基于CT放射组学机器学习模型预测食管癌早期影像学治疗反应的概念验证研究

《BMC Medical Imaging》：Prediction of early radiological response in esophageal cancer using CT radiomics and clinical factors: a single-center proof-of-concept study in an elderly cohort

　　

摘要

背景

作为概念验证分析，开发一个机器学习模型，预测老年单中心食管癌（EC）队列的早期影像学治疗反应，并检验将临床因素添加到CT放射组学是否可提高预测性能。

方法

我们回顾性分析了189例接受根治性放疗的食管癌患者。从基线增强CT中提取放射组学特征。遵循TRIPOD建议，预先指定基于放射组学特征集的LASSO惩罚逻辑回归（LASSO-LR）作为主要模型，预测变量数量限制为5个（每变量事件数[EPV]≥10；50个事件）。通过5×5嵌套交叉验证和独立测试集（8:2分割；151例训练，38例测试）评估性能，并进行折外校准；还进行了敏感性分析，在每个外层折中重复完整流程，以及200次重采样的特征稳定性分析。仅在仅临床、仅放射组学和 multimodal 特征集中，包括支持向量机（SVM）在内的五个分类器作为探索性比较；增量价值通过bootstrap配对比较（5,000次重采样）检验。

结果

队列包含189例患者（126例反应者，63例非反应者）。预先指定的LASSO-LR主要模型保留了5个放射组学预测变量，从21个LASSO特征中按绝对系数大小选择，完全嵌套交叉验证AUC为0.554±0.108，该结果是在每个外层训练折中重新执行单变量过滤、特征选择和模型拟合后获得的；还报告了部分嵌套（开发）估计值0.637±0.105（乐观值0.148；表观值0.785），该结果是在对整个训练队列进行一次单变量过滤后得出的，以及在很小的测试队列（n?=?38）中独立测试集的AUC为0.716；折外校准Brier分数为0.216（截距0.328，斜率1.502）。探索性的仅临床、仅放射组学和 multimodal SVM模型分别达到测试AUC 0.603、0.732和0.745；多模态模型与仅临床模型相比（ΔAUC?+?0.142，95%CI???0.077至0.364，P?=?0.212）或仅放射组学模型相比（ΔAUC?+?0.012，95%CI???0.033至0.064，P?=?0.520）未显示出具有统计学意义的增量价值。多模态模型在不同年龄层中的判别能力相似（AUC 0.739对0.786）。

结论

本概念验证研究表明，基于5个放射组学特征预先指定的LASSO-LR模型对食管癌早期影像学反应的判别能力有限且不稳定（完全嵌套AUC 0.554±0.108；在很小的测试队列中测试集AUC 0.716）。探索性SVM建模达到了数值更高但统计学上不显著的多模态AUC，未提供优于单纯放射组学或临床因素的增量价值证据。在临床应用前需要前瞻性多中心验证。

临床试验编号

不适用。