查看更多>>摘要：目的:探讨基于多参数磁共振成像(multi-participant magnetic resonance imaging,mpMRI)的影像组学模型对前列腺癌Gleason分级的应用价值.方法:回顾并分析2020年11月—2023年8月在马鞍山市人民医院行前列腺MRI检查且经穿刺活检或术后病理学检查证实为前列腺癌的患者资料.提取mpMRI图像数据,包括T2加权成像(T2-weighted imaging,T2WI)、小视野弥散加权成像(zoomed imaging technique with parallel transmission diffusion-weighted imaging,ZOOMit DWI)、表观弥散系数(apparent diffusion coefficient,ADC).采用Spearman相关系数初步筛选组学特征,采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法及10折交叉验证进一步筛选,采用logistic回归构建模型,使用受试者工作特征(receiver operating characteristic,ROC)曲线判断模型的诊断效能,使用DeLong检验比较模型间曲线下面积(area under curve,AUC).结果:共纳入176例患者,包括低级别组72例(Gleason评分≤3+4),高级别组104例(Gleason 评分≥4+3),按7∶3随机分成训练集(n=141)和测试集(n=35).应用多种分类器对多参数模型进行构建,结果显示支持向量机(support vector machine,SVM)在测试集中AUC为0.891,训练集中AUC为0.905.轻量级梯度提升机(light gradient boosting machine,LightGBM)在训练集中AUC最高,为0.931;但其在测试集中表现欠佳,AUC为0.808.多层感知机(multilayer perceptron,MLP)在测试集和训练集中AUC可分别达到0.883、0.855,整体弱于SVM;可见LightGBM和MLP模型稳定性相较于SVM来说略差.另外K紧邻(k-nearest neighbor,KNN)、极度随机树(extra trees,ET)、随机森林(random forest,RF)、极度梯度提升(extreme gradient boosting,XGBoost)这4种方法的整体效能也都不如SVM,且部分存在过拟合.综合而言,在前列腺癌Gleason分级方面,SVM模型无论测试集还是训练集AUC均较高,其稳定性以及模型分级能力更好.结论:基于mpMRI构建多模态影像组学模型在前列腺癌Gleason分级中有较大的临床应用价值,其中以SVM模型为最佳.
万方数据
维普