
-
生物通官微
陪你抓住生命科技
跳动的脉搏
磨玻璃结节CT影像组学模型在术前病理分级中的效能评价
《BMC Medical Imaging》:CT radiomics for stratifying pulmonary adenocarcinoma-spectrum lesions presenting as ground-glass nodules: a single-center retrospective study
【字体: 大 中 小 】 时间:2026年10月10日 来源:BMC Medical Imaging 3.9
编辑推荐:
摘要背景磨玻璃结节(GGNs)侵袭性的术前评估仍然具有挑战性。我们评估了跨不典型腺瘤样增生(AAH)和肺腺癌谱系病变的三个预设病理阈值下的CT影像组学模型。方法这项回顾性单中心研究纳入了253例手术切除GGN的患者:19例AAH、34例原位腺癌(AIS)、47例微浸润腺癌(M
磨玻璃结节(GGNs)侵袭性的术前评估仍然具有挑战性。我们评估了跨不典型腺瘤样增生(AAH)和肺腺癌谱系病变的三个预设病理阈值下的CT影像组学模型。
这项回顾性单中心研究纳入了253例手术切除GGN的患者:19例AAH、34例原位腺癌(AIS)、47例微浸润腺癌(MIA)和153例浸润性腺癌(IAC)。队列按病理类别分层后以4:1比例随机分配为训练集(n = 202)和保留的内部测试集(n = 51);训练/测试集各类别样本量分别为:AAH 15/4例,AIS 27/7例,MIA 38/9例,IAC 122/31例。评估了三项二分类病理阈值任务:AAH与AIS/MIA/IAC对比(任务1)、AAH/AIS与MIA/IAC对比(任务2)、以及AAH/AIS/MIA与IAC对比(任务3)。在薄层CT上手动勾画三维感兴趣区域。影像组学特征通过零方差去除、单变量筛选、Pearson相关过滤和最小绝对收缩和选择算子(LASSO)回归进行降维,随后进行随机森林分类。在次要探索性分析中,使用固定的ImageNet预训练ResNet18生成512维迁移特征,经LASSO筛选后输入随机森林分类器。采用受试者工作特征曲线下面积(AUC)、准确率、灵敏度、特异度、预测值和F1分数评估模型性能。
在每处病灶的1,836个初始影像组学特征中,分别有10个、14个和10个特征被选中用于任务1、2和3。测试集AUC分别为0.9016(95% CI 0.7927–1.0000)、0.8898(95% CI 0.7992–0.9803)和0.9484(95% CI 0.8888–1.0000)。任务3中,准确率为0.8824,灵敏度为0.8387,特异度为0.9500。ResNet18的五折汇总AUC在任务1、2和3中分别为0.8520、0.8203和0.8338。
在该单中心手术选择队列中,CT影像组学模型在三项病理阈值任务中均展现出内部判别能力,包括在任务3中将IAC与AAH/AIS/MIA区分开来。这些结果尚未确立临床效用,应结合AAH亚组样本量小、类别不平衡、单中心抽样及缺乏外部验证等因素进行解读。ResNet18分析为探索性分析,因其使用了显示导出图像、非嵌套特征选择以及不同于主要影像组学分析的验证框架。
磨玻璃结节(GGNs)侵袭性的术前评估仍然具有挑战性。我们评估了跨不典型腺瘤样增生(AAH)和肺腺癌谱系病变的三个预设病理阈值下的CT影像组学模型。
这项回顾性单中心研究纳入了253例手术切除GGN的患者:19例AAH、34例原位腺癌(AIS)、47例微浸润腺癌(MIA)和153例浸润性腺癌(IAC)。队列按病理类别分层后以4:1比例随机分配为训练集(n = 202)和保留的内部测试集(n = 51);训练/测试集各类别样本量分别为:AAH 15/4例,AIS 27/7例,MIA 38/9例,IAC 122/31例。评估了三项二分类病理阈值任务:AAH与AIS/MIA/IAC对比(任务1)、AAH/AIS与MIA/IAC对比(任务2)、以及AAH/AIS/MIA与IAC对比(任务3)。在薄层CT上手动勾画三维感兴趣区域。影像组学特征通过零方差去除、单变量筛选、Pearson相关过滤和最小绝对收缩和选择算子(LASSO)回归进行降维,随后进行随机森林分类。在次要探索性分析中,使用固定的ImageNet预训练ResNet18生成512维迁移特征,经LASSO筛选后输入随机森林分类器。采用受试者工作特征曲线下面积(AUC)、准确率、灵敏度、特异度、预测值和F1分数评估模型性能。
在每处病灶的1,836个初始影像组学特征中,分别有10个、14个和10个特征被选中用于任务1、2和3。测试集AUC分别为0.9016(95% CI 0.7927–1.0000)、0.8898(95% CI 0.7992–0.9803)和0.9484(95% CI 0.8888–1.0000)。任务3中,准确率为0.8824,灵敏度为0.8387,特异度为0.9500。ResNet18的五折汇总AUC在任务1、2和3中分别为0.8520、0.8203和0.8338。
在该单中心手术选择队列中,CT影像组学模型在三项病理阈值任务中均展现出内部判别能力,包括在任务3中将IAC与AAH/AIS/MIA区分开来。这些结果尚未确立临床效用,应结合AAH亚组样本量小、类别不平衡、单中心抽样及缺乏外部验证等因素进行解读。ResNet18分析为探索性分析,因其使用了显示导出图像、非嵌套特征选择以及不同于主要影像组学分析的验证框架。