目的:基于肺癌患者放疗前的CT影像组学特征,综合临床信息与放疗剂量学特征,利用机器学习方法构建症状性放射性肺炎的预测模型。方法:回顾性收集2018年11月至2020年4月在江南大学附属医院接受放疗的103例肺癌患者的临床与剂量学资料。获取这些患者放疗前胸部CT影像,勾画双侧正常肺组织结构,提取250种影像组学特征。用单因素分析研究临床、剂量学特征与放射性肺炎发生的相关性。收集所有影像组学特征、临床和剂量学特征作为潜在预测因子,通过LASSO回归机器学习方法筛选特征,并得到肺炎预测模型。然后根据筛选的特征建立放射性肺炎发生风险的列线图。结果:单因素分析结果表明,症状性放射性肺炎与双侧正常肺组织的平均肺剂量(MLD)、
V20 Gy和
V30 Gy的相关性具有统计学意义(
t=2.20、2.34、2.93,
P<0.05)。在综合所有影像组学特征、临床和放疗剂量学特征后,本研究共筛选出4个特征,为肺的剂量体积百分数
V30 Gy,和3个影像组学特征,包括灰度共生矩阵类别的熵特征、小波变换直方图类别的均值及中位数特征。基于这些特征所构建的肺炎预测模型的曲线下面积(AUC)为0.757。绘制了可根据特征值给予个体化的风险预测与提前干预的列线图。
结论:放疗前的CT影像组学结
作者:孔燕;吴佳;魏贤顶;孔旭东;鲍而文;孙宗琼;黄建锋
来源:中华放射医学与防护杂志 2022 年 42卷 2期