Sci Rep：中国学者研究---比较评估基于机器学习的影像组学模型预测局部进展期胃癌网膜转移的能力

胃癌是全球最常见的恶性肿瘤之一。胃癌的发病率和死亡率在全球范围内分别排在第5位和第4位，在中国排在第3位。近年来，胃癌的治疗选择明显扩大，包括手术、化疗、靶向治疗和免疫治疗；但根治性手术仍是局部进展期胃癌(LAGC)的主要治疗方式。这项研究探讨了机器学习算法对LAGC大网膜转移的预测能力，并比较各种机器学习预测模型的性能指标。

回顾性分析478例经病理证实的LAGC患者的临床及动脉期CT影像资料。使用3D Slicer软件提取影像组学特征。通过lasso回归进一步筛选临床和影像组学特征。选取临床和影像组学特征，使用支持向量机(SVM)、决策树(DT)、随机森林(RF)、k近邻(KNN)和logistic回归(LR)构建大网膜转移预测模型。模型的性能指标包括准确度、受试者工作特征曲线下面积(AUC)、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)。

在训练集中，RF预测模型在准确率、AUC、灵敏度、特异度、PPV和NPV方面均优于LR、SVM、DT和KNN。与其他4种预测模型相比，RF模型显著提高了PPV。在测试队列中，所有5个机器学习预测模型均显示出较低的PPVs。DT模型相对于其他模型表现出最显著的性能指标变化，灵敏度为0.231，特异性为0.990。与其他4种预测模型相比，基于lr的预测模型的PPV最低，为0.210。在外部验证队列中，预测模型的性能指标与测试队列的性能指标基本一致。

这项研究的结果表明，在使用不平衡的二分类样本构建局部进展期胃癌大网膜转移预测模型时，基于LR的模型存在PPV低、假阳性率高的缺点。在机器学习算法中，与LR、SVM和KNN模型相比，随机森林预测模型显示出更高的准确率，同时提高了预测模型的PPV，降低了假阳性率。这使得该模型在临床治疗决策过程中的应用更具实用性。

原始出处：

Wu A, Luo L, Zeng Q, Wu C, Shu X, Huang P, Wang Z, Hu T, Feng Z, Tu Y, Zhu Y, Cao Y, Li Z. Comparative assessment of the capability of machine learning-based radiomic models for predicting omental metastasis in locally advanced gastric cancer. Sci Rep. 2024 Jul 13;14(1):16208. doi: 10.1038/s41598-024-66979-x. PMID: 39003337; PMCID: PMC11246510.