基于平扫CT三维影像组学特征的机器学习模型检测主动脉夹层的价值

摘要：

目的 探讨基于平扫CT三维影像组学特征的机器学习模型检测主动脉夹层(aortic dissection,AD)的价值,并根据Stanford分型分析其检测Stanford A型AD的价值.方法 回顾性分析2011年7月至2022年7月间在复旦大学附属华东医院同时接受胸腹平扫和增强CT检查的患者资料.放射科医师根据增强CT图像中的表现来诊断AD.共纳入患者128例,其中AD阳性61例,AD阴性67例.采用简单随机化法,按照7∶3的比例将患者划分为训练集(n=89)和验证集(n=39).采用 3D Slicer在平扫图像上对主动脉手动勾画感兴趣区域体积(volumetric region of interest,VOI),Pyradiomics提取影像组学特征.用Spearman相关系数和最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)算法选取最优特征集,在此基础上分别构建支持向量机(support vector machine,SVM)、决策树、随机森林、极端梯度提升(extreme gradient boosting,XGBoost)、轻量梯度提升(light gradient boosting,LightGBM)和极端随机树模型,在验证集中分别对其检测AD和Stanford A型AD的效能进行验证.评价指标包括受试者操作特征曲线下面积(area under the receiver operating characteristic curve,AUC)、F1分数、准确度、召回率.结果 在训练集中筛选出35个影像组学特征,基于这35个组学特征建立的机器学习模型中,XGBoost模型在检测AD上性能最优;在验证集中,XGBoost模型的AUC、F1分数、准确度和召回率分别为0.982、0.960、96.2%和100.0%.进一步探究影像组学机器学习模型对Stanford A型AD的检测效能时,在训练集中筛选出14个影像组学特征,在基于这14个组学特征构建的机器学习模型中,随机森林模型的检测效能最好;在验证集中,随机森林模型的AUC、F1分数、准确度和召回率分别为0.852、0.625、76.9%和100.0%.结论 基于平扫CT三维影像组学特征的机器学习模型可用于检测AD及Stanford A型AD.

关键词：主动脉夹层(AD)、机器学习、影像组学、CT、X线计算机

所属期刊栏目：50

分类号：R814(放射医学)

在线出版日期：2023-10-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：723-730,742