基于多参数MRI及影像组学建立机器学习模型诊断临床显著性前列腺癌

作者：彭涛; 肖建明; 张仕慧; 蒲冰洁; 高月琴; 牛翔科; 王宗勇; 曾小辉; 杨进^*; 李佽

来源：中国医学影像技术, 2019, 35(10): 1526-1530.

DOI：10.13929/j.1003-3289.201902129

• 前列腺肿瘤
• 磁共振成像
• 纹理分析
• 影像组学
• 机器学习

目的建立基于多参数MRI(mpMRI)和影像组学特征的机器学习模型,评价其诊断临床显著性前列腺癌(CSPC)的价值。方法结合纹理分析、MR动态增强定量分析、前列腺影像报告与数据系统(PI-RADS)评分和部分临床资料建立Logistic回归(LR)、逐步回归(SR)、经典决策树(cDT)、条件推断树(CIT)、随机森林(RF)和支持向量机(SVM)模型,运用ROC曲线和决策曲线分析法(DCA)评价上述模型和变量的重要性。结果验证组中RF模型诊断CSPC的AUC大于SVM、cDT、SR模型(P均<0.05),RF模型与LR、CIT模型诊断CSPC的AUC差异无统计学意义(P均>0.05),其余各模型间诊断CSPC的AUC差异无统计学意义(P均>0.05)。概率阈值为16%～91%时,RF模型的净获益最大,优于其他模型;概率阈值为23%～91%时,SVM模型的净获益仅次于RF模型而优于其他模型。前列腺特异性抗原密度(PSAD)和部分纹理分析参数的重要性较高。结论 RF模型诊断CSPC优于其他模型,SVM模型次之。PSAD和纹理分析相关参数诊断CSPC的重要性高于PI-RADS评分和动态增强MRI定量参数。

• 单位
  成都大学附属医院