文章摘要
欧阳治强， 李倩， 孙学进， 鲁毅.基于MRI-T1增强影像组学特征分析预测脑膜瘤p53基因表型[J].放射学实践,2021,(06):693-699
基于MRI-T1增强影像组学特征分析预测脑膜瘤p53基因表型
  
DOI：10.13609/j.cnki.1000-0313.2021.06.001
中文关键词: 脑膜瘤  基因,p53  磁共振成像  影像组学  机器学习  Nomogram模型
基金项目:昆明医科大学研究生创新研究群体科学基金（2020S156）
作者单位
欧阳治强， 李倩， 孙学进， 鲁毅 650032昆明，昆明医科大学第一附属医院医学影像科（欧阳治强、鲁毅、孙学进）；650032昆明，昆明医科大学第一附属医院脑功能研究室（欧阳治强、鲁毅、孙学进）；657699云南，彝良县人民医院放射科（李倩） 
摘要点击次数: 2638
全文下载次数: 3000
中文摘要:
      【摘要】目的：探究基于MRI-T1增强图像影像组学特征分析在预测脑膜瘤p53基因表型中可行性及存在的价值。方法：搜集本院2016年6月-2020年6月经术后病理及免疫组化证实脑膜瘤患者80例（p53基因野生型与突变型各40例）。将所有患者T1增强图像导入基于MATLAB R2014a平台开发IBEX图像处理软件，由两位影像科硕士研究生在上级医师指导下勾画肿瘤感兴趣区（ROI）并提取影像组学特征。对特征数据进行降维处理，再分别采用逻辑回归、决策树、支持向量机以及自适应增强4种分类学习器构建脑膜瘤p53基因表型预测模型，同时使用受试者工作特征曲线（ROC）评价各种模型预测效能。选取上述4种分类学习器中表现最佳的一种，依次构建影像特征模型、联合模型并建立脑膜瘤p53基因突变风险量化评估模型（Nomogram模型）。结果：组间存在5个具有非零系数影像组学特征，4种分类学习器中SVM模型预测效能最佳，其训练集与验证集AUC（area under curve）分别为0.894和0.729；进一步纳入肿瘤强化均匀度、扩散是否受限这两个影像特征后得到联合模型AUC为0.954。Nomogram模型显示脑膜瘤出现扩散受限、强化不均匀表现且Radiomics值越高时患者为p53基因突变型可能性越大。结论：基于MRI-T1增强图像影像组学特征分析结合影像特征建立联合模型对脑膜瘤p53基因表型具有较好预测价值，而最终构建Nomogram预测模型能对脑膜瘤p53基因突变风险进行量化评分的同时也为个体化评估脑膜瘤内生物学特性提供了有用参考依据。
      
查看全文   下载PDF阅读器
关闭