临床放射学杂志

作者：成东亮, 关炜, 文戈, 冯红梅, 刘健萍, 张文强, 吴耀忠, 高明勇

单位：528000 佛山市第一人民医院影像科成东亮、冯红梅、刘健萍、张文强、吴耀忠、高明勇;核医学科关 炜;510515 广州,南方医科大学南方医院影像教研室文 戈

关键词：低骨量,IDEAL-IQ,影像组学,机器学习

基金：本研究系佛山市卫生健康局医学科研项目(编号:20220050);佛山市“十四五”高水平医学重点专科项目(编号:FSGSP145036)

<b>目的</b> 探讨基于MRI最小二乘法迭代水脂分离定量技术(IDEAL-IQ)序列的影像组学模型对识别腰椎椎体低骨量的价值。<b>方法</b> 搜集2019年1月至2022年2月经双能X线吸收测定法(DXA)诊断腰椎椎体低骨量的患者40例,为低骨量组,另纳入同期经DXA诊断腰椎椎体骨密度在正常参考值范围内,且年龄及性别与低骨量组相匹配的健康志愿者66名,为正常对照组,两组均接受IDEAL-IQ序列扫描。根据DXA结果,最终530个椎体符合研究标准,包括正常椎体330个椎体,低骨量椎体200个。应用MaZda软件在每个腰椎椎体上进行感兴趣区(ROI)勾画,然后提取279个影像组学特征,将530个椎体按照分层随机抽样方法以7∶3的比例分为训练集和验证集,采用两样本t检验、Mann-Whitney U检验进行特征降维,后通过LASSO回归分析从保留的特征中选择最优特征子集,建立Logistic回归(LR)、随机森林(RF)、支持向量机(SVM)模型,采用受试者工作特征曲线(ROC)、曲线下面积(AUC)、准确率、敏感度和特异度评估模型预测效能,Delong检验比较不同模型的效能。<b>结果</b> 在提取的279个影像组学特征中,通过降维后最终保留24个与腰椎低骨量显著相关的影像组学特征用于构建机器学习模型;在训练集中,LR、RF、SVM模型的AUC分别为0.928、0.926、0.95;在验证集分别为0.897、0.917、0.948。经Delong检验,训练集中LR、RF、SVM模型AUC值无统计学差异(P＞0.05),验证集中SVM模型AUC值高于LR(P＝0.003),RF与SVM、LR模型AUC值无统计学差异。<b>结论</b> 基于MRI IDEAL-IQ的影像组学模型能无创、准确的评估低骨量状态,有利于早期干预,改善患者预后。

来源：2023年第4期

《临床放射学》期刊编辑部

查看临床放射学杂志2023年第4期