宝石能谱CT及机器学习算法在判断胃癌浆膜浸润中的初步应用

目的:探讨宝石能谱CT及机器学习算法在判断胃癌浆膜浸润中的价值。方法:回顾性分析在我院行宝石能谱CT双期GSI增强检查的胃癌患者24例,其中p T2 8例,p T3 4例,p T4 12例。12例患者(p T4)归为浆膜阳性组(组A);12例(T2和T3)归为浆膜阴性组(组B)。采用独立样本t检验或卡方检验比较两组患者的临床信息(如性别、年龄等)。此外,所有图像利用GE AW4.4工作站进行后处理,分别得出两组病灶双期能谱信息,随后采用SVM-RFE算法对两组能谱信息进行分析。结果:两组患者的临床信息中,肿瘤长径和短径在两组间有统计学差异(P均<0.05)。SVM-RFE算法的准确率为87.5%-94.4%。SVM-RFE的输出结果为门脉期脂肪(钙)、门脉期尿酸(钙)、动脉期钙(碘)、门脉期水(钙)、门脉期碘(水)。结论:肿瘤大小和门脉期脂肪(钙)、门脉期尿酸(钙)、动脉期钙(碘)、门脉期水(钙)及门脉期碘(水)特征值可用于辅助判定胃癌是否浸润浆膜层。      

双能CT影像组学模型评估进展期胃癌新辅助化疗后浆膜侵犯的临床价值研究

目的:探讨基于碘图（IM）的双能CT影像组学模型在新辅助化疗（NAC）后局部进展期胃癌（LAGC）浆膜浸润的术前再分期中的诊断效能。方法:对155例（训练组110例,测试组45例）术前经过标准NAC治疗的LAGC患者进行回顾性研究。所有CT图像由两名放射科医生分析,并进行人工分类。半自动勾画感兴趣区体积（VOI）,在IM和120kVp图像上分别从每个病变中提取了1226个影像组学特征。采用Spearman相关分析和最小绝对收缩选择算子（LASSO）惩罚Logistic回归过滤不稳定及冗余特征,从而筛选出重要特征。通过多因素Logistic回归分析,分别得到了基于120kVp选择的特征和120kVp结合IM选择的特征建立的两个预测模型（120kVp和IM-120kVp）。结果:两种影像组学模型（IM-120kVp AUC:训练组,0.953,测试组,0.879;120kVp AUC:训练组,0.940,测试组,0.831）在训练和测试组中均显示出较高的预测准确度和效能。所有模型在测试组的诊断准确率（IM-120kVp:84.4%,120kVp:80.0%）均高于人工分类（68.9%）。IM-120kVp模型在训练（P<0.001）和测试组中的诊断效能（P=0.034）均优于人工分类。结论:基于双能CT的影像组学模型在NAC治疗后LAGC术前再分期鉴别浆膜侵犯方面表现出令人信服的诊断效能。