目的 探讨基于CT影像组学特征构建的机器学习模型术前预测甲状腺乳头状癌(PTC)颈部淋巴结转移(LNM)的价值.方法 回顾性分析经病理证实的PTC患者128例,其中颈部LNM组64例,颈部无LNM组64例,按7︰3比例随机分为训练集和验证集.从术前平扫和增强(静脉期)CT图像中各提取影像组学特征851个.通过皮尔森相关系数检验和最小绝对收缩和选择算子(LASSO)算法最终筛选出6个特征用于机器学习模型的建立.使用随机森林(RF)、K最近邻(KNN)、逻辑回归(LR)、朴素贝叶斯(NB)、线性支持向量机(SVM-linear)、径向基核函数支持向量机(SVM-rbf)共6种算法分别建立用于预测颈部LNM的机器学习模型.结果 SVM-rbf机器学习模型预测效能最稳定,训练集预测效能曲线下面积(AUC)0.912,验证集预测效能AUC 0.859.结论 影像组学联合机器学习模型可以更好地挖掘和整合CT的高维信息,可用于预测PTC患者的颈部LNM状态.
作者：杨进军；卢天宇；班允清
来源：实用放射学杂志 2022 年 38卷 10期
