基于MR图像纹理特征建立机器学习模型在脑胶质瘤分级中的应用

作者：黄栎有; 高先聪; 王延花^*

来源：中国临床医学影像杂志, 2020, 31(12): 858-861.

• 脑肿瘤
• 神经胶质瘤
• 磁共振成像

目的:探讨不同MRI序列以及机器学习模型在脑胶质瘤分级中的价值。方法:回顾性分析167例术前经MRI检查的脑胶质瘤患者,共包含低级别胶质瘤(LGG)79例,高级别胶质瘤(HGG)88例。分别采用T1增强(T1CE)、T2WI及DWI 3组图像进行纹理分析与建模。利用MaZda软件在3组图像上勾画感兴趣区(ROI)并分析得到的133个纹理参数。通过R语言软件包对3组纹理特征分别进行预处理,然后按照70%和30%的比例划分每组图像的训练集和验证集。利用3组图像的训练集建立模型,每组训练集建立线性判别分析(LDA)、Logistic回归(LR)、随机森林(RF)以及支持向量机(SVM)4种机器学习模型,共计得到12个预测模型。利用验证集对各自图像模型进行验证,以AUC值、敏感度和特异度评价不同模型的表现。结果:HGG组患者的平均年龄显著高于LGG组(P<0.05)。对于同一组图像,RF、SVM模型的AUC值高于LDA、LR模型。对于相同模型算法,基于T1CE图像建立的模型的AUC值高于另外2组图像。通过T1CE图像建立的4类机器学习模型均表现出良好的诊断效能(AUC≥0.7),其中RF模型的AUC值最高,SVM模型的AUC值仅次于RF模型。结论:不同MRI序列和模型算法均会对胶质瘤分级的准确度产生影响。基于T1CE图像建立的机器学习模型对胶质瘤的分级具有较高的价值,其中RF模型表现出较好的分类性能,SVM模型的表现仅次于RF模型。

• 单位
  宿迁市人民医院; 南京鼓楼医院; 徐州医科大学