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

• 作者: 张洪涛 胡泽宇 盛复庚 周娟 闫非 叶慧义
• 来源期刊: 人民军医
• 关键词: 前列腺癌 T分期 MRI检查 影像组学 机器学习 应用价值
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 临床医学
• 页码范围: 538-541,558
• 页数: 5页
• 分类号: R445
• 语种: 中文
• DOI: 10.3969/j.issn.1000-9736.2021.06.016

摘要

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.