文章摘要
王伟康， 陈炜越， 陈勇军， 应海峰， 夏水伟， 纪建松.基于增强T1WI影像组学特征的机器学习模型预测脑膜瘤骨侵犯：一项多中心研究[J].放射学实践,2025,(05):560-566
基于增强T1WI影像组学特征的机器学习模型预测脑膜瘤骨侵犯：一项多中心研究
  
DOI：10.13609/j.cnki.1000-0313.2025.05.001
中文关键词: 脑膜瘤  骨侵犯  影像组学  磁共振成像  列线图
基金项目:浙江省医药卫生一般项目（2024KY568）
作者单位
王伟康， 陈炜越， 陈勇军， 应海峰， 夏水伟， 纪建松 323000浙江，温州医科大学附属第五医院放射科，浙江省影像诊断与介入微创研究重点实验室（王伟康、陈炜越、应海峰、夏水伟、纪建松）；323000浙江，丽水市人民医院放射科（陈勇军） 
摘要点击次数: 276
全文下载次数: 283
中文摘要:
      【摘要】目的：探讨基于增强T1WI影像组学特征的机器学习模型术前预测脑膜瘤骨侵犯的应用价值。方法：回顾性搜集2015年1月-2023年12月经病理证实为脑膜瘤的315例患者。224例来自中心1的患者以7：3比例被随机分为训练集157例（无骨侵犯92例，骨侵犯65例）和内部测试集67例（无骨侵犯39例，骨侵犯28例）；91例（无骨侵犯59例，骨侵犯32例）来自中心2的患者作为外部测试集。在增强T1WI图像上勾画病灶并提取其影像组学特征，通过方差分析、单变量特征选择法和最小绝对收缩选择算子（LASSO）进行降维处理。采用逻辑回归、支持向量机、朴素贝叶斯和极端梯度提升决策树构建模型。选择测试集中平均曲线下面积（AUC）最高的作为最佳影像组学模型，并输出其影像组学评分。多因素logistic回归分析用于筛选临床危险因素，并进一步结合影像组学评分构建列线图模型。通过受试者工作特征曲线评估模型的预测效能。结果：最终筛选出10个与脑膜瘤骨侵犯显著相关的影像组学特征。性别和强化方式是预测脑膜瘤骨侵犯的临床危险因素。在测试集中，支持向量机的平均AUC最高（0.788）。由性别、强化方式和影像组学评分构建的列线图模型表现出最佳的预测效能，在训练集、内部测试集和外部测试集中的AUC分别为0.872、0.842和0.815。结论：基于增强T1WI影像组学特征的机器学习模型对脑膜瘤骨侵犯具有较好的预测价值，结合临床危险因素建立的列线图模型能进一步提升其效能。
      
查看全文   下载PDF阅读器
关闭