临床放射学杂志

作者：汪占金, 曹云太, 乔木, 许晓磊, 周瀛, 王海久, 杜凯豪, 任悠悠, 耿云平, 范建锋, 王展

单位：810001 青海大学临床医学院汪占金、杜凯豪;810000 青海大学附属医院曹云太、许晓磊、周 瀛、王海久、王 展;451150 郑州大学第三附属医院乔 木;473000 南阳市中心医院任悠悠、耿云平;473000 南阳市镇平县人民医院范建锋

关键词：肝囊型包虫,肝囊肿,影像组学,机器学习

基金：本研究系国家自然科学基金项目(编号:82160131);青海省科技厅项目(编号:2021-ZJ-963Q)

<b>目的</b> 开发CT平扫影像组学的机器学习分类器,鉴别CE1型肝囊型包虫病与肝囊肿。<b>方法</b> 回顾性搜集接受手术治疗的48例CE1型肝囊型包虫病患者的CT平扫影像资料以及接受治疗的119例肝囊肿患者的CT平扫影像资料用于开发分类器。同时搜集果洛和玉树地区的24例CE1型肝囊型包虫病患者与28例肝囊肿患者的CT平扫影像资料进行外部验证。通过Python进行影像标准化和重采样,以减少因不同设备和参数引起的偏倚。采用LASSO回归筛选影像特征,并随机以7∶3的比例将其分为训练集和测试集。建立包括逻辑回归(LR)、决策树(DT)、随机森林(RF)、K近邻(KNN)、Catboost、XGBoost、LightGBM、Adaboost、多层感知器(MLP)、朴素贝叶斯(GNB)等10种机器学习算法的分类器。通过3折交叉网格搜索调整超参数,优化分类器性能,最终使用AUC值、准确率、F1值、敏感度、特异度评估在测试集和验证集上的分类器性能。<b>结果</b> LASSO回归筛选出14个影像特征,包括1个形态特征、10个纹理特征和3个一阶特征。在测试集中,Catboost分类器表现出最佳性能,AUC值为97.9%,准确率为96.1%。在外部验证中,Catboost分类器的表现最优,AUC值为0.932,准确率为90.4%。<b>结论</b> 基于平扫CT影像组学区分肝囊型包虫(CE1)与肝囊肿是可行的,具有很大的潜力。Catboost分类器表现出卓越的性能,具有较强的泛化能力。

来源：2024年第9期

《临床放射学》期刊编辑部

查看临床放射学杂志2024年第9期