临床放射学杂志

作者：张添辉, 杜秀梅, 陈南辉, 龙曦, 杨日辉, 杨颖思, 范伟雄

单位：514031 广东省梅州市人民医院磁共振科张添辉、杜秀梅、龙 曦、杨日辉、杨颖思、范伟雄;泌尿外科陈南辉

关键词：机器学习,磁共振成像,影像组学,膀胱癌,病理分级

基金：本研究系广东省医学科研基金项目(编号:B2022151)、梅州市人民医院科研培育项目(编号:PY-C2021028)

<b>目的</b> 探讨并对比分析机器学习多种算法构建MRI影像组学模型预测膀胱癌(BCa)病理分级的效能。<b>方法</b> 回顾性分析本院2016年10月至2020年3月符合入组标准的187例膀胱癌患者。采用ITK-SNAP软件进行T₂WI、扩散加权成像(DWI)及表观扩散系数(ADC)图像上的感兴趣区分割,通过AK软件提取MRI影像组学特征。依次采用最大相关最小冗余(mRMR)、最小绝对收缩和选择法(LASSO)及支持向量机-递归特征消除法(SVM-RFE)筛选出最优特征集,分别采用决策树(DT)、逻辑回归(LR)、K最近邻(KNN)、支持向量机(SVM)、多层感知机(MLP)、可解释增强机(EBM)、随机森林(RF)等7种机器学习算法构建MRI影像组学预测模型。绘制不同模型的受试者工作特征曲线(ROC),并计算曲线下面积(AUC)、准确度、敏感度和特异度评估模型的效能。<b>结果</b> 通过T₂WI、DWI及ADC图像共提取了3948个组学特征,依次采用mRMR、LASSO及SVM-RFE算法降维筛选出最优特征集,包括T₂WI_wavelet-LLL_glszm_Size Zone Non Uniformity Normalized、DWI_wavelet-HLH_glszm_Gray Level Variance、DWI_original_first order_Interquartile Range、ADC_wavelet-HHH_first order_Kurtosis、ADC_exponential_glrlm_Run Length Non Uniformity Normalized。采用DT、LR、KNN、SVM、MLP、EBM、RF等7种机器学习算法构建MRI影像组学模型,在训练集预测BCa病理分级的AUC值分别为0.832、0.831、0.844、0.893、0.923、0.993、0.937,在测试集分别为0.765、0.796、0.810、0.829、0.830、0.903、0.929。其中,在测试集中RF模型的AUC值最高,EBM的AUC值次之,且Delong检验显示RF模型与EBM模型之间AUC值的差异无统计学意义(P＞0.05)。<b>结论</b> 基于机器学习多种算法构建的MRI影像组学模型对BCa病理分级均具有良好的预测效能,且RF与EBM模型可作为预测BCa病理分级的优选模型。

来源：2024年第11期

《临床放射学》期刊编辑部

查看临床放射学杂志2024年第11期