基于T1WI增强不同机器学习模型鉴别胶质母细胞瘤与原发性中枢神经系统淋巴瘤
目的:基于T1WI增强图像采用六种不同机器学习分类算法构建预测胶质母细胞瘤(GBM)与原发性中枢神经系统淋巴瘤(PCNSL)的模型,比较不同机器学习模型的诊断效能.方法:回顾性分析中南大学湘雅医院经病理证实的GBM 57 例和PCNSL 49 例患者的临床及影像资料.应用ITK-SNAP软件在术前T1WI增强图像手动逐层勾画瘤体感兴趣区(ROI).基于慧医汇影放射组学Radcloud平台进行ROI影像组学特征提取并采用方差阈值法(阈值>0.9)、单变量特征选择法(P<0.01)和最小绝对收缩选择算子(LASSO)进行特征降维,筛选出的特征采用支持向量机、极致梯度提升、逻辑回归(LR)、线性判别分析(LDA)、随机森林、K近邻等 6 种分类器构建影像组学预测模型.使用 5 折交叉验证方法进行验证,采用受试者工作特征曲线下面积(AUC)评估 6 种预测模型的诊断效能,模型之间AUC比较采用DeLong检验.结果:共提取 1688 个影像组学特征,经过特征降维及筛选后保留显著特征(5 折交叉验证、每组分别 25、10、31、17、14 个特征)构建预测模型,6 种模型中LDA、LR模型诊断效能最佳,在 5 折交叉验证集中LDA、LR模型平均AUC分别为 0.965、0.958,准确度为 87.8%、89.6%,敏感度为 86.0%、86.0%,特异度为 89.4%、93.0%.6 种模型AUC差异均无统计学意义(P>0.05).结论:基于T1WI增强图像影像组学特征构建机器学习模型可用于预测GBM与PCNSL且准确率较高,其中LDA、LR模型诊断效能最佳.
胶质母细胞瘤、中枢神经系统肿瘤、磁共振成像
35
R739.41;R730.264;R445.2(肿瘤学)
福建省自然科学基金面上项目;泉州市科技计划项目
2024-01-31（万方平台首次上网日期，不代表论文的发表时间）
共6页
1-6
