目的 建立并验证基于术前MRI影像组学机器学习模型预测软组织肿瘤Ki-67增殖指数的表达情况.方法 将177例患者随机分为训练集(n=110)和验证集(n=67).利用最小冗余最大相关(mRMR)和LASSO算法作为特征选择方法,建立基于决策树(DT)、逻辑回归(LR)、随机森林(RF)、支持向量机(SVM)、自适应增强(AdaBoost)5种分类器的机器学习模型,构建影像组学标签.根据临床数据和MRI特征,建立临床模型.结合影像组学标签和临床模型,建立影像组学诺模图.通过受试者工作特征(ROC)曲线的曲线下面积(AUC)评估模型的预测性能.结果 临床模型在训练集和验证集中AUC分别为0.689[95％置信区间(CI)0.593～0.784]和0.581(95％CI 0.454～0.708).5种机器学习模型中最佳的机器学习模型是mRMR-LASSO(特征选择)+SVM(分类器),在训练集和验证集中预测Ki-67高表达的AUC分别为0.998(95％CI 0.995～1.000)和0.798(95％CI 0.671～0.926).影像组学诺模图在训练集和验证集中,AUC分别为0.911(95％CI 0.854～0.967)和0.738(95％CI 0.609～0.867).临床模型和诺模图的AUC均低于机器学习模型.结论 基于MRI的影像组学机器学习模型在预测软组织肿瘤Ki-67表达方面具有较好的性能,有潜力成为一种无创方法实现术前对Ki-67增殖指数的预测.

磁共振成像;软组织肿瘤;影像组学;人工智能

连欣怡;李杰;付海花;刘松;刘吉华;黄勇华;王鹤翔

青岛大学附属医院放射科,山东 青岛 266003

实用放射学杂志

[1]连欣怡;李杰;付海花;刘松;刘吉华;黄勇华;王鹤翔-.基于术前MRI的影像组学机器学习模型预测软组织肿瘤Ki-67增殖指数)[J].实用放射学杂志,2022(06):963-967,986

+SVM

影像组学,机器学习模型,软组织肿瘤,Ki,增殖指数,训练集,验证集,最小冗余最大相关,mRMR,LASSO,特征选择,选择方法,决策树,DT,逻辑回归,LR,RF,自适应增强,AdaBoost,分类器,临床数据,临床模型,诺模图,受试者工作特征,预测性能,置信区间,无创,磁共振成像

0.220145