基于磁共振表观扩散系数图影像组学的机器学习模型对临床显著性前列腺癌的鉴别诊断价值

作者：林香瑾; 朱光斌^*; 张楚若; 杜国新; 罗锦文; 关玉宝

来源：现代肿瘤医学, 2023, 31(22): 4202-4206.

• 临床显著性前列腺癌
• 非临床上显著性前列腺癌
• 磁共振成像
• 表观扩散系数
• 机器学习模型

目的:探讨基于磁共振表观扩散系数图影像组学的机器学习模型对临床显著性前列腺癌的临床应用价值。方法:回顾性分析本院2017年10月至2022年12月经病理证实的182例前列腺癌磁共振检查资料，其中临床显著性前列腺癌(clinically significant prostate cancer, CsPCa)126例，非临床上显著性前列腺癌(clinically insignificant prostate cancer, CiPCa)56例；采用ITK-SNAP软件对磁共振ADC图进行感兴趣区分割，使用pyradiomics软件包，提取包括一阶特征(First Order)、形状特征(Shape)、灰度共生矩阵(GLCM)、灰度区域矩阵(GLSZM)、灰度游程矩阵(GLRLM)、灰度相依矩阵(GLDM)、邻域灰度差分矩阵(NGTDM)影像组学特征；采用一致性检验及最小绝对收缩与选择算子算法(LASSO)筛选出的最佳特征，按7∶3的比例随机分为训练组和验证组，构建逻辑回归(Logistic regression, LR)模型，采用受试者工作特征曲线下面积(area under the curve, AUC)验证其鉴别诊断价值。结果:从ADC图像中提取了1 835个影像组学特征，筛选出15个最佳特征构建逻辑回归机器学习模型。训练集和测试集的准确性分别为0.727、0.700;曲线下面积分别为0.768(95%可信区间：0.700～0.837)、0.719(95%可信区间：0.562～0.875);特异度分别为0.902、0.875;阳性预测值分别为0.683、0.636;阴性预测值分别为0.739、0.718;精确度分别为0.683、0.636。结论:前列腺癌磁共振表观扩散系数图影像组学的逻辑回归机器学习模型，对鉴别临床显著性前列腺癌提供潜在的有效信息。

• 单位
  广州医科大学; 广州医科大学附属第五医院; 第二临床学院