基于影像组学特征的机器学习模型诊断垂体泌乳激素大腺瘤

• 作者: 孔鑫 李伟 龙云玲 蒙茗 李院军 马军
• 来源期刊: 中华放射学杂志
• 关键词: 垂体肿瘤 催乳素瘤 影像组学 机器学习
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 中枢神经系统放射学
• 页码范围: 805-810
• 页数: 6页
• 语种: 中文
• DOI: 10.3760/cma.j.cn112149-20200915-01097

摘要

目的:探讨影像组学方法诊断垂体泌乳激素大腺瘤（PPM）的效能与可行性。方法:回顾性分析2012年1月至2018年12月首都医科大学附属北京天坛医院经病理证实的垂体大腺瘤患者122例，其中PPM 70例、非泌乳激素大腺瘤（NPPM）52例，比较两者年龄、性别、泌乳素水平、出血、囊变及Knosp分级的差异。应用3Dslicer软件对术前轴面T 1WI增强图像进行预处理、感兴趣区勾画与特征提取。使用最小绝对收缩和选择算子进行特征选择。所有病例以7∶3的比例随机分为训练组（85例）与测试组（37例），使用logistic回归与支持向量机（SVM）在训练组与测试组进行建模与测试，分别绘制ROC曲线，计算特异度、灵敏度、准确度及ROC曲线下面积（AUC）。 结果:PPM与NPPM患者的年龄［分别为（38±12）岁、（43±11）岁］、性别（男/女分别为50例/20例、14例/38例）及泌乳素水平［分别为366.00（117.75，1 156.25）μg/L、47.25（32.68，62.40）μg/L］差异存在统计学意义（ P<0.05）。Logistic回归与SVM在训练组鉴别诊断PPM与NPPM的AUC值分别为0.936和0.946，测试组AUC值为0.768和0.774。Logistic回归与SVM在训练组鉴别诊断PPM与NPPM的准确度分别为88.2%和91.8%，测试组的准确度分别为73.0%和77.8%。 结论:基于影像组学特征的机器学习模型对垂体泌乳激素大腺瘤的诊断效能较高。