机器学习结合影像组学特征鉴别胶质母细胞瘤与脑转移瘤

摘要：

目的 基于术前影像组学特征建立机器学习模型鉴别胶质母细胞瘤与脑转移瘤.方法 回顾性选取 105 例单发环形强化病灶患者,将患者随机分为训练组(n=58)和验证组(n=47).所有患者在术前 1 周内接受 MRI检查.使用 A.K.软件从训练组的 MRI增强扫描图像中提取影像组学特征,运用单因素分析与最小绝对收缩和选择算子(LASSO)算法筛选最佳的影像组学特征,构建机器学习模型并在验证组中检验模型的稳定性,通过绘制受试者工作特征(ROC)曲线评价机器学习模型鉴别胶质母细胞瘤和脑转移瘤的准确性.结果 根据组内相关系数(ICC)筛选出 698 个高稳定性特征(ICC>0.8),在训练组依次行正态检验(Kolmog-orov-Smirnov 检验)和方差齐性检验(Bartlett 检验),最终 LASSO 选择 10 个最佳特征用于构建机器学习模型,鉴别单发环形强化的胶质母细胞瘤和脑转移瘤.在训练组和验证组中,ROC曲线分析显示不同机器学习模型诊断准确性均>70％,支持向量机(SVM)模型在敏感性和特异性均优于其他模型.结论 基于 MR影像组学特征构建的 SVM模型可以在术前显著提高鉴别诊断胶质母细胞瘤与脑转移瘤的准确性,具有较高的稳定性.

关键词：机器学习、影像组学、胶质母细胞瘤、脑转移瘤、磁共振成像

所属期刊栏目：39

分类号：TP181;R739.41;R445.2(自动化基础理论)

在线出版日期：2023-05-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：697-700