目的:探讨基于CT影像组学的机器学习模型预测肺腺癌(lung adenocarcinoma,LUAD)气腔播散(spread through air spaces,STAS)的价值,并确定最佳瘤周分析区域。方法:回顾性分析2013年1月至2017年1月浙江省肿瘤医院接受非小细胞肺癌手术治疗...目的:探讨基于CT影像组学的机器学习模型预测肺腺癌(lung adenocarcinoma,LUAD)气腔播散(spread through air spaces,STAS)的价值,并确定最佳瘤周分析区域。方法:回顾性分析2013年1月至2017年1月浙江省肿瘤医院接受非小细胞肺癌手术治疗的378例LUAD患者资料,构建肿瘤边缘外扩0、3、6、9、12 mm区域的逻辑回归、随机森林和XGBoost模型。结果:6 mm区域的XGB模型在测试集上表现最佳,其次为AUC-ROC达0.855(95%CI:0.756~0.950),9 mm区域的XGB模型。DCA分析显示6 mm和9 mm区域XGB模型临床净收益较高。特征分析显示部分小波变换特征对STAS预测贡献较大。结论:本研究初步表明基于CT影像组学的机器学习模型对预测STAS具有一定的预测价值,其中基于6 mm瘤周区域的XGB模型表现最优,有望辅助术前评估。展开更多
