论文部分内容阅读
胰腺导管腺癌(PDAC)和胰腺神经内分泌肿瘤(PNET)是最常见的两种胰腺肿瘤,非功能性神经内分泌肿瘤(NF-pNET)约占所有pNET的80%。NFpNET显示各种非典型的临床表征,它们与PDAC临床表征非常相似,很可能被误认为是PDAC诊断的典型影像学征象,因而非典型NF-pNET很容易误判为PDAC,精准分类成为临床难题。由于非典型NF-pNET与PDAC的治疗策略和预后存在显着差异,因此非典型NF-pNET与PDAC的精准分类是临床实践中的一个重要问题。数据来源于北京协和医院,包括80例PDAC和67例非典型NF-pNET,数据类型为电子计算机断层扫描(CT)影像及临床病理信息。目前,临床上还没有找到较好的方法来进行非典型NF-pNET与PDAC精准分类。本文提出一种新的解决思路,基于影像组学方法,并结合机器学习算法来进行胰腺肿瘤精准分类方法的研究。本研究从CT影像中提取大量高维的影像组学特征,并采用逻辑回归(LR)、支持向量机(SVM)和随机森林(RF)算法来构建非典型NF-pNET与PDAC精准分类模型。我们构建了影像组学特征加临床信息的综合分类模型,并实现了对非典型NF-pNET与PDAC的精准分类。本研究共构建了5个分类模型,并进行了分类模型之间的对比,选取最好的模型作为我们最终的精准分类模型。在独立的测试集,基于逻辑回归的临床信息加影像组学特征综合分类模型的AUC为0.884,与临床信息模型(AUC:0.775)相比性能显著改善,AUC提升了11%;且两者之间存在显著性差异(p=0.018,<0.05),p值也说明了我们提出的综合模型相比于医生提供的临床信息模型,性能显著提高。另外,测试集中综合模型的分类准确率(ACC)为80.4%,敏感度(Sensitivity)为80.0%,特异度(Specificity)为80.8%,阳性预测值(PPV)为76.2%,阴性预测值(NPV)为84.0%。本文也设计了诺模图(Nomograph),在训练集和测试集中有良好的分类性能,C-index分别为0.960和0.884。最后,校准曲线(Calibration)显示分类模型有较高的稳定性。