Page 74 - 南京医科大学自然版

第45卷第5期
·660 · 南 京 医 科 大 学 学 报 2025年5月

组学特征筛选首先使用 Pearson 相关性检验排 组合计算影像组学评分。用一致性指数C⁃index来评
除组学特征中相关性系数>0.9 的特征，进而使用多 估影像组学评分的预测价值。分别计算皮髓质期、
变量Cox回归与最小决策收缩和选择算子（least ab⁃ 实质期、皮髓质期+实质期的影像组学评分，构建影
solute shrinkage and selection operator，LASSO）对特 像组学模型，比较不同模型的 C⁃index，同时在验证
征进一步降维（图1），基于最优的λ值来选择那些系 组中进一步验证其效能。将效能最高的影像组学
数非零的特征，通过所选择的相关特征及其系数线性 模型与临床病理特征结合构建联合模型。

95 93 9089857870 6753 5240252010 7 7 6 4 0 0 57 72 83 89 92 92 95

0.85 2
0.80 1
C⁃index 0.75 Coefficients 0

0.70 -1
-2
0.65
-3
0.60
-6 -5 -4 -3 -2 0 10 20 30 40 50 60 70
log λ L1 Norm
图1 皮髓质期+实质期影像组学特征筛选
Figure 1 Corticomedullary and parenchymal phase radiomics feature selection

1.3 统计学方法 表1 训练组与验证组患者临床病理资料
使用 R⁃studio4.2.1、SPSS18.0 软件进行统计分 Table 1 Clinical and pathological data of patients in the
析。连续性变量符合正态分布的数据采用均数±标 training and validation sets
准差（x ± s）表示，使用独立样本 t 检验比较，不符合 Index Training（n=221）Validation（n=94） P
正态分布的数据使用Mann⁃Whitney检验比较，用卡 Ending［n（%）］ 033（14.9） 15（16.0） 0.864
Age（years，x ± s） 57.66 ± 10.89 58.34 ± 12.01 0.623
方检验比较组间分类变量。影像组学特征筛选使
Size（mm，x ± s） 50.55 ± 23.86 46.08 ± 22.75 0.125
用 Pearson 相关性检验进行组学特征相关性分析，
Sex［n（%）］ 0.176
LASSO算法计算影像组学评分。使用单因素Cox回
Male 152（68.8） 72（76.6）
归分析筛选出与预后相关的因素，将其纳入多因素 Female 069（31.2） 22（23.4）
Cox 回归分析筛选出独立预测因子并构建模型。 T stage［n（%）］ 0.416
P < 0.05为差异有统计学意义。 1 166（75.1） 77（81.9）
2 028（12.7） 8（8.5）
2 结 果
3 027（12.2） 9（9.6）
2.1 患者特征 Grade［n（%）］ 0.406
共纳入315例患者，其中，男224例，女91例，患 2 156（70.6） 72（76.6）
3 065（29.4） 22（23.4）
者平均年龄 57.86 岁，中位随访时间 45 个月。其中
Side［n（%）］ 0.806
46 例在随访期间出现远处转移或局部复发，2 例在
Left 100（45.2） 44（46.8）
观察到复发转移前死亡。按7∶3将患者随机分为训
Right 121（54.8） 50（53.2）
练组（n=221）及测试组（n=94），两组患者在年龄、性 Surgery type［n（%）］ 0.619
别、病灶位置、病灶大小、病理分级及临床分期等方 RN 097（43.9） 38（40.4）
面差异均无统计学意义（表1）。 PN 124（56.1） 56（59.6）

2.2 临床病理特征模型效能 RN：radical nephrectomy；PN：partial nephrectomy.
首先使用单因素Cox回归筛选P < 0.05的变量， 个特征，进一步将其纳入多因素Cox回归中，筛选出

筛选出病理分级、肿瘤大小、T 分期及手术方式 4 病理分级（HR=4.759，95%CI：2.363~9.585）与T分期