基于MRI影像组学及PSA结合机器学习对前列腺中央区良恶性结节的鉴别诊断

• 作者: 龚子健 曾柔 龚良庚 彭云 叶印泉
• 来源期刊: 暨南大学学报（自然科学与医学版）
• 学科: 医学
• 关键词: 前列腺肿瘤 机器学习 纹理分析 影像组学 磁共振成像
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 医学影像与人工智能
• 页码范围: 205-211
• 页数: 7页
• 分类号: R445.2
• 语种: 中文
• DOI: 10.11778/j.jdxb.2022.02.012

摘要

目的:探讨基于核磁共振影像(MRI)T2WI或表观扩散系数(ADC)影像组学特征,以及血清前列腺特异性抗原(PSA)联合机器学习在鉴别中央区前列腺癌及前列腺增生中的价值.方法:回顾性分析术前行MRI检查并经病理证实的中央区前列腺增生61例及前列腺癌51例.采用MaZda软件提取所有患者T2WI与ADC图像的纹理特征,建立T2WI特征与PSA、ADC特征与PSA数据库.将病例按7:3的比例分入训练集和验证集,依次采用t检验、Wilcoxon秩和检验及pearson相关分析对两数据库内训练集内的参数进行筛选降维,并分别建立基于T2WI或ADC特征与PSA的支持向量机(SVM)、K-近邻(KNN)及逻辑回归(LR)共6种机器学习模型,采用受试者工作特征(ROC)曲线评估模型有效性,用验证集验证其鉴别诊断效能.结果:基于T2WI及PSA数据库的SVM、KNN、LR模型验证集工作曲线下面积(AUC)依次为0.871、0.811、0.875,基于ADC及PSA数据库的SVM、KNN、LR模型验证集AUC依次为0.936、0.939、0.943.ADC及PSA数据库在3种机器学习方法中的AUC均高于T2WI,且LR模型具有最佳效能,其验证集准确度、敏感度及特异度分别为0.882、0.850及0.929.结论:对ADC图像纹理特征进行提取并结合PSA建立机器学习LR模型,可准确鉴别中央区前列腺癌及前列腺增生,从而降低误诊率.