目的:探讨基于T2加权成像压脂序列(T2-weighted imaging fat suppression,T2WI-FS)图像的影像组学特征所构建机器学习模型在术前预测乳腺癌患者腋窝淋巴结(axillary lymph nodes,ALN)转移中的价值.方法:回顾并分析经病理学检查证实的乳腺癌患者68例,共171枚ALN(转移101枚,非转移70枚).在T2WI-FS图像上勾画每个目标淋巴结的三维容积感兴趣区(volume of interest,VOI),并提取一阶统计量特征、几何形状及纹理特征等影像组学特征.随机将两组ALN分为训练集和验证集(8:2),采用K最佳和最小绝对收缩和选择算子(the least absolute shrinkage and selection operator,LASSO)算法对训练集特征降维以筛选出关键特征,最后建立基于K近邻(K-nearest neighbor,KNN)、支持向量机(support vector machine,SVM)和逻辑回归(logistic regression,LR)3种分类器的机器学习模型.采用受试者工作特征(receiver operating characteristic,ROC)曲线分析方法在验证集中评价3种预测模型的ROC曲线的曲线下面积(area under curve,AUC)、灵敏度和特异度,并用精准度、召回率和F1值评价模型的预测效能,并采用DeLong法比较不同预测模型的诊断效能.结果:基于每个VOI提取107个影像组学特征,通过降维处理后最终获取6个最佳特征进行模型构建.这6个特征包括1个形态学特征(表面积体积比)和5个纹理特征(依赖熵、游程熵、归一化依赖不均匀性、游程比及大区域的高灰度值优势).在基于6个最佳特征通过3个分类器所构建的乳腺癌ALN转移预测模型中,LR、KNN和SVM模型的AUC分别为0.88、0.86和0.86,DeLong检验显示差异均无统计学意义(P>0.05),LR模型的效能可能稍高,在测试集中LR模型的灵敏度、特异度、精准度、召回率和F1值分别为0.86、0.86、0.80、0.86和0.83.结论:基于淋巴结T2WI-FS图像的影像组学特征可在术前预测乳腺癌ALN转移的基础上提供额外有价值的信息.

乳腺癌;腋窝淋巴结;转移;磁共振成像;影像组学

王猛;刘周;文洁;何翠菊;耿亚媛;罗德红

国家癌症中心/国家肿瘤临床医学研究中心/中国医学科学院北京协和医学院肿瘤医院深圳医院放射诊断科,广东 深圳518116;慧影医疗科技(北京)有限公司,北京 100089;国家癌症中心/国家肿瘤临床医学研究中心/中国医学科学院北京协和医学院肿瘤医院放射科,北京 100021

肿瘤影像学

[1]王猛;刘周;文洁;何翠菊;耿亚媛;罗德红-.基于T2WI-FS的影像组学特征在术前预测乳腺癌腋窝淋巴结转移中的价值)[J].肿瘤影像学,2022(01):28-35

T2WI,FS,影像组学特征,术前预测,乳腺癌腋窝淋巴结转移,加权成像,weighted,imaging,fat,suppression,机器学习模型,乳腺癌患者,axillary,lymph,nodes,ALN,病理学检查,查证,勾画,三维容积,感兴趣区,volume,interest,VOI,统计量特征,几何形状,纹理特征,训练集,验证集,最小绝对收缩和选择算子,least,absolute,shrinkage,selection,operator,LASSO,特征降维,关键特征,近邻,nearest,neighbor,KNN,support,vector,machine,逻辑回归,logistic,regression,LR,分类器,受试者工作特征,receiver,operating,characteristic,area,under,curve,召回率,预测效能,DeLong,诊断效能,降维处理,形态学特征,积体,体积比,游程,不均匀性,大区域,灰度值,转移预测,测试集,磁共振成像

0.351999