影像组学结合机器学习在鉴别脊柱结核与转移瘤中的价值研究
目的 分析脊柱结核(TBS)与脊柱转移瘤(MST)患者受累椎体的MRI表现与影像组学特征,评价基于MRI特征的逻辑回归(Logistic)模型与基于影像组学特征的机器学习模型的诊断效能.方法 搜集本院经病原学检查与手术病理证实的TBS与MST患者,利用Logistic分析MRI特征.提取受累椎体T2WI脂肪抑制序列(T2-FS)的影像组学特征,组内相关系数(ICC)评价组学特征值测量的可重复性.依次使用t 检验、SelectKBest以及最小绝对收缩和选择算子(LASSO)筛选特征.利用交叉验证(CV)划分数据集,随机森林(RF)及支持向量机(SVM)模型在训练集上进行监督学习,在测试集上进行评价,并与Logistic模型相比较.受试者工作特征(ROC)曲线及决策曲线分析(DCA)分别用来评价机器学习的分类效能及实际临床净收益,校准曲线评估模型的预测误差,Z检验用来比较ROC曲线下面积(AUC)之间的差异.结果 101例患者被纳入样本(51例TBS,50例MST),筛选到3个MRI特征构建Logistic模型,6个影像组学特征(ICC均＞0.75)进行机器学习.训练集上RF的AUC为0.997(95％CI 0.994～1.000),SVM 为 0.991(95％CI 0.981～1.000),差异无统计学意义(P=0.250).Logistic 的 AUC 为0.871(95％CI 0.800～0.941),低于测试集上的 RF:0.993(95％CI 0.986～1.000)与 SVM:0.989(95％CI 0.979～1.000)(P均＜0.05).DCA表明,RF的净获益优于SVM,优于Logistic.校准曲线显示三个模型预测概率与真实概率间的差异无统计学意义(P均＞0.05),预测误差均值分别为0.019(RF)、0.019(SVM)、0.052(Logistic).结论 基于受累椎体的影像组学特征进行机器学习鉴别TBS与MST是可行的,其结果优于基于MRI特征的Logistic模型,对于术前减少侵入性检查与指导治疗有着重大意义.
影像组学、机器学习、脊柱、结核、转移瘤
41
R734.2;R445.2;TP301.6
山西省回国留学人员科研资助项目2014-077
2022-07-26（万方平台首次上网日期，不代表论文的发表时间）
共7页
1110-1116
