钆塞酸二钠增强MRI影像组学和机器学习术前预测肝细胞癌微血管侵犯的价值

摘要：

目的:探讨基于钆塞酸二钠增强MRI肝胆期影像组学特征的不同机器学习模型术前预测肝细胞癌（HCC）微血管侵犯（MVI）的价值。方法:回顾性分析2015年6月至2020年6月在苏州大学附属第一医院经病理证实的132例HCC患者的资料，MVI阳性72例、阴性60例。按照7∶3的比例以随机种子法分为训练集和验证集。利用PyRadiomics软件提取肝胆期图像影像组学特征，采用最小绝对收缩和选择算子（LASSO）回归5折交叉验证法对训练集临床和影像组学特征进行筛选，得到最优特征子集，然后用6种机器学习方法（决策树、极端梯度提升、随机森林、支持向量机、广义线性模型和神经网络）构建预测模型，采用ROC曲线评估模型的预测能力，采用DeLong检验比较6种机器学习算法曲线下面积（AUC）的差异。结果:经LASSO回归筛选后获得14个特征组成最优特征子集，包括2个临床特征（肿瘤最大径和甲胎蛋白）和12个影像组学特征。训练集中基于最优特征子集构建的决策树、极端梯度提升、随机森林、支持向量机、广义线性模型和神经网络模型预测HCC MVI的AUC值分别为0.969、1.000、1.000、0.991、0.966和1.000，验证集的AUC值分别为0.781、0.890、0.920、0.806、0.684和0.703。验证集中，极端梯度提升与广义线性模型、神经网络的AUC的差异有统计学意义（
Z=2.857、3.220，
P=0.004、0.001），随机森林与支持向量机、广义线性模型和神经网络AUC的差异有统计学意义（
Z=2.371、3.190、3.967，
P=0.018、0.001、<0.001），支持向量机与广义线性模型AUC的差异有统计学意义（
Z=2.621，
P=0.009），其余机器学习模型间AUC的差异均无统计学意义（
P>0.05）。
结论:基于钆塞酸二钠增强MRI肝胆期图像的影像组学特征构建的机器学习模型可用于术前预测HCC MVI，其中，极端梯度提升和随机森林模型具有较高的预测效能。

关键词：癌，肝细胞、磁共振成像、影像组学、机器学习、微血管侵犯

所属期刊栏目：55

资助基金：国家自然科学基金81801692;国家重点研发计划2017YFC0114300;苏州市科技计划项目SYS2020125，SS2019057;苏州市民生科技示范工程SS201808;National Natural Science Foundation of China81801692;National Key R&D Program of China2017YFC0114300;Suzhou Science and Technology Plan ProjectSYS2020125, SS2019057;Suzhou Science and Technology Demonstration ProjectSS201808

在线出版日期：2023-05-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：853-858