刘晋 王艺 汪琴 王宇翔 贺兰 季利君 王斐 熊敏超
目的:基于人工智能(Artificial Intelligence, AI)与影像组学构建低剂量 CT 肺癌筛查模型,并对该模型进行验证。方法:收集 2020 年 1 月至 2025 年 6 月鄂州市中心医院 460 例肺结节患者资料,按照 7:3 的比例分为训练集(322 例)、验证集(138 例)。322 例训练集患者根据病理结果分为良性组(217 例良性结节)和恶性组(105 例恶性结节),比较两组临床资料,LASSO 回归筛选影像组学特征,多因素 Logistic 回归分析肺癌的影响因素,构建训练集、验证集逻辑回归(Logistic Regression, LR)模型、支持向量机(Support Vector Machine, SVM)模型、极端梯度提升(eXtreme Gradient Boosting, XGBoost)模型、k 最近邻(k-Nearest Neighbors, KNN)模型,采用受试者工作特征曲线(Receiver Operating Characteristic Curve, ROC)评估模型效能。结果:恶性组与良性组胸膜凹陷征、血管集束征、支气管征、毛刺征、细胞角蛋白 19 片段抗原 21-1 (Cytokeratin 19 Fragment Antigen 21-1,CYFRA21-1)、癌胚抗原(Carcinoembryonic Antigen, CEA)比较,差异具有统计学意义(P < 0.05);LASSO 回归筛选出 7 个影像组学特征,构建影像组学评分;胸膜凹陷征(OR=4.843,95%CI:2.685 ~ 8.737)、血管集束征(OR=7.586,95%CI:3.658 ~ 15.732)、支气管征(OR=4.007, 95%CI:2.257 ~ 7.115)、毛刺征(OR=3.014,95%CI:1.659 ~ 5.477)、CYFRA21-1(OR=1.480,95%CI: 1.136 ~ 1.927)、CEA(OR=1.399,95% CI:1.237 ~ 1.582)及影像组学评分(OR=2.076,95% CI:1.584 ~2.721)均是肺癌的影响因素(P < 0.05);训练集、验证集结果显示,XGBoost 模型的 AUC 值最大,明显大于 LR、 SVM、KNN 模型。结论:肺癌的影响因素较多,基于上述因素构建的肺癌筛查模型中 XGBoost 模型具有良好的诊断效能。