在肺癌筛查中使用影像组学诺模图术前诊断恶性肺结节

背景肺癌是全球最常见的恶性肿瘤.可以通过早期筛查显著提高患者生存率.基于影像组学特征的生物标志物能够提供肿瘤的重要病理信息,并可应用于肺癌早期筛查.在本研究中,我们旨在建立一种影像组学模型,以提高对良恶性肺结节的区分能力.方法我们对在2013年6月至2018年6月期间通过计算机断层扫描(computed tomography,CT)诊断为良性或恶性肺结节的875例患者进行回顾性研究.将612例患者纳入训练队列,将263例患者纳入验证队列.从每例患者的CT图像中提取影像组学特征.使用最小绝对收敛和选择算子(least absolute shrinkage and selection operator,LASSO)算法进行影像组学特征选择和评分计算.使用多因素logistic回归分析建立分类模型和影像组学诺模图.在回归模型中使用影像组学评分和临床变量区分良性和恶性肺结节.通过曲线下面积(area under the curve,AUC)、校正曲线和Hosmer-Lemeshow检验评估训练队列和验证队列的影像组学诺模图的性能.结果本研究建立了一种影像组学评分,该评分是通过LASSO算法从训练队列中的1288个影像组学特征中筛选出的20个特征组成.使用影像组学评分和患者年龄构建多因素logistic模型和影像组学诺模图.训练队列[AUC=0.836;95％置信区间(confidence interval,CI):0.793–0.879]和验证队列(AUC=0.809;95％CI:0.745–0.872)均能够很好地区分良性和恶性肺结节.在训练队列(P=0.765)和验证队列(P=0.064)中,Logistic回归模型经过Hosmer-Lemeshow检验也显示出良好性能.校准曲线一致性良好,表明诺模图性能良好.结论建立的影像组学诺模图是恶性肺结节术前无创诊断的判别工具.验证结果显示,该诺模图具有出色的辨别能力和校准能力,表明其可用于肺癌的临床早期筛查.