基于机器学习的多参数 CT 影像组学在肾透明细胞癌（ccRCC）肾切除术前预测微血管侵犯（MVI）中的价值

为解决肾透明细胞癌（ccRCC）术前预测微血管侵犯（MVI）的问题，研究人员开展了整合 CT 影像组学特征与临床参数的研究。结果显示支持向量机（SVM）模型性能最佳，列线图诊断准确性高。这为临床决策提供了有价值的术前工具。

　　本研究旨在探究整合基于计算机断层扫描（CT）的肿瘤影像组学特征与临床参数，对肾透明细胞癌（ccRCC）术前预测微血管侵犯（MVI）的价值。研究人员回顾性分析了单中心 ccRCC 患者队列的数据，从术前多期 CT 扫描（平扫、皮髓质期和肾实质期）中提取影像组学特征。经过降维和特征选择后，评估了 8 种机器学习算法以确定最佳影像组学模型。通过单因素和多因素分析确定独立的临床预测因子，并开发了将影像组学特征（rad-score）与重要临床参数相结合的列线图。采用受试者工作特征曲线下面积（AUC）、决策曲线分析（DCA）和校准曲线分析（CAC）评估模型性能。最初纳入 143 例患者，筛选后 110 例符合纳入标准，共提取 5502 个影像组学特征。支持向量分类器（SVM）模型判别能力最强，训练队列平均 AUC 为 0.976，测试队列平均 AUC 为 0.892，显著优于临床模型（训练 AUC=0.935，测试 AUC=0.933）。列线图显示出卓越的诊断性能，测试 AUC 为 0.958。DCA 和 CAC 证实了其临床实用性和稳健性。多参数 CT 影像组学模型能够无创预测 ccRCC 的 MVI 状态，基于 SVM 的算法表现最佳。整合后的列线图提供了出色且一致的诊断准确性，为临床决策提供了有价值的术前工具。