论文部分内容阅读
目的:孤立性肺结节良恶性（SPN）的鉴别诊断始终是临床工作的难题,本文通过建立18F-FDG PET/CT影像组学预测孤立性肺结节良恶性的模型,探讨18F-FDG PET/CT影像组学在鉴别诊断孤立性肺结节良恶性的应用价值。方法:回顾性分析2016年3月至2021年8月在河北医科大学第四医院就诊并在治疗前行18F-FDG PET/CT检查的患者325例,全部入组患者均经病理学检查证实。使用简单随机抽样法按7:3比例将患者分为训练组（n=227）和验证组（n=98）。使用LIFEx 7.0.0软件在PET/CT图像上逐层勾画肺部病灶的3D感兴趣区（ROI）,以40%SUVmax为勾画阈值提取影像组学特征参数。在训练组中,采用最小绝对收缩与选择算子（LASSO）算法及10倍交叉验证法对影像组学特征进行降维并筛选最优特征,获得回归方程并构建影像组学模型（Rad-score）;同时使用多因素二元Logistic回归公式筛选与SPN良性及恶性相关度最佳的临床特征并构建临床模型（Clinical-score）。基于多因素二元Logistic回归公式对Rad-score和Clinical-score进行线性拟合构建复合模型（Comlpex-score）,并通过受试者工作特征曲线（ROC）分别评价三种模型在训练组及验证组中的预测能力,使用Med Calc 19.4软件对三种不同模型ROC曲线下面积（AUC）进行Delong检验比较组间差异。最后基于最佳预测模型开发可视化列线图（Nomogram）预测孤立性肺结节患者的恶性风险。所有结果均以P＜0.05为具有统计学意义。结果:325例患者按7:3分组后,训练组227例（恶性结节180例,良性结节47例）,验证组98例（恶性结节71例,良性结节27例）;训练组中,通过LIFEx 7.0.0软件提取得到共126个影像组学特征,其中63个特征基于PET图像,63个特征基于CT图像。经LASSO回归所得最佳λ(λ1se)为0.07837175,根据最佳λ值对126个影像组学参数降维并筛选得到2个与肺结节良、恶性相关最佳的影像组学特征（1个特征基于PET图像、1个特征基于CT图像）,得到回归方程并建立模型（Rad-score）,良性SPN患者及恶性SPN患者Rad-score的差异具有统计学意义（P=0.000）。SPN临床相关因素分析中,根据多因素二元Logistic公式筛选得到性别（P=0.002）和吸烟史（P=0.023）是孤立性肺结节良恶性的独立影响因素,女性检出恶性SPN的风险较男性增高（OR值:0.281,95%CI:0.124～0.633）,吸烟者检出恶性SPN的风险较非吸烟者增高（OR值:2.610,95%CI:1.142～5.965）。根据回归公式建立临床模型（Clinical-score）,将影像组学模型和临床模型根据多因素二元Logistic公式线性拟合得到复合模型（Complex-score）后,通过Hosmer-Lemeshow检验测试三种不同模型的拟合优度（GOF）得到检验值均大于0.05（χ~2=5.081,P=0.749;χ~2=0.041,P=0.840;χ~2=3.096,P=0.931）,证明模型拟合效果良好。训练组中影像组学模型、临床模型和复合模型ROC的曲线下面积（AUC）分别为0.716（95%CI:0.638～0.794）、0.627（95%CI:0.533～0.721）和0.773（95%CI:0.700～0.847）;验证组中三种模型的AUC为0.710（95%CI:0.600～0.820）、0.650（95%CI:0.514～0.786）和0.756（95%CI:0.644～0.869）。通过Delong检验分别比较训练组和验证组中三个不同模型的AUC间差异,在训练组中以复合模型的预测效能表现最佳,Complex-score与Rad-score（Z值:2.210,P=0.027）、Complex-score与Clinical-score（Z值:3.023,P=0.003）的AUC间差异存在统计学意义,Rad-score与Clinical-score的AUC间的差异无统计学意义（Z值:1.354,P=0.176）。验证组中,三个不同模型AUC间的差异无统计学意义（Z值:1.151,P=0.250;Z值:0.656,P=0.512和Z值:1.586,P=0.113）。结论:18F-FDG PET/CT影像组学对孤立性肺结节良恶性的鉴别诊断有较好预测价值,影像组学模型与临床模型结合的复合模型所得到的列线图可以较为准确地预测孤立性肺结节的良恶性,提高孤立性肺结节鉴别诊断能力,为临床肺癌诊断、患者风险分层及个性化诊断提供可靠参考。