目的 探讨构建基于MRI的多模态瘤内瘤周影像组学模型,用于术前舌良恶性肿瘤的鉴别.方法 本研究纳入124 例经病理证实的舌肿瘤患者(训练队列n=100;试验队列n=24),依次提取每位患者T2 脂肪抑制序列(Fat saturated T2 weighted imaging,FS-T2WI)及对比增强 T1 加权成像(Contrastenhanced T1 weighted imaging,CE-T1WI)图像中瘤内及瘤周0～1.5 mm、＞1.5～3 mm、＞3～4.5 mm范围影像组学特征.经过Pearson相关分析及最小绝对收缩和选择算法(LASSO)降维后,采用 8 种机器学习算法:Logistic回归(LR)、支持向量机(SVM)、K最近邻(KNN)、随机森林(RandomForest),极度随机森林(Ex-traTrees)、多层感知器模型(MLP)和决策树模型(XGBoost、LightGBM)构建影像组学二分类模型.应用单因素Logistic回归分析临床放射学特征并确定变量以建立临床模型.将组学特征和临床特征结合建立两者的组合模型,并开发了列线图将模型可视化,采用受试者工作特征(ROC)曲线评价模型性能,采用校准曲线和决策曲线评估模型的临床价值.结果 每个患者各提取MRI图像的 856 个影像组学特征.降维后剩余 27 个影像组学特征,其中占比最多的是瘤周 3.0～4.5 mm区域特征,其次是肿瘤内部区域特征.在影像组学模型中,LR模型具有较高的预测效率和稳健性,其AUC:训练组 0.988、测试组 0.912,并且优于临床模型.联合模型的鉴别能力较单一模型更高(训练组AUC=0.994,测试组AUC=0.912),决策曲线分析(DCA)提示联合模型具有最佳临床效能.结论 结合瘤内瘤周影像组学特征和临床特征的联合模型对舌肿瘤良恶性的鉴别能力较好,可为临床决策提供一种无创、有效的方法.
万方数据
维普
