目的 观察T2WI及对比增强T1WI(T1C)影像组学模型鉴别纤维型与非纤维型脑膜瘤的价值.方法 回顾性分析423例经病理证实的单发低级别脑膜瘤患者,按7∶3比例分为训练集(n=296)和验证集(n=127);提取训练集T2WI和T1C中病灶3 376个影像组学特征,以SelectPercentile单因素分析法及最小绝对收缩和选择算子(LASSO)筛选最优影像组学特征,分别以分类器逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、线性SVC(LinearSVC)、自适应增强(Adaboost)及决策树(DT)构建鉴别纤维型与非纤维型脑膜瘤的影像组学模型,即模型LR、模型SVM、模型RF、模型linearSVC、模型Adaboost及模型DT,以验证集验证其效能.结果 基于T2WI和T1C共筛出13个最优影像组学特征,以之构建的模型LR、模型SVM、模型RF、模型linearSVC、模型Adaboost及模型DT鉴别训练集纤维型与非纤维型脑膜瘤的AUC分别为0.755、0.739、0.819、0.746、0.990及0.607;在验证集的AUC分别为0.698、0.636、0.752、0.670、0.591及0.609.模型Adaboost鉴别训练集纤维型与非纤维型脑膜瘤的AUC为0.990,在验证集为0.591,出现过拟合;模型RF在训练集及验证集中的AUC均高于模型SVM、模型linearSVC及模型DT(Z=2.65～8.25,P均＜0.05);模型RF在训练集中的AUC高于模型LR(Z=3.27,P＜0.01),在验证集的AUC与模型LR差异无统计学意义(Z=7.95,P=0.05).模型RF诊断效能最佳.结论 术前T2WI及TIC RF影像组学模型可有效鉴别纤维型与非纤维型脑膜瘤.

脑膜瘤;诊断;鉴别;磁共振成像;影像组学

韩涛;刘显旺;徐震东;龙昌友;张斌;邓靓娜;林晓强;景梦园;周俊林

兰州大学第二医院放射科兰州大学第二临床医学院甘肃省医学影像重点实验室医学影像人工智能甘肃省国际科技合作基地,甘肃 兰州730030;数坤网络科技股份有限公司,北京 100102;青海大学附属医院影像中心,青海西宁 810000

中国医学影像技术

[1]韩涛;刘显旺;徐震东;龙昌友;张斌;邓靓娜;林晓强;景梦园;周俊林-.T2WI及对比增强T1WI影像组学模型鉴别纤维型与非纤维型脑膜瘤)[J].中国医学影像技术,2022(12):1791-1796

SelectPercentile,linearSVC

T2WI,对比增强,T1WI,脑膜瘤,T1C,单发,低级,训练集,验证集,影像组学特征,单因素分析法,最小绝对收缩和选择算子,LASSO,分类器,逻辑回归,LR,RF,LinearSVC,自适应增强,Adaboost,决策树,DT,集为,过拟合,诊断效能,TIC,磁共振成像

0.202301