京医科大学自然版

第45卷第2期
·190 · 南 京 医 科 大 学 学 报 2025年2月

周模型和瘤内+瘤周模型，并根据各特征权重计算 （P < 0.05），将这些特征纳入多因素 Logistic 回归分
出每位患者中 3 个模型对应的 Radscore，即瘤内 析发现，病灶强化形态［优势比（odds ratio，OR）=
Radscore（intra ⁃ radscore）、瘤 周 Radscore（peri ⁃ rad⁃ 4.737，95%CI：1.435~15.636；P=0.011］和瘤周水肿
score）和瘤内+瘤周 Radscore（intra&peri⁃radscore）。 （OR=5.454，95%CI：2.654~11.208；P < 0.001）是N2⁃3
图2描绘了LASSO回归的过程及所选特征的权重。 期 ALN 的独立预测因素（表 4），此外，瘤内+瘤周
如表 3 所示，瘤内模型、瘤周模型和瘤内+瘤周 Radscore也被证明具有显著的预测价值（OR=5.525，
模型的 AUC 值在训练集中分别为 0.821（95%CI： 95%CI：4.540~6.719；P < 0.001）。利用上述独立临

0.763~0.878）、0.867（95%CI：0.821~0.913）和 0.911 床因子构建临床模型，其在训练集和验证集中的
（95%CI：0.872~0.951），在验证集中分别为 0.742 AUC 值分别为 0.770（95%CI：0.707~0.833）和 0.688
（95%CI：0.643~0.841）、0.749（95%CI：0.645~0.853） （95%CI：0.588~0.788）。
和 0.858（95%CI：0.770~0.947）。可以发现，在两组 2.4 联合模型的开发与验证
数据集中，瘤内+瘤周模型的 AUC 值均高于瘤内模 整合组学模型中预测效能最佳的瘤内+瘤周模
型和瘤周模型（均 P < 0.05），表明前者对于 N2⁃3 期 型及临床模型中的特征构建联合模型，并可视化为
ALN具有更好的预测效能。 列线图（图3），不同特征对应的分数不同，总分越高

2.3 临床特征选择和模型构建 表明患者伴有 N2⁃3 期 ALN 的风险越大。联合模型
在训练集的单因素分析中，6 个临床特征（ER 的 AUC 值 在 训 练 集 中 为 0.923（95% CI：0.885~
状态、PR 状态、手术类型、病灶强化形态、病灶最大 0.962），验证集中为 0.892（95%CI：0.828~0.955）（图
径和瘤周水肿）于 N2⁃3 期 ALN 预测有统计学意义 4A、B），均优于单纯组学模型和临床模型，DeLong

A B
0.075
0.050 0.4
Coefficients 0.025 MSE 0.3
0.000
-0.025
0.2
-0.050
-0.075
0.1
10 -3 10 -2 10 -1 10 0 10 -3 10 -2 10 -1 10 0
Lambda（λ=0.025 6） Lambda（λ=0.025 6）
C
ADC_original_glszm_Large Area Low Gray Level Emphasis
Coefficients
DWI_wavelet⁃LLL_glcm_Imcl
ADC_wavelet⁃HLL_firstorder_Mean
DWI_wavelet⁃LLL_glszm_Small Area Low Gray Level Emphasis
DWI_wavelet⁃HLL_firstorder_Mean
DWI_wavelet⁃LHL_firstorder_Median
DWI_wavelet⁃HLL_glrlm_Long Run Low Gray Level Emphasis
Featurename DCE2_original_glszm_Size Zone Non Uniformity Normalized
DCE4_original_shape_Surface Volume Ratio
ADC_wavelet⁃LLH_firstorder_Minimum
DCE2_wavelet⁃HLH_glszm_Small Area Low Gray Level Emphasis
DCE2_wavelet⁃LLL_firstorder_Minimum
TIRM_wavelet⁃LHH_glcm_MCC
DWI_wavelet⁃LLL_glcm_Imc2
ADC_wavelet⁃HLH_glrlm_Long Run Low Gray Level Emphasis
DCE4_wavelet⁃LLH_glszm_Small Area Emphasis
TIRM_original_shape_Elongation
DCE2_wavelet⁃LLH_ngtdm_Contrast
-0.04 -0.02 0 0.02 0.04
A：LASSO regression cross⁃validation plot. B：Change in mean squared error（MSE）of 10⁃fold cross⁃validation. C：The optimal radiomics features
and their weights selected from the intra&peri⁃ROI.
图2 LASSO筛选影像组学特征的过程及特征权重
Figure 2 LASSO process of screening radiomic features and feature weights