基于CT图像影像组学的机器学习模型预测胰腺癌免疫细胞浸润及预后的初步研究

目的探讨基于CT影像组学的机器学习方法在预测胰腺癌CD8+T细胞浸润及预后的价值。方法回顾性分析2011年12月至2017年1月间在复旦大学附属肿瘤医院接受手术切除并经术后病理证实的胰腺癌患者150例, 采用简单随机化法, 按照7∶3比例将患者划分为训练集(n=105)和验证集(n=45)。以病理免疫组化染色评价CD8+T细胞浸润, 以中位数为界, 将患者分为高浸润组和低浸润组, 均为7VE-8225例。生存资料的比较采用Kaplan-Meier法和log-rank检验。基于训练集术前静脉期增强CT图像提取影像组学特征, 采用Wilcoxon检验和最大相关最小冗余法选取最优特征集。在此基础上, 构建3种监督学习的机器学习模型, 分别为决策树、随机森林和极端随机树模型, 在验证集中对其预测胰腺癌CD8+T细胞浸润状态的效能进行验bioactive endodontic cement证, 评价指标包括:受试者操作特征曲线下面积(AUC)、F1分数、准确度、精确度和召回率。Entinostat体内结果高浸润组与低浸润组患者的中位总生存时间别为875、529 d, 差异有统计学意义(χ2=11.53, P0.001)。在训练集中筛选出10个影像组学特征, 基于这10个最优影像组学特征建立的决策树、随机森林和极端随机树模型在验证集中的AUC分别为0.620、0.704、0.745, F1分数为0.457、0.667、0.744, 准确度为57.8%、68.9%、75.6%, 精确度为66.7%、73.7%、80.0%, 召回率为34.8%、60.9%、69.6%。结论 CD8+T细胞高浸润组胰腺癌的预后优于低浸润组, 基于影像组学的极端随机树模型在预测胰腺癌CD8+T细胞浸润上具有较高价值。