基于脑部T2WI病灶影像组学的机器学习模型鉴别多发性硬化和视神经脊髓炎谱系疾病的多中心研究

作者：何婷; 毛毅; 张治; 卓芝政; 段云云; 吴麟; 李郁欣; 张宁男楠; 韩雪梅; 朱艳艳; 王瑶; 梁晓; 李咏梅; 李海庆; 周福庆^*; 刘亚欧^*

来源：中华放射学杂志, 2022, 56(12): 1332-1338.

DOI：10.3760/cma.j.cn112149-20220106-00013

• 多发性硬化
• 磁共振成像
• 视神经脊髓炎谱系疾病
• 鉴别诊断
• 影像组学

目的探讨基于脑部T2WI病灶影像组学的机器学习模型鉴别多发性硬化(MS)和视神经脊髓炎谱系疾病(NMOSD)的效能。方法回顾性分析2009年1月至2018年9月在首都医科大学附属北京天坛医院、南昌大学第一附属医院东湖院区、天津医科大学总医院、首都医科大学宣武医院接受诊治的MS和NMOSD患者223例的资料, 按照7∶3的比例完全随机分为训练集(156例)和测试集(67例)。收集2009年1月至2018年9月在复旦大学附属华山医院、吉林大学中日联谊医院接受诊治以及2020年3月至2021年9月在南昌大学第一附属医院象湖院区接受诊治的MS和NMOSD患者共74例作为独立的外部验证集。对患者进行脑部横断面MR T2WI, 从T2WI中提取影像组学特征, 通过最小冗余最大相关性和最小绝对收缩和选择算子算法进行特征选择, 之后构建各种机器学习分类器模型(logistic回归、决策树、AdaBoost、随机森林或支持向量机)鉴别诊断MS与NMOSD。采用受试者操作特征曲线的曲线下面积(AUC)评估训练集、测试集、外部验证集中各分类器模型的性能。结果基于多中心的T2WI, 共提取了11个与区分MS和NMOSD有关的影像组学特征并构建分类器模型。其中随机森林模型区分MS与NMOSD的效能最好, 其在训练集、测试集和外部验证集中区分MS与NMOSD的AUC值分别为1.000、0.944和0.902, 特异度分别为100%、76.9%和86.0%, 灵敏度分别为100%、92.1%和79.7%。结论基于脑部病灶T2WI的影像组学特征构建的随机森林模型可以有效地区分MS和NMOSD。

• 单位
  天津医科大学总医院; 首都医科大学附属北京天坛医院; 神经内科; 吉林大学中日联谊医院; 南昌大学第一附属医院; 复旦大学附属华山医院; 重庆医科大学; 第一附属医院放射科