| 刘小芳，汪清华，杨洪安，肖琼，廖建，高阳，谭永明.基于多序列MRI影像组学评分及临床参数预测肝细胞癌微血管浸润的nomogram模型研究[J].放射学实践,2023,(08):1018-1025 |
| 基于多序列MRI影像组学评分及临床参数预测肝细胞癌微血管浸润的nomogram模型研究 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2023.08.011 |
| 中文关键词: 影像组学 磁共振成像 肝细胞癌 微血管浸润 机器学习 预测模型 |
| 基金项目:江西省医学影像临床研究中心项目（20223BCG74001）；江西省研究生创新专项资金项目（YC2023-B078） |
|
| 摘要点击次数: 601 |
| 全文下载次数: 637 |
| 中文摘要: |
| 【摘要】目的：基于肝细胞癌（HCC）患者的临床资料及多模态肝脏影像组学分析建立机器学习模型，探讨此模型术前预测HCC微血管浸润（MVI）的价值。方法：回顾性分析2020年3月－2021年9月在本院经病理证实为原发性HCC的130例患者的术前肝脏MRI及临床资料。基于病理检查结果，将患者分为MVI阳性组及MVI阴性组。记录患者的各项术前临床资料。所有患者术前行MRI检查，检查序列包括T2WI、DWI和ADC以及Gd-EOB-DTPA对比增强动脉期、门脉期、延迟期和肝胆期T1WI共7个序列。由放射科医师评估肿瘤的常规影像特征。自7个序列的图像上分别提取影像组学特征并进行降维，然后采用线性支持向量机（SVM）方法构建预测MVI的预测模型。再将所有序列图像提取的特征整合，经降维分析后最终筛选出6个最佳组学特征并采用线性SVM方法构建多序列联合组学模型，然后基于此多序列联合组学模型计算每例患者的放射组学评分（Radscore）作为后续建模特征。最后共采用了5种机器学习算法对上述三类资料（即临床资料、常规影像特征、组学特征）中筛选出的特征进行综合模型的构建，包括线性的支持向量机（linear SVM）、带rbf核函数的支持向量机（rbf-SVM）、逻辑回归（LR）、随机森林（RF）和XGBoost（XGB）。采用ROC曲线及概率校准曲线验证并评估单一或联合模型预测MVI的效能，根据受试者工作特性（ROC）曲线下面积选择最优模型。结果：临床指标及常规影像学特征中甲胎蛋白浓度、动脉期瘤周增强、肿瘤最大直径、肿瘤边缘、肿瘤生长模式、瘤内出血以及静脉侵犯征象（RVI）是MVI的独立预测因子。在7种单序列及多序列联合组学模型中，以多序列联合模型的诊断效能为最佳（在训练集中的AUC=0.913，95%CI：0.822~1.000）。建立的5个机器学习综合模型中rbf-SVM模型的预测效能最好。相较于Radscore（测试集：AUC=0.879，95%CI=0.755~1.000）、临床病理（测试集：AUC=0.629，95%CI=0.453~0.805）和常规影像特征预测模型（测试集：AUC=0.567，95%CI=0.384~0.751），Radscore结合临床-病理参数及常规影像特征构建的综合模型列线图（测试集：AUC=0.968，95%CI=0.920~1.000）表现出最优的预测效能。结论：联合临床指标、常规MRI征象及组学特征构建的多参数机器学习模型在术前预测HCC微血管浸润方面具有较高的效能，对于手术方案的制定及疾病预后的评估具有一定的指导意义。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
