基于MR图像纹理特征建立机器学习模型在脑胶质瘤分级中的应用

• 作者: 王延花 高先聪 黄栎有
• 来源期刊: 中国临床医学影像杂志
• 学科: 医学
• 关键词: 脑肿瘤 神经胶质瘤 磁共振成像
• 年，卷（期）: 2020,（12）
• 所属期刊栏目: 中枢神经影像学
• 页码范围: 858-861
• 页数: 4页
• 分类号: R739.41|R730.264|R445.1
• 语种: 中文
• DOI: 10.12117/jccmi.2020.12.006

摘要

目的:探讨不同MRI序列以及机器学习模型在脑胶质瘤分级中的价值.方法:回顾性分析167例术前经MRI检查的脑胶质瘤患者,共包含低级别胶质瘤(LGG)79例,高级别胶质瘤(HGG)88例.分别采用T1增强(T1CE)、T2WI及DWI 3组图像进行纹理分析与建模.利用MaZda软件在3组图像上勾画感兴趣区(ROI)并分析得到的133个纹理参数.通过R语言软件包对3组纹理特征分别进行预处理,然后按照70％和30％的比例划分每组图像的训练集和验证集.利用3组图像的训练集建立模型,每组训练集建立线性判别分析(LDA)、Logistic回归(LR)、随机森林(RF)以及支持向量机(SVM)4种机器学习模型,共计得到12个预测模型.利用验证集对各自图像模型进行验证,以AUC值、敏感度和特异度评价不同模型的表现.结果:HGG组患者的平均年龄显著高于LGG组(P<0.05).对于同一组图像,RF、SVM模型的AUC值高于LDA、LR模型.对于相同模型算法,基于T1CE图像建立的模型的AUC值高于另外2组图像.通过T1CE图像建立的4类机器学习模型均表现出良好的诊断效能(AUC≥0.7),其中RF模型的AUC值最高,SVM模型的AUC值仅次于RF模型.结论:不同MRI序列和模型算法均会对胶质瘤分级的准确度产生影响.基于T1CE图像建立的机器学习模型对胶质瘤的分级具有较高的价值,其中RF模型表现出较好的分类性能,SVM模型的表现仅次于RF模型.