关键词:
机器学习
胰腺神经内分泌肿瘤
肝转移
索凡替尼
影像组学
治疗反应
摘要:
背景索凡替尼在晚期胰腺神经内分泌肿瘤(pancreatic neuroendocrine tumors,pNETs)中显示出良好的疗效。然而,准确且无创地识别出从索凡替尼治疗中获益的患者仍具挑战性。目的建立基于影像组学的机器学习模型,用于预测索凡替尼治疗pNETs肝转移患者治疗反应,解析关键影像特征。方法回顾性收集来自7个中心的pNETs肝转移患者的增强CT门静脉期(portal venous phase,PVP)影像及临床资料。采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归筛选出非零系数关键特征,并结合Bootstrap重采样筛选稳定的影像特征。采用嵌套交叉验证策略,基于堆叠集成算法构建机器学习模型,以支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、XGBoost(eXtreme gradient boosting)3种算法作为初级分类器,次级分类器采用多层感知机(multilayer perceptron,MLP)进行融合建模,用于预测索凡替尼治疗反应(靶病灶缩小>15%定义为应答)。同时基于临床变量,通过多变量逻辑回归建立临床模型,与机器学习模型进行对比。通过受试者工作特征曲线下面积(area under the curve,AUC)、特异度、敏感度和准确率、校准曲线、决策曲线等评估模型的性能。此外,利用LASSO回归特征系数分析影像组学特征与治疗反应间的相关性。结果最终102例患者纳入本研究,应答组和无应答组的患者各51例。基于LASSO回归筛选出的5个Bootstrap重采样法中高频入选的5个核心影像组学特征构建机器学习模型,AUC为0.805、准确率为76.47%,敏感度为84.31%,其整体表现优于对应临床模型(AUC=0.623,准确率=68.40%,敏感度=74.62%)。在总体数据集中模型预测的应答组无进展生存期(progression-free survival,PFS)较无应答组更长(HR=0.573,95%CI:0.349~0.941,P<0.05)。LASSO回归筛选的关键影像学特征提示治疗前肿瘤负荷较小、血供更丰富、均质性高的患者更可能从索凡替尼治疗中获益。结论基于增强CT影像特征构建的机器学习模型显示出预测pNETs肝转移患者对索凡替尼疗效的潜力,并提示部分影像组学特征可能与预后分层相关。