摘要
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