2D 与 3D CT 放射组学特征在胃癌表征中的性能比较：一项多中心研究
摘要
目的：放射组学作为新兴的医学图像分析工具，在精准表征胃癌（GC）方面具有潜力。使用单切片 2D 标注还是全体积 3D 标注长期存在争议，尤其对于异质性 GC。我们通过三项任务全面比较了 2D 与 3D 放射组学特征的表征与判别能力。方法：回顾性纳入四中心 539 名 GC 患者并划分为训练与验证队列。从放射科医生标注的 2D 或 3D 感兴趣区域（ROI）中分别提取放射组学特征。针对两种模态（2D 或 3D）与三项任务的每种组合定制特征选择与模型构建流程。随后导出并评估六个机器学习模型（Model_2D^LNM、Model_3D^LNM；Model_2D^LVI、Model_3D^LVI；Model_2D^pT、Model_3D^pT）以反映模态在表征 GC 中的性能。此外，我们进行了辅助实验以评估重采样间距不同时模态的性能。结果：关于三项任务，所得曲线下面积（AUC）为：Model_2D^LNM 的 0.712（95% 置信区间，0.613-0.811）、Model_3D^LNM 的 0.680（0.584-0.775）；Model_2D^LVI 的 0.677（0.595-0.761）、Model_3D^LVI 的 0.615（0.528-0.703）；Model_2D^pT 的 0.840（0.779-0.901）、Model_3D^pT 的 0.813（0.747-0.879）。且辅助实验表明，在不同重采样间距下 Models_2D 较 Models_3D 具有统计显著优势。结论：由 2D 放射组学特征构建的模型在表征 GC 中展现出与 3D 特征构建模型相当的性能。意义：我们的工作表明省时的 2D 标注将是 GC 中更优选择，并为进一步基于放射组学的研究提供了相关参考。
引用
@article{arxiv.2210.16640,
title = {2D and 3D CT Radiomic Features Performance Comparison in Characterization of Gastric Cancer: A Multi-center Study},
author = {Lingwei Meng and Di Dong and Xin Chen and Mengjie Fang and Rongpin Wang and Jing Li and Zaiyi Liu and Jie Tian},
journal= {arXiv preprint arXiv:2210.16640},
year = {2022}
}
备注
Published in IEEE Journal of Biomedical and Health Informatics