基于GBM分类器构建CTE标签评估不同程度活动期溃疡性结肠炎

作者：孟令思; 赵帅; 郭君武^*

来源：放射学实践, 2021, 36(12): 1526-1532.

DOI：10.13609/j.cnki.1000-0313.2021.12.013

• 溃疡性结肠炎
• Mayo评分
• CT肠道成像
• 机器学习
• 随机森林

目的:探讨基于CT肠道成像(CTE)利用机器学习方法提取的影像特征在评估活动期溃疡性结肠炎(UC)病变程度中的价值。方法:将2017年9月-2020年9月在本院首诊为UC的157例患者患者纳入研究。根据Mayo临床评分方法,将所有患者分为轻度组(3～5分)40例、中度组(6～10分)52例、重度组(11～12分)65例。所有患者行肠镜及CTE检查。基于CTE图像记录每例患者13个影像学征象(病变范围、肠壁增厚、黏膜分层、肠壁异常强化、肠系膜充血、直肠周围脂肪沉淀、淋巴结增大、黏膜囊泡、肠腔狭窄、结肠袋消失、肠黏膜息肉、靶征和梳齿征)的出现情况。将所有患者按照5:5分为训练组和验证组,基于训练组数据,以Mayo分组为分类标签,对CTE征象进行特征筛选后纳入GBM分类器,利用机器学习方法构建CTE征象诊断模型,并利用验证组的数据对其进行验证。结果:经特征筛选后,将10个有统计学意义的CTE征象纳入GBM分类器,采用机器学习的方法构建CTE征象诊断模型,其在训练集中鉴别轻度与中重度、中度与重度、重度与轻中度的AUC分别为0.99、0.99和1.00,在验证组中相应AUC为0.99、0.96和0.98;在训练组合验证组中评估UC病变程度的总体诊断符合率分别为0.921(95%CI:0.8102～0.9553)和0.887(95%CI:0.7617～0.9274)。结论:利用多分类器机器学习的方法基于CTE影像特征构建的诊断模型可用于评估UC患者的病变程度。

• 单位
  郑州大学第二附属医院