纹理分析机器学习模型对预测子宫内膜癌病理分级的价值

摘要：

目的 探讨基于磁共振图像纹理特征的不同机器学习模型对子宫内膜癌(EC)病理分级的预测价值.方法 回顾性分析2015年1月至2021年2月在子宫切除术前行3.0 TMR检查且病理证实为EC的188例患者资料.在其T2WI矢状位图像上手动勾画感兴趣区(ROI),使用纹理特征提取软件MaZda,获得纹理特征参数,训练并建立逻辑回归(LR)模型、随机森林(RF)模型、神经网络(NN)模型及支持向量机(SVM)模型,获得各模型对于高、中、低分化(G1、G2、G3) EC的鉴别诊断的受试者工作特征曲线(ROC)曲线下面积(AUC)、特异度、灵敏度和准确率.结果 RF模型诊断效能最佳,其鉴别G1、G2的AUC值、特异度、灵敏度、准确率分别为0.87、84％、90％、88％;NN模型分别为0.60、32％、88％、66％;SVM模型分别为0.56、16％、98％、66％;LR模型分别为0.54、12％、96％、63％.RF鉴别G1、G3的AUC值、特异度、灵敏度、准确率分别为0.90、91％、88％、90％;NN模型分别为0.89、89％、88％、89％;SVM模型分别为0.85、96％、63％、82％;LR模型分别为0.75、82％、68％、77％.RF模型鉴别G2、G3的AUC值、特异度、灵敏度、准确率分别为0.90、92％、88％、91％;NN模型分别为0.86、94％、78％、89％;SVM模型分别为0.71、93％、29％、73％;LR模型分别为0.64、81％、46％、70％.结论 基于MR图像纹理特征的不同机器学习模型对预测EC病理分级具有一定的价值.其中,RF模型具有较好的AUC值、特异度、灵敏度、准确率.

关键词：子宫内膜癌、纹理分析、机器学习

所属期刊栏目：41

资助基金：南通市社会民生科技项目MS12020045

在线出版日期：2022-03-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：121-125