机器学习结合T1WI/C鉴别Ⅱ、Ⅲ级少突胶质细胞瘤

• 作者: 冯秀龙 崔光彬 王文 胡玉川 赵沙沙 颜林枫 魏小程
• 来源期刊: 神经解剖学杂志
• 关键词: 少突胶质细胞瘤 机器学习 影像组学 随机森林 磁共振成像
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 原著
• 页码范围: 187-194
• 页数: 8页
• 语种: 中文
• DOI: 10.16557/j.cnki.1000-7547.2019.02.013

摘要

目的:探讨机器学习结合T1加权对比增强成像(T1W/C)的影像组学特征鉴别Ⅱ、Ⅲ级少突胶质细胞瘤(ODG)的诊断效能.方法:回顾性分析36例经手术病理证实的ODG2和ODG3的磁共振(MR)资料.利用ITK-SNAP在T1WI/C上手工划取全肿瘤强化部分的感兴趣体积(VOI),使用A.K.(Analysis-Kinetics,A.K.,GEHealthcare)软件从VOI中提取1044个特征.采用随机森林(RF)算法和5折交叉验证法对ODG2和ODG3进行了鉴别.结果:ODG2共19例,ODG3共17例.ODG3多表现为明显坏死(P =0.044)和强化(P=0.002).位于额叶的10例ODG2(10/19,52.6％)和10例ODG3(10/17,58.8％)两组之间无显著统计学差异;并且ODG2和ODG3的其他影像学特征无明显统计学差异.机器学习模型的RF策略诊断效能:曲线下面积(AUC)=0.765,准确性=0.763,敏感性=82.8％,特异性=70.0％.基于T1WI/C影像组学特征的机器学习可以区分ODG2和ODG3,且组间具有显著统计学差异(P＜0.05).结论:基于T1WI/C影像组学特征的机器学习模型可以区分ODG2和ODG3,但是效能不理想,有待提高.