一种可解释的机器学习模型，结合了[18F]FDG PET/CT放射组学数据和临床特征，用于预测胃肠道淋巴瘤患者化疗后的穿孔情况：一项多中心研究

摘要

背景

胃肠道淋巴瘤（Gastrointestinal Lymphoma, GL）患者在接受化疗后出现穿孔（Perforation after Chemotherapy, PFCGL）是一种罕见但严重且危及生命的并发症。在化疗前进行早期预测对于优化治疗方案和改善预后至关重要，但目前这一任务仍然具有挑战性。本研究旨在开发一种结合临床特征和[¹⁸F]FDG PET/CT放射组学特征的机器学习（Machine Learning, ML）模型，以预测PFCGL的风险。

材料与方法

研究共纳入了257名在两家医院被诊断为胃肠道淋巴瘤的患者。收集了这些患者的临床数据和PET/CT影像。从FDG高摄取区域提取了PET/CT放射组学特征。使用了五种机器学习算法来构建预测模型，包括仅基于临床数据的模型、基于PET/CT放射组学数据的模型以及结合临床数据和PET/CT放射组学数据的模型。为了提高模型的可解释性，采用了SHapley Additive Explanations（SHAP）方法。

结果

内部训练组、内部验证组和外部验证组分别包含144名患者（平均年龄：56.90 ± 14.69岁；88名男性）、63名患者（平均年龄：61.76 ± 13.71岁；36名男性）和50名患者（平均年龄：63.28 ± 12.17岁；27名男性）。在这三组患者中，分别有22名、11名和11名被诊断为PFCGL。在临床特征方面，C反应蛋白水平升高以及T细胞非霍奇金淋巴瘤的病理类型是预测PFCGL的风险因素。SHAP分析表明，PET/CT放射组学特征对PFCGL的预测具有显著贡献。使用逻辑回归（Logistic Regression, LR）算法的临床-PET/CT模型在预测PFCGL方面表现优于仅基于临床数据的模型或使用ExtraTrees算法的PET/CT放射组学模型。这一结论通过曲线下面积（Area Under the Curve, AUC）值得到验证：训练组的AUC分别为0.918、0.872和0.857；内部验证组的AUC分别为0.858、0.795和0.849；外部验证组的AUC分别为0.852、0.770和0.807。

结论

通过将[¹⁸F]FDG PET/CT放射组学特征与临床特征相结合，并运用机器学习技术，该综合模型为评估和预测PFCGL的风险提供了具有临床实用价值的评估工具。