基于Logistic回归分析构建恶性肺结节CT人工智能技术和肿瘤标志物的预测模型

摘要

目的探讨CT人工智能技术与肿瘤标志物联合鉴别诊断恶性肺结节有效性。方法选取2018年1月至2021年1月我院收治的453例肺结节患者,根据病理学结果分为良性组(n=317)和恶性组(n=136),比较2组临床资料、CT人工智能参数、血清胃泌素释放肽前体(Gastrin-Releasing Peptide,Pro-GRP)、神经元特异性烯醇化酶(Neuron-Specific Enolase,NSE)、癌胚抗原(Carcinoembryonic Antigen,CEA)、细胞角蛋白片段19(Cytokeratin Fragment 19,CYFRA21-1)、鳞状细胞癌抗原(Squamous Cell Carcinoma Antigen,SCC),采用多因素Logistic回归方程分析恶性肺结节相关影响因素,采用R语言绘制预测恶性结节的列线图。结果恶性组吸烟史、既往肺部外恶性肿瘤史患者多于良性组(P<0.05);恶性组结节直径、恶性概率高于良性组,毛刺征、位于上叶、病灶形态不规则、空泡征表现多于良性组(P<0.05);各单独指标评估恶性肺结节价值:恶性概率的AUC大于结节直径、毛刺征、位于上叶、病灶形态不规则、空泡征(P<0.05);恶性组Pro-GRP、NSE、CEA、CYFRA21-1、SCC高于良性组(P<0.05)。多因素分析显示,吸烟史、既往肺部外恶性肿瘤史、恶性概率、Pro-GRP、NSE、CEA、CYFRA21-1、SCC均是恶性结节的相关危险因素(P<0.05)。基于以上多因素分析筛选出的各危险因素,绘制恶性肺结节的列线图预测模型,Bootstrap内部验证显示校正曲线与理想曲线拟合良好,C-index指数为0.984,AUC为0.925,敏感度为85.29%,特异性为83.91%,说明本研究列线图模型具有较好的预测能力。结论基于CT人工智能技术和Pro-GRP、NSE、CEA、CYFRA21-1、SCC构建的恶性肺结节预测模型,能准确、便捷鉴别肺结节的性质,可为临床诊疗提供参考依据。