Die Studie des Nomogramm-Modells basierend auf CT-Radiomics und klinischen Merkmalen zur histologischen Klassifikation von Speicheldrüsentumoren.

Die genaue präoperative Identifizierung der pathologischen Typen von Speicheldrüsentumoren ist entscheidend für die Formulierung von Behandlungsentscheidungen. Die Studie zielt darauf ab, ein auf CT basierendes Radiomics-Nomogramm zu entwickeln und zu validieren, das Radiomics-Signaturen und klinische Faktoren kombiniert, und die Wirksamkeit verschiedener Modelle bei der Klassifikation von Speicheldrüsentumoren zu bewerten. Insgesamt wurden 427 Patienten mit Speicheldrüsentumoren zufällig in eine Trainingsgruppe und eine Testgruppe im Verhältnis 7:3 eingeteilt. Radiomische Merkmale wurden mithilfe von ANOVA und der LASSO-Regression ausgewählt. Dreistufige Machine-Learning-Modelle wurden unter Verwendung von drei gängigen Klassifizierern (LR, SVM und XGBoost) konstruiert, um die Speicheldrüsentumoren in vier Subtypen zu klassifizieren. Die Radiomics-Signatur wurde unter Verwendung des optimalen Radiomics-Modells konstruiert, und ein Radiomics-Score (Rad-Score) wurde berechnet. Klinische Daten und CT-Merkmale wurden ausgewertet, um ein Modell der klinischen Faktoren zu erstellen. Ein Radiomics-Nomogramm, das die unabhängigen klinischen Faktoren und den Rad-Score integriert, wurde erstellt. Die Bewertung der Leistung dieser Modelle erfolgte unter Verwendung von Receiver Operating Characteristics (ROC)-Kurven (AUC) und Kalibrierungskurven, und die klinische Nützlichkeit dieser Modelle wurde durch Entscheidungsdiagrammanalysen (DCA) bewertet. In jedem Schritt des dreistufigen Verfahrens wurden jeweils siebenundzwanzig, zwölf und dreizehn wertvolle Merkmale ausgewählt. Und das Radiomics-Modell, das auf den Klassifizierern LR, SVM und LR basierte, erzielte die höchste AUC bei der Differenzierung von BPGTs von MPGTs (AUC = 0,838), PA von WT PA vs. WT WT vs. BCA, AUC = 0,925). Die Kalibrierungskurve und die DCA zeigten, dass das kombinierte Nomogramm eine überlegene prädiktive Leistung im Vergleich zum Radiomics-Modell und dem Modell der klinischen Faktoren zeigte. Das vorgeschlagene Nomogramm von Radiomics kombiniert mit klinischen Modellen hat einen hohen klinischen Wert für die präoperative Klassifikation von Speicheldrüsentumoren, das vielversprechend dazu beitragen könnte, Kliniker bei der genauen präoperativen Diagnose und der Formulierung personalisierter Behandlungsstrategien zu unterstützen.