论文部分内容阅读
目的:本次研究拟采用不同的核磁共振(MRI)图像、不同的机器学习模型来建立胶质瘤术前分级的影像组学模型,证实与探究影像组学模型在胶质瘤术前分级中的可行性,并通过AUC、灵敏度(Sensitivity)、特异度(Specificity)等指标来评价不同诊断模型的诊断效能,旨在选取诊断效能最高的MRI图像和机器学习模型应用于胶质瘤术前分级诊断,为今后的进一步研究提供研究基础。研究方法:本研究回顾性分析中国医科大学附属第一医院2013年1月至2018年6月术前行常规MRI检查的脑胶质瘤患者93例,其中低级别胶质瘤(LGG)23例,高级别胶质瘤(HGG)70例,将DICOM格式图像导入GE-AK软件,对T2加权(T2WI)和T1增强图像进行感兴趣区(ROI)勾画,通过软件特征提取各得到243个直方图特征和纹理特征,将所有导入R语言软件包进行特征预处理和降维,得到20和22个重要特征,随后选择“Support Vector Machines with Linear Kernel”、“Random Forest”、“Logistic Regression”三种函数建立六种机器学习模型,将全部数据按照7:3比例,分为训练集与测试集,其中训练集65例(其中HGG49例,LGG16例),测试集28例(其中HGG21例,LGG7例),利用10倍交叉验证对六种模型进行训练,然后通过测试集进行验证,并绘制ROC曲线,计算其分类LGG与HGG的敏感度、特异度、受试者工作特征曲线下面积(AUC)。结果:六种影像组学模型的AUC均大于0.8,提示六种模型的诊断效能较高,基于T1增强图像的影像组学模型的AUC均大于基于T2WI图像模型的AUC,其中基于T1增强图像的RF模型的AUC最高,达到0.97。结论:影像组学诊断模型可以对胶质瘤的病理分级进行良好的区分,不同的常规MRI图像、不同的机器学习模型对诊断效能有一定影响,在未来临床应用中需采用适合的MRI图像和机器学习模型进一步提高胶质瘤术前分级的影像组学诊断模型的诊断效能。