目的:构建基于CT影像组学结合临床特征模型预测肺结核耐药性。方法:选择2020年1月1日至2022年12月31日河南省新乡医学院第一附属医院收治的234例肺结核患者。根据耐药情况将患者分为耐药组88例和药物敏感组146例,并按照7∶3比例随机分...目的:构建基于CT影像组学结合临床特征模型预测肺结核耐药性。方法:选择2020年1月1日至2022年12月31日河南省新乡医学院第一附属医院收治的234例肺结核患者。根据耐药情况将患者分为耐药组88例和药物敏感组146例,并按照7∶3比例随机分为训练集和测试集。对病灶进行感兴趣体积(volume of interest,VOI)勾画后提取影像组学特征。应用最小冗余最大相关(minimum redundancy maximum relevance,MRMR)和最小绝对收缩与选择算子(least absolute shrinkage and selection operator,LASSO)方法进行特征筛选。利用logistics回归构建临床模型、影像组学模型,随后将经过筛选的最优影像组学特征和有统计学意义的临床特征、CT特征相结合,构建联合模型。应用受试者工作特征曲线下面积(areas under the receiver operating characteristic curve,AUC)评估每个模型的诊断性能。结果:耐药组初治患者48例(54.55%)、复治患者40例(45.45%),树芽征检出率为69.32%(61/88)。药物敏感组初治患者131例(89.73%)、复治患者15例(10.27%),树芽征检出率为81.51%(119/146)。耐药组和药物敏感组患者临床特征及CT特征分析结果表明,治疗史(χ^(2)=37.796,P<0.001)和树芽征(χ^(2)=4.595,P=0.032)在两组间差异均有统计学意义。在CT征象分析中,2名医师对结节及卫星灶、钙化结节、实变、纤维条索、支气管扩张、树芽征的观察者间一致性较好(Kappa值分别为0.757、0.784、0.818、0.777、0.863、0.781)。应用MRMR和LASSO方法共筛选出14个影像组学特征作为预测指标构建预测模型。临床模型的AUC值在训练集和测试集分别为0.760(95%CI:0.687~0.834)和0.820(95%CI:0.704~0.937),影像组学模型的AUC值在训练集和测试集分别为0.822(95%CI:0.758~0.885)和0.845(95%CI:0.744~0.947),联合模型的AUC值在训练集和测试集分别为0.878(95%CI:0.823~0.932)和0.888(95%CI:0.788~0.987)。结论:影像组学模型的诊断性能高于临床模型,联合模型的诊断性能在训练集和测试集表现最佳。展开更多
文摘目的:构建基于CT影像组学结合临床特征模型预测肺结核耐药性。方法:选择2020年1月1日至2022年12月31日河南省新乡医学院第一附属医院收治的234例肺结核患者。根据耐药情况将患者分为耐药组88例和药物敏感组146例,并按照7∶3比例随机分为训练集和测试集。对病灶进行感兴趣体积(volume of interest,VOI)勾画后提取影像组学特征。应用最小冗余最大相关(minimum redundancy maximum relevance,MRMR)和最小绝对收缩与选择算子(least absolute shrinkage and selection operator,LASSO)方法进行特征筛选。利用logistics回归构建临床模型、影像组学模型,随后将经过筛选的最优影像组学特征和有统计学意义的临床特征、CT特征相结合,构建联合模型。应用受试者工作特征曲线下面积(areas under the receiver operating characteristic curve,AUC)评估每个模型的诊断性能。结果:耐药组初治患者48例(54.55%)、复治患者40例(45.45%),树芽征检出率为69.32%(61/88)。药物敏感组初治患者131例(89.73%)、复治患者15例(10.27%),树芽征检出率为81.51%(119/146)。耐药组和药物敏感组患者临床特征及CT特征分析结果表明,治疗史(χ^(2)=37.796,P<0.001)和树芽征(χ^(2)=4.595,P=0.032)在两组间差异均有统计学意义。在CT征象分析中,2名医师对结节及卫星灶、钙化结节、实变、纤维条索、支气管扩张、树芽征的观察者间一致性较好(Kappa值分别为0.757、0.784、0.818、0.777、0.863、0.781)。应用MRMR和LASSO方法共筛选出14个影像组学特征作为预测指标构建预测模型。临床模型的AUC值在训练集和测试集分别为0.760(95%CI:0.687~0.834)和0.820(95%CI:0.704~0.937),影像组学模型的AUC值在训练集和测试集分别为0.822(95%CI:0.758~0.885)和0.845(95%CI:0.744~0.947),联合模型的AUC值在训练集和测试集分别为0.878(95%CI:0.823~0.932)和0.888(95%CI:0.788~0.987)。结论:影像组学模型的诊断性能高于临床模型,联合模型的诊断性能在训练集和测试集表现最佳。
