基于MRI影像组学的随机森林模型预测子宫内膜癌肌层浸润深度的初步研究

• 作者: 信瑞强 彭如臣 沈秀芝 王金洁 石清磊 郭冉 钟佳利
• 来源期刊: 磁共振成像
• 学科: 医学
• 关键词: 子宫内膜肿瘤 肌层浸润 影像组学 磁共振成像
• 年，卷（期）: 2020,（12）
• 所属期刊栏目: 临床研究
• 页码范围: 1133-1137
• 页数: 5页
• 分类号: R445.2|R737.33
• 语种: 中文
• DOI: 10.12015/issn.1674-8034.2020.12.011

摘要

目的 基于MRI平扫T2WI和增强T1WI的影像组学特征值,探讨机器学习模型随机森林(random forest,RF)对子宫内膜癌肌层浸润深度预测价值.材料与方法 回顾性分析行盆腔MRI平扫及增强检查并经手术病理证实为子宫内膜癌患者的影像资料114例(ⅠA期86例,ⅠB期28例),以4:1的比例通过分层抽样的方法 分为训练集和测试集.采用ITK-SNAP软件分别在矢状面平扫T2WI图像及多期增强T1WI图像第二时相进行手动逐层勾画ROI,分别对T2WI和增强T1WI数据集进行影像组学特征值提取(https://github.com/Radiomics/pyradiomics),并对随机森林模型进行训练和测试(http://scikit-learn.org/),采用ROC曲线评价预测效能.结果 基于平扫T2WI图像特征值建立的RF模型预测子宫内膜癌肌层浸润深度在测试集的曲线下面积(AUC)为0.938,其准确度、敏感度、特异度分别为91.3％、87.5％、93.3％,模型中重要性排名前3位的特征分别为形状平坦度(shape flatness,SF)、灰度级带矩阵区域方差(GLSZM zone variance,GLSZM-ZV)、灰度级长矩阵运行方差(GLRLM run variance,GLRLM-RV);基于增强T1WI图像建立的RF模型在测试集的AUC为0.818,准确度、敏感度、特异度分别为81.8％、100％、75.0％,模型中重要性排名前3位的特征分别为SF、灰度相关矩阵高灰度依赖程度(GLDM large dependence high gray level emphasis,GLDM-LDHGLE)、灰度共生矩阵相关性(GLCM correlation).结论 基于MRI影像组学的随机森林模型在预测子宫内膜癌肌层浸润深度中具有较大应用潜力,其中基于平扫T2WI图像建立模型较增强T1WI显示出更大的诊断价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	彭如臣		59	354	11.0	15.0
2	信瑞强		16	88	5.0	9.0
3	钟佳利		7	36	3.0	6.0
4	沈秀芝		13	76	4.0	8.0
5	王金洁		2	13	1.0	2.0
6	郭冉		2	0	0.0	0.0
7	石清磊		1	0	0.0	0.0