基于多参数MRI影像组学及临床特征的鼻咽癌远处转移可解释性机器学习预测模型

作者：金哲; 张斌; 张璐; 张水兴

来源：磁共振成像, 2022, 13(11): 22-29.

DOI：10.12015/issn.1674-8034.2022.11.005

• 鼻咽癌
• 远处转移
• 影像组学
• 梯度提升机
• 可解释性
• 磁共振成像

目的 建立基于多参数MRI影像组学及临床特征的机器学习预测模型,并评价其治疗前预测鼻咽癌(nasopharyngeal carcinoma, NPC)远处转移风险的效能及临床应用价值。材料与方法 回顾性分析2010年6月至2017年9月来自三家医院的1393例经病理证实的NPC患者的临床资料及MRI图像(训练队列1049例、外部验证队列344例)。用ITK-SNAP勾画感兴趣区并用Pyradiomics包逐层提取特征。使用相关性分析、单因素分析和递归特征消除法筛选特征,最后通过梯度提升机(Gradient Boosting Machine, GBM)算法构建模型。通过受试者工作特征(receiver operating characteristic, ROC)曲线比较模型的预测效能,以及决策曲线分析评估临床实用性。利用SHAP(SHapley Additive exPlanation)算法赋予最佳预测模型可解释性。结果 经筛选后最终保留10个影像组学特征。基于影像组学特征、临床特征、影像组学+临床特征三种特征组合构建了GBM＿R、GBM＿C和GBM＿RC模型。三者在训练集上的ROC曲线下面积(area under the curve, AUC)值分别为0.938、0.724和0.938;GBM＿RC(命名为NPC-Wise)在外部验证集中取得了最高的AUC值,为0.775。N分期是NPC-Wise预测过程中最重要的特征。SHAP模型预测力图能直观可视化特征影响NPC-Wise预测远处转移风险的过程。结论 基于多参数MRI影像组学及临床特征的可解释性机器学习预测模型NPC-Wise在预测NPC远处转移风险方面具有较高效能,SHAP算法为其提供了个体水平的可解释性,能为个性化治疗提供有价值的决策依据。

• 单位
  暨南大学附属第一医院