临床放射学杂志

作者：刘小华, 肖立顺, 赵华硕, 李绍东, 马红, 徐凯, 席建宁, 胡春峰

单位：221002 徐州医科大学附属医院医学影像科刘小华、李绍东、马 红、徐 凯、席建宁、胡春峰; 221009 徐州医科大学公共卫生学院肖立顺、赵华硕

关键词：磁共振成像,放射组学,急性缺血性脑卒中,复发,机器学习,预测模型

基金：本研究系国家自然科学基金资助项目(编号:12001470);中国博士后科学基金面上资助项目(编号:2020M671607); 徐州市社会发展基金项目(编号:KC21267)

<b>目的</b> 探讨基于MRI放射组学的急性缺血性脑卒中(AIS)患者2年内复发风险预测模型研究。<b>方法</b> 回顾性搜集148例AIS患者的MRI和临床资料。根据患者出院后2年内复发情况分为复发组和非复发组。为了更好的验证模型性能,按7∶3的比例将样本随机分为训练集和测试集。由两名放射科医师使用MaZda软件包在颅脑扩散加权成像(DWI)MRI序列上标记病变,从图像中提取放射组学特征,并使用LASSO Logistic回归模型对放射组学特征进行降维处理。采用20种常见机器学习算法构建基于MRI放射组学特征结合临床特征的预测模型,并根据最优模型参数构建单独的MRI放射组学特征模型和临床特征模型后加以比较说明。采用敏感度、特异度和受试者工作特征曲线下面积等指标来比较模型的预测性能。<b>结果</b> 从DWI图像中的300个放射组学特征中LASSO-Logistic最终提取了14个特征。放射组学标签值在未复发和复发患者的分布差异显著(P＜0.05)。基于MRI和临床结合的模型中,XGBoost模型在测试集和训练集中均获得了较好的预测精度,且较单纯模型性能较佳。SHAP分析表明Radscore对模型的影响最大,且对AIS复发概率是正贡献;其次为高密度脂蛋白,是负贡献;然后是甘油三酯和低密度脂蛋白,为正贡献;最后是年龄和脂蛋白为正贡献;此外发现总胆固醇和性别对模型影响不大。<b>结论</b> 基于从MRI放射组学和临床指标相结合的XGBoost模型在预测AIS术后2年内的复发性能方面表现最佳。基于MRI放射组学特征与临床数据的结合提高了模型的预测性能。

来源：2024年第7期

《临床放射学》期刊编辑部

查看临床放射学杂志2024年第7期