10.12015/issn.1674-8034.2023.01.018
基于MRI影像组学的机器学习模型预测前列腺癌骨转移的价值
目的本研究旨在建立并验证基于MRI的机器学习模型用于预测前列腺癌(prostate cancer,PCa)骨转移的价值.材料与方法回顾性分析2018年1月至2022年1月来自山东第一医科大学第一附属医院和山东第一医科大学附属省立医院的150名经病理证实的PCa患者的临床和MRI资料,按照7:3的比例随机分为训练集(105例)和测试集(45例),分别在每个患者的表观扩散系数(apparent diffusion coefficient,ADC)和T2脂肪抑制序列(fat saturated T2 weighted imaging,FS-T2WI)图像手动勾画肿瘤的感兴趣区并提取影像组学特征.使用组内相关系数、特征重要性及最小冗余最大相关性方法进行降维和特征筛选,筛选出的最佳特征用广义线性模型(generalized linear model,GLM)、随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和极致梯度提升(extreme gradient boosting,XGB)方法建立影像组学模型.采用受试者工作特征曲线下面积(area under the curve,AUC)、校准曲线和决策曲线分析去评估四种模型的预测性能,然后通过德隆检验比较模型之间的差异.结果获得了17个最佳特征构建机器学习模型,在训练集中,GLM、XGB、SVM和RF模型的平均AUC分别为0.714、0.845、0.768和0.858;在测试集中,对应的AUC分别为0.796、0.729、0.755和0.765.德隆检验和校准曲线表示四种模型之间没有显著差异.决策曲线分析显示四种模型的临床应用价值相近.结论基于MRI影像组学特征的GLM、XGB、SVM和RF模型能够作为一种有前景的工具预测PCa患者骨转移,为临床诊疗提供潜在的有效信息.
前列腺癌、骨转移、磁共振成像、影像组学、预测
14
R445.2;R737.25(诊断学)
2023-02-13（万方平台首次上网日期，不代表论文的发表时间）
共6页
100-104,115
