基于增强CT的深度学习放射组学决策图，用于区分上皮性卵巢交界性肿瘤与早期上皮性卵巢癌

《BMC Cancer》：Deep learning radiomics nomogram based on enhanced CT for differentiating epithelial ovarian borderline tumors and early-stage epithelial ovarian cancers

　　

摘要

研究目的

旨在开发一种基于增强型CT的深度学习放射组学决策图，用于区分上皮性卵巢交界性肿瘤与早期上皮性卵巢癌，并通过内部验证评估其诊断性能。

材料与方法

共有315名患有上皮性卵巢交界性肿瘤或早期上皮性卵巢癌的患者被随机分为训练集（N=220）和测试集（N=95）。研究人员收集了六项临床指标，从每位患者的CT图像中提取放射组学特征，同时利用肿瘤区域最大的轴向切片提取深度学习特征。临床模型则是基于独立的临床风险因素建立的。通过相关性分析、单变量分析以及最小绝对收缩和选择算法来筛选放射组学和深度学习特征，进而计算出放射组学评分和深度学习评分。随后分别基于这两类评分构建放射组学模型和深度学习模型，最终通过整合独立临床因素、放射组学评分和深度学习评分来构建综合决策图。模型性能则通过接收者操作特征曲线分析、校准曲线分析、决策曲线分析以及DeLong检验来评估，当双尾P值小于0.05时视为存在显著差异。

研究结果

该综合决策图在区分上皮性卵巢交界性肿瘤与早期上皮性卵巢癌方面表现良好，在训练集和测试集中的接收者操作特征曲线下面积分别为0.887（95%置信区间为0.842至0.932）和0.900（95%置信区间为0.838至0.962）。在训练集和测试集中，这一数值均显著高于临床模型、放射组学模型和深度学习模型的对应数值（所有情况的P值均小于0.05）。此外，该综合决策图在两个数据集中的布里尔分数也是所有模型中最低的。同时，其预测概率与实际观察概率之间的校准曲线吻合度良好，决策曲线分析也表明，在不同的阈值概率范围内，该综合决策图相比其他对比模型能带来更高的净收益。

结论

基于增强型CT的深度学习放射组学决策图在区分上皮性卵巢交界性肿瘤与早期上皮性卵巢癌方面展现出良好的应用潜力。