论文部分内容阅读
目的:基于常规MRI影像组学建立机器学习模型,探讨模型在预测脑胶质瘤术前分级中的临床价值。方法:回顾性搜集经病理证实的211例脑胶质瘤患者的临床及影像资料,包括世界卫生组织Ⅱ级65例、Ⅲ级61例、Ⅳ级85例。所有患者术前均行MRI检查,包括轴位T2加权图像(T2WI)、三维对比增强T1加权图像(3D-CET1WI)。对肿瘤感兴趣区进行逐层手动勾画并插值成感兴趣容积后进行影像组学特征提取,包括一阶统计特征、形状特征、纹理特征及基于过滤器类。采用方差选择法、单变量选择法、最小绝对收缩选择算子对特征筛选降维。纳入样本随机分离,训练集样本和验证集样本的比值为9:1。建立支持向量机(SVM)、极限梯度增强树(XGBoost)、K邻近(KNN)机器学习模型,通过模型对胶质瘤Ⅱ、Ⅲ、Ⅳ级进行预测,并计算模型曲线下面积(AUC)、敏感性、特异性。结果:基于T2WI建立的机器学习模型预测胶质瘤分级的AUC:KNN模型预测胶质瘤Ⅱ、Ⅲ、Ⅳ级的AUC分别为0.619、0.750及0.868,SVM模型预测胶质瘤Ⅱ、Ⅲ、Ⅳ级的AUC分别为0.648、0.781及0.863,XG Boost模型预测胶质瘤Ⅱ、Ⅲ、Ⅳ级的AUC分别为0.667、0.677及0.838。基于3D-CET1WI建立的机器学习模型预测胶质瘤分级的AUC:KNN模型预测胶质瘤Ⅱ、Ⅲ、Ⅳ级的AUC分别为0.890、0.787及0.833,SVM模型预测胶质瘤Ⅱ、Ⅲ、Ⅳ级的AUC分别为0.933、0.896及0.863,XGBoost模型预测胶质瘤Ⅱ、Ⅲ、Ⅳ级的AUC分别为0.895、0.865及0.778。基于联合序列建立的机器学习模型预测胶质瘤分级的AUC:KNN模型预测胶质瘤Ⅱ、Ⅲ、Ⅳ级的AUC分别为0.917、0.757及0.960,SVM模型预测胶质瘤Ⅱ、Ⅲ、Ⅳ级的AUC分别为0.949、0.829及0.989,XGBoost模型预测胶质瘤Ⅱ、Ⅲ、Ⅳ级的AUC分别为0.795、0.700及0.977。基于联合序列建立的较佳机器学习模型的性能优于单个序列;基于3D-CET1WI建立的机器学习模型的性能优于T2WI;基于联合序列建立的SVM模型的性能最佳。结论:MRI影像组学建立的机器学习模型在预测胶质瘤分级中有临床价值,影像组学参数可以作为潜在的影像学标记物辅助临床进行肿瘤术前分级。