目的 儿童肾母细胞瘤(WT)的分期对于治疗计划和预后预测非常重要,本研究拟利用放射组学特征进行机器学习来预测WT的临床分期.方法 将2014年10月至2020年10月共计108例经病理证实的WT患者纳入研究,对患者术前腹部增强CT门静脉期的图像进行回顾性分析,勾画肿瘤感兴趣区(ROI)并进行放射组学特征提取,每例提取1781个放射组学特征;应用F检验及LASSO算法筛选与WT分期相关的放射组学特征,并采用LightGBM、Random Forest和AdaBoost这三种机器学习分类器构建模型预测WT临床分期Ⅰ期及非Ⅰ期,并绘制受试者工作特征曲线(ROC),计算曲线下面积(AUC)、精确率和准确率指标,比较不同机器学习分类器对WT临床分期的预测性能.结果 108例WT中,临床Ⅰ期46例(42.6％),非Ⅰ期62例(57.4％),LightGBM机器学习算法对测试组分类AUC值0.93(95％置信区间0.731～0.994),精确率0.89、准确率0.82,Random Forest分类器的AUC值0.82 (95％ CI:0.560～0.929),精确率0.80、准确率0.77,AdaBoost的AUC值0.71 (95％ CI:0.481 ～0.882),精确率0.70、准确率0.68,经DeLong检验,三种机器学习算法ROC曲线差异不明显(P＞0.05).结论 通过12个放射组学特征以及机器学习技术对儿童WT临床分期进行预测可以获得较好结果,LightGBM、Random Forest和Ada-Boost三

作者：马晓辉；丁玉爽；杨婧；刘婷婷；梁佳伟；贺敏；赖灿；张瑞方；周海春；舒强；贾绚

来源：临床放射学杂志 2022 年 41卷 2期