| 江少凡，宋阳，薛蕴菁，蒋日烽.基于MRI影像组学特征构建脑胶质瘤IDH1突变预测模型[J].放射学实践,2023,(12):1493-1499 |
| 基于MRI影像组学特征构建脑胶质瘤IDH1突变预测模型 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2023.12.001 |
| 中文关键词: 胶质瘤 异柠檬酸脱氢酶突变 影像组学 磁共振成像 预测模型 |
| 基金项目:福建医科大学启航基金项目（2019QH1034） |
|
| 摘要点击次数: 747 |
| 全文下载次数: 683 |
| 中文摘要: |
| 【摘要】目的：探讨基于不同MRI序列的影像组学特征构建的机器学习（ML）模型预测胶质瘤IDH1突变的价值。方法：回顾性搜集经手术病理证实的161例胶质瘤患者（70例IDH1突变型/91例野生型）的临床资料，主要包括年龄、性别、Karnofsky功能状态（KPS）评分和肿瘤的病理分级。所有患者术前行MRI检查获得T2WI、T2-FLAIR、ADC图及对比增强T1WI图像，术后病理标本均行IDH1检测。将161例患者按照7∶3的比例随机分配为训练集和测试集。由2位影像医师利用Image J软件共同对病灶在配准过的T2-FLAIR或对比增强T1WI序列上进行逐层ROI的勾画，最后形成感兴趣区容积(VOI)，然后使用FAE软件在各序列图像上提取VOI的影像组学特征，基于训练集的数据，通过均值归一化、方差分析的特征选择方法、皮尔逊相关系数的特征降维方法、4种ML分类器（线性判别分析、LASSO回归、逻辑回归、支持向量机）以及十折交叉验证法构建15种ML模型，并采用ROC曲线和Delong检验在测试集中筛选出最佳序列或序列组合；再基于最佳序列或序列组合，使用均值归一化、2种特征选择方式（方差分析、特征权重算法）、2种降维方式（皮尔逊相关系数和主成分分析法）、4种ML分类器构建了16种ML模型，通过FAE软件的one-standard error法、Delong检验和ROC曲线筛选拟合度较好且AUC最高的ML模型，并将此模型联合临床参数构建联合模型，评价各联合模型的诊断效能。结果：基于ADC图+对比增强T1WI序列组合提取的组学特征构建的4种ML模型在测试集中的AUC分别为0.888、0.872、0.896和0.877，均高于其它序列或序列组合构建的ML模型；利用此序列组合构建的16种ML模型中，以方差分析特征选择法、主成分分析方法的降维方式及分类器为LASSO回归时所构建的ML模型具有较好的拟合度且测试集中的AUC最高，为0.829（95%CI：0.658~0.966），此模型结合KPS评分和肿瘤病理分级所构建的联合模型在测试集中的AUC为0.874（95%CI：0.722~0.985）。结论：基于ADC图+对比增强T1WI序列组合提取的组学特征构建的ML模型对胶质瘤IDH1突变有具有较好的预测效能，联合KPS评分和病理分级可提高预测效能。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
