首页|双参数MRI影像组学机器学习预测前列腺癌T分期价值研究

双参数MRI影像组学机器学习预测前列腺癌T分期价值研究

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目的:探讨双参数MRI影像组学的机器学习在预测前列腺癌T分期方面的临床应用价值。方法:选择前列腺癌217例，其中T分期为低危组155例，高危组62例。收集所有入组病例的临床及MRI影像学资料，由2名经验丰富的放射科医师与病理科医师共同讨论后，选取每例患者具有最高Gleason评分的临床显著癌进行靶病灶分析，手动勾画前列腺癌靶病灶，采用MRI扩散加权成像(DWI，b=3000 s/mm2)序列对病灶逐层勾画，横轴位T2WI用于辅助DWI图像上病灶的解剖定位及其范围的确定。而后采用NiftyReg配准软件，将T2WI和其他b值的DWI序列以b值为3000 s/mm2 DWI序列为标准进行配准。配准完成后，首先采用radiomics方法提取所有入组病例MRI不同序列的影像学特征，采用Spearman相关性分析对提取的特征与前列腺癌T分期高危组、低危组的相关性进行分析;再采用主成分分析(PCA)特征降维算法降维;以XGBoost 0。81版、Python 3。6版作为开发工具构建模型，降维后特征输入训练模型，而后输入测试集数据，以获得模型的预测能力;最后采用5折交叉验证法(训练集占4份，测试集占1份)进行交叉验证，以提高预测的准确性和模型的泛化能力。采用准确率(ACC)、精确率和召回率的调和均值(F1值)、召回率、精准率，以及受试者工作特征(ROC)曲线下面积(AUC)，对XGBoost模型区分前列腺癌T分期高危组、低危组的分类性能进行评估。结果:(1)采用radiomics方法提取入组病例MRI不同序列的影像学特征，从First Order Statistics、Shape-based，Gray Level Cooccurence Matrix等7个大类的特征中选取了 106维特征。经Spearman相关性分析，获得51维特征与前列腺癌T分期高危组、低危组相关显著(P＜0。05);采用PCA特征降维算法降维，最终获得保留99％原始特征信息、线性相关程度较低、保留大部分主成分的新特征空间，生成新的5维空间，避免了维度灾难。(2)5折交叉验证后平均测试数据结果显示，不同序列两两组合的诊断效能高于单一序列的诊断效能，其中，DWI(b=1000 s/mm2)+DWI(b=2000 s/mm2)的诊断效能最高，AUC值为0。6862;T2WI+DWI(b=1000 s/mm2)的诊断效能最低，AUC值为0。6557。结论:双参数MRI影像组学的机器学习，能够区分前列腺癌T分期高危组与低危组，但其自动区分的效能有待进一步提高。

张洪涛、胡泽宇、盛复庚、周娟、闫非、叶慧义

展开 >

100071北京,解放军总医院第五医学中心放射诊断科

陕西西安,西安电子科技大学微电子学院

北京,解放军总医院第一医学中心放射诊断科

前列腺癌 T分期 MRI检查 影像组学 机器学习 应用价值

81771785

2021

人民军医
人民军医出版社

人民军医

影响因子：0.473
ISSN：1000-9736
年,卷(期)：2021.64(6)
  • 2
  • 1