| 郑月,范松梅,袁梦晨,刘译阳,尤亚茹,寇松子,程震,李莉明,高剑波.基于双能CT定量参数机器学习模型预测胃癌新辅助免疫化疗病理反应[J].中国介入影像与治疗学,2025,22(12):769-774 |
| 基于双能CT定量参数机器学习模型预测胃癌新辅助免疫化疗病理反应 |
| Machine learning models based on dual-energy CT quantitative parameters for predicting pathological response of gastric cancer to neoadjuvant immunochemotherapy |
| 投稿时间：2025-08-28 修订日期：2025-10-05 |
| DOI：10.13929/j.issn.1672-8475.2025.12.004 |
| 中文关键词: 胃肿瘤 体层摄影术,X线计算机 新辅助治疗 机器学习 |
| 英文关键词:stomach neoplasms tomography,X-ray computed neoadjuvant therapy machine learning |
| 基金项目:国家自然科学基金（81971615）、河南省科技发展计划项目（242102311026）。 |
| 作者 | 单位 | E-mail | | 郑月 | 郑州大学第一附属医院放射科, 河南郑州 450052
河南省医学影像国际联合实验室, 河南 郑州 450052
河南省消化肿瘤影像重点实验室, 河南 郑州 450052
河南省CT影像重点实验室, 河南郑州 450052 | | | 范松梅 | 郑州大学第一附属医院放射科, 河南郑州 450052
河南省医学影像国际联合实验室, 河南 郑州 450052
河南省消化肿瘤影像重点实验室, 河南 郑州 450052
河南省CT影像重点实验室, 河南郑州 450052 | | | 袁梦晨 | 郑州大学第一附属医院放射科, 河南郑州 450052
河南省医学影像国际联合实验室, 河南 郑州 450052
河南省消化肿瘤影像重点实验室, 河南 郑州 450052
河南省CT影像重点实验室, 河南郑州 450052 | | | 刘译阳 | 郑州大学第一附属医院放射科, 河南郑州 450052
河南省医学影像国际联合实验室, 河南 郑州 450052
河南省消化肿瘤影像重点实验室, 河南 郑州 450052
河南省CT影像重点实验室, 河南郑州 450052 | | | 尤亚茹 | 郑州大学第一附属医院放射科, 河南郑州 450052
河南省医学影像国际联合实验室, 河南 郑州 450052
河南省消化肿瘤影像重点实验室, 河南 郑州 450052
河南省CT影像重点实验室, 河南郑州 450052 | | | 寇松子 | 郑州大学第一附属医院病理科, 河南郑州 450052 | | | 程震 | 郑州大学第一附属医院放射科, 河南郑州 450052
河南省医学影像国际联合实验室, 河南 郑州 450052
河南省消化肿瘤影像重点实验室, 河南 郑州 450052
河南省CT影像重点实验室, 河南郑州 450052 | | | 李莉明 | 郑州大学第一附属医院放射科, 河南郑州 450052
河南省医学影像国际联合实验室, 河南 郑州 450052
河南省消化肿瘤影像重点实验室, 河南 郑州 450052
河南省CT影像重点实验室, 河南郑州 450052 | | | 高剑波 | 郑州大学第一附属医院放射科, 河南郑州 450052
河南省医学影像国际联合实验室, 河南 郑州 450052
河南省消化肿瘤影像重点实验室, 河南 郑州 450052
河南省CT影像重点实验室, 河南郑州 450052 | cjr.gaojianbo@vip.163.com |
|
| 摘要点击次数: 181 |
| 全文下载次数: 18 |
| 中文摘要: |
| 目的 观察基于双能CT定量参数机器学习（ML）模型预测胃癌新辅助免疫化疗（nICT）病理反应的价值。方法 回顾性纳入125例接受nICT的胃癌患者，随机以75例为训练集并根据肿瘤退缩分级（TGR）分为病理缓解良好（GR）亚组（TRG 0～1级，n=35）与病理缓解不良（PR）亚组（TRG 2～3级，n=40），以另外50例为验证集。比较训练集内亚组间双能CT定量参数，筛选与GR相关者，并分别以多层感知器（MLP）、随机森林（RF）、决策树（DT）、支持向量机（SVM）、极限梯度提升（XGBoost）及逻辑回归（LR）建立ML模型；以受试者工作特征曲线下面积（AUC）筛选预测效能最佳者。结果 GR亚组肿瘤静脉期（VP）标准化碘浓度（NIC）、动脉期（AP）及VP 100 keV CT值、AP及VP 140 keV CT值均小于PR亚组（P均＜0.05）。经Spearman相关分析后将AP 140 keV CT值、VP 140 keV CT值及VP NIC纳入模型，结果显示MLP及LR模型预测训练集和验证集胃癌nICT病理反应的AUC均＞0.7，均为最优模型，而RF、DT、SVM、XGBoost模型均存在过拟合或效能不稳定。结论 基于双能CT定量参数构建的MLP及LR模型可用于预测胃癌nICT病理反应。 |
| 英文摘要: |
| Objective To observe the value of machine learning （ML） models based on dual-energy CT quantitative parameters for predicting pathological response of gastric cancer to neoadjuvant immunochemotherapy （nICT） . Methods Totally 125 gastric cancer patients who underwent nICT were retrospectively enrolled. Seventy-five cases were randomly assigned to training set and further stratified according to tumor regression grade （TGR） into good response （GR） subgroup （TRG 0—1 grade， n=35） and poor response （PR） subgroup （TRG 2—3 grade， n=40）， and the rest 50 cases were taken as validation set. Dual-energy CT quantitative parameters were measured， calculated and compared between subgroups in training set， and those associated with GR were selected to construct ML models using multilayer perceptron （MLP）， random forest （RF）， decision tree （DT）， support vector machine （SVM）， extreme gradient boosting （XGBoost） and logistic regression （LR）. Then receiver operating characteristic curves were drawn， and the area under the curve（AUC） was used to identify the best ML model. Results Venous phase （VP） normalized iodine concentration （NIC）， arterial phase（AP） and VP 100 keV CT values， and AP and VP 140 keV CT values of tumors in GR subgroup were all lower than those in PR subgroup （all P＜0.05）. After Spearman correlation analysis， AP 140 keV CT values， VP 140 keV CT values and VP NIC were selected for constructing models. MLP and LR models achieved AUC greater than 0.7 for predicting pathological response of gastric cancer to nICT in both training and validation sets， hence both being the optimal models， whereas RF， DT， SVM and XGBoost models exhibited overfitting or inconsistent performance. Conclusion MLP and LR models constructed based on dual-energy CT quantitative parameters could be used to predict pathological response of gastric cancer to nICT. |
| 查看全文 查看/发表评论 下载PDF阅读器 |
| 关闭 |
|
|
|
