文献类型：期刊文章

作　　者：刘亚锋[1] 吴静[1,2] 周家伟[1] 邢应如[3] 谢军[3] 丁选胜[1,4] 胡东[1,2]

LIU Yafeng;WU Jing;ZHOU Jiawei;XING Yingru;XIE Jun;DING Xuansheng;HU Dong(Anhui University of Science and Technology Medical College,Anhui Huainan 232001,China;Key Laboratory of Industrial Dust Prevention and Control and Occupational Safety and Health,Ministry of Education,Anhui University of Science and Technology School of Medicine,Anhui Huainan 232001,China;Cancer Hospital Affiliated to Anhui University of Science and Technology,Anhui Huainan 232001,China;School of Pharmacy,China Pharmaceutical University,Jiangsu Nanjing 210009,China)

机构地区：[1]安徽理工大学医学院,安徽淮南232001 [2]安徽理工大学医学院工业粉尘防控与职业安全健康教育部重点实验室,安徽淮南232001 [3]安徽理工大学附属肿瘤医院,安徽淮南232001 [4]中国药科大学药学院,江苏南京210009

出　　处：《现代肿瘤医学》

基　　金：国家自然科学基金资助项目(编号:81971483);安徽省高校协同创新项目(编号:GXXT-2020-058);安徽理工大学研究生创新基金项目(编号:2020CX2084)。

年　　份：2022

卷　　号：30

期　　号：6

起止页码：1079-1084

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目的:构建基于影像组学特征的预测模型,以预测非小细胞肺癌患者接受序贯放化疗(sequential chemoradiotherapy,SCRT)或同步放化疗(concurrent chemoradiotherapy,CCRT)后的病情部分缓解(partial response,PR)可能性。方法:回顾性收集2016年01月至2020年06月确诊为非小细胞肺癌并接受SCRT或CCRT患者资料。符合条件的患者纳入本研究中,并随机分为训练集和验证集。采用单因素方差分析及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法,在训练集中筛选出最佳影像组学特征。在训练集中进行机器学习(Logistic regression,LR;Decision tree,DT;AdaBoost)模型构建。受试者工作特征曲线下面积(area under curve,AUC)、敏感性和特异性用于评估模型性能,使用列线图对模型进行可视化,决策曲线分析法检验模型应用效能。结果:共纳入75例患者,随机分为两组,训练集52例,验证集23例。在进行单因素方差分析和LASSO回归分析后,筛选出了6个放射学特征,使用机器学习方法构建预测模型。在训练集中,LR、DT、AdaBoost的模型的AUC为0.919、0.773及0.832,在验证集中为0.795、0.723及0.638。使用LR模型构建决策曲线表明,当风险阈值为0.1~0.92时,可增加患者的净效益。结论:本研究开发并验证了一个影像组学预测模型,可以预测接受SCRT/CCRT后肺癌患者的缓解概率。

关 键 词：肺癌 影像组学  人工智能 治疗反应  

分 类 号：R734.2]