不同机器学习模型鉴别结肠型克罗恩病与溃疡性结肠炎的价值

摘要：

目的 比较不同的机器学习模型在鉴别结肠型克罗恩病(CCD)与溃疡性结肠炎(UC)中的价值.方法 收集2019年6月至2021年12月在安徽医科大学第一附属医院消化科就诊的有完整CT小肠成像(CTE)且经病理证实炎症性肠病(IBD)患者44例(CCD 25例,UC 19例).利用ITK-Snap软件在静脉期病灶最明显肠段进行勾画,共计勾画106个病变肠段(CCD 58个、UC 48个).利用AK软件提取勾画区影像组学特征,以7:3比例随机分为训练集和测试集;对训练集用Correlation_xx和MultiVari-ate_Logistic算法进行数据降维,筛选组间差异明显的影像组学特征构建6种机器学习模型,用测试集的特征对其进行验证.结果 175种组学特征中有4种组间差异有统计学意义(P<0.05).6种模型中有4种模型曲线下面积均>0.90.训练集中邻近算法(KNN)模型鉴别CCD与UC的受试者工作特征曲线下面积(AUC)为0.958(95％CI:0.917～0.992),准确率、特异度、灵敏度分别为87.7％、100％和72.7％;在测试集的AUC为0.904(95％CI:0.792～0.996),准确率、特异度和灵敏度分别为87.9％、88.9％和86.7％.结论 4种常用的机器学习模型在鉴别CCD与UC中均有良好的表现;其中KNN模型稳定性好,准确性更高.

关键词：结肠型克罗恩病、溃疡性结肠炎、影像组学、机器学习模型

所属期刊栏目：44

分类号：R575.2;R730.56;G250.2

资助基金：安徽省学术与技术带头人科研项目2021D299

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：17-21