多序列MR影像组学融合模型预测胶质瘤分级的价值

作者：杨日辉; 范伟雄; 董婷; 江桂华^*

来源：中国医学物理学杂志, 2023, 40(05): 545-549.

• 胶质瘤
• 病理分级
• 影像组学
• 融合模型

目的：探讨多序列MR影像组学特征及融合模型预测胶质瘤分级的价值。方法：回顾性分析2016年1月～2021年6月间梅州市人民医院经病理证实且行MR检查的胶质瘤病人资料。将多序列MR DICOM格式的原始图像导入ITK-SNAP软件进行VOI勾画，采用GE A.K分析软件进行影像组学特征提取，用ANOVA+Mann-Whiney、Spearman相关分析和LASSO模型进行特征筛选。选择Logistic回归(LR)算法构建单序列模型，选择LR、线性判别分析(LDA)、支持向量机(SVM)3种机器学习算法构建融合序列模型。通过受试者操作特征曲线评估不同模型的预测效能，并计算其曲线下面积(AUC)。结果：共有150例患者纳入本研究，其中低级别胶质瘤(LGG)41例，高级别胶质瘤(HGG)组109例。LGG组与HGG组病人间的性别、年龄差异无统计学意义(P>0.05)。共获得5个最优特征集，其中T1WI特征集包含15个特征，T2WI特征集包含31个特征，Flair特征集包含25个特征，DWI特征集包含12个特征，T1C包含4个特征，融合序列集包含44个特征。基于T1WI、T2WI、Flair、DWI及T1C各序列MR影像组学预测模型在训练集和测试集中的AUC分别为0.719 0、0.651 4,0.769 5、0.711 4,0.7410、0.610 2,0.721 9、0.747 0,0.815 7、0.754 5。基于LR、LDA、SVM算法的融合模型在训练集和测试集中的AUC分别为0.952 4、0.767 0,0.894 8、0.688 1,0.928 6、0.704 5。结论：基于多序列MRI影像组学特征的单序列模型中，T1C单序列预测模型对胶质瘤分级诊断效能最高；相较于单序列预测模型，多序列融合预测模型具有更高的诊断效能，且基于LR算法构建的融合模型较LDA算法及SVM算法构建的融合模型显示出更高的预测效能。

• 单位
  广东省第二人民医院; 广东医科大学; 梅州市人民医院