基于磁共振图像特征机器学习构建胎盘植入诊断模型的初步研究

作者：王颖超; 黄刚^*; 巴志霞; 薛莲; 黄宝生; 夏东洲

来源：磁共振成像, 2023, 14(08): 94-107.

• 胎盘植入性病变
• 机器学习
• 诊断效能
• 磁共振成像

目的 探讨基于MRI T2WI影像组学特征的机器学习模型对胎盘植入性病变的诊断价值。材料与方法 回顾性分析130例因怀疑胎盘植入行MRI检查并后期行剖宫产的患者影像资料，依据剖宫产术后结果在MRI T2WI图像分别提取有胎盘植入改变层面和无胎盘植入层面影像组学特征。以7∶3的比例通过分层抽样的方法将数据分为训练集（n=91）和验证集（n=39），采用5种机器学习方法：logistic回归（logistic regression, LR）、支持向量机（support vector machine, SVM）、随机森林（random forest, RF）、决策树（decision tree, DT）、K近邻（K nearest neighbor, KNN）进行建模分类诊断，通过5折交叉验证确定机器学习模型的参数，采用受试者工作特征（receiver operating characteristic, ROC）曲线评估模型的预测效能，计算曲线下面积（area under the curve, AUC）、准确度、敏感度及特异度，在验证集中对各模型进行验证。此外，除对比不同机器学习模型与影像诊断医生的诊断效能，采用校准曲线分析模型效能，并以决策曲线分析（decision curve analysis,DCA）评估临床实用性。结果 纳入的130例患者病例中，56例患者剖宫产术后证实有胎盘植入，74例患者无胎盘植入。基于纳入图像预处理的1688个组学特征，经最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）、Selectbest、REF等算法处理后，最终筛选出9个影像组学特征用于构建模型。五种分类器模型对胎盘植入的诊断效能（LR AUC=0.96;SVM AUC=0.97;RF AUC=0.99;DT AUC=0.87;KNN AUC=0.96）均高于影像诊断医生的诊断效能（AUC=0.86）。校准曲线显示DT模型的校准度最好。DCA显示阈值取0.0～0.6时，DT、RF、SVM、KNN模型的临床净获益大于LR模型。结论基于MRI T2WI图像特征的机器学习模型可以准确区分有无胎盘植入，其诊断效能明显优于医师的视觉分析；五种模型相比，DT机器学习模型在胎盘植入的诊断中具有更好的效能。

• 单位
  甘肃省人民医院; 河西学院附属张掖人民医院