基于原发癌灶T2WI的影像组学特征预测局部进展期直肠癌新辅助治疗疗效及多种分类器效能比较

作者：胡鸿博; 赵升; 姜昊; 姜慧杰; 蔺雪; 张莹

来源：磁共振成像, 2023, 14(11): 77-83.

DOI：10.12015/issn.1674-8034.2023.11.013

• 直肠癌
• 磁共振成像
• 影像组学
• 机器学习
• 支持向量机

目的 3.0 T MRI影像数据具有评估局部进展期直肠癌（locally advanced rectal cancer, LARC）术前新辅助放化疗（neoadjuvant chemoradiotherapy, nCRT）疗效临床价值，但是构建模型多种机器学习间的比较并没有被探究过。我们将比较4种常用的机器学习方法在评估直肠癌新辅助治疗疗效临床价值的效能。材料与方法 回顾性分析2021年9月至2023年1月于哈尔滨医科大学附属第二医院就诊经病理检查证实的LARC并行nCRT的病例共160例，按8∶2比例分为训练集及验证集。分别建立支持向量机（support vector machines, SVM）、朴素贝叶斯（naive Bayes, NB）、神经网络（neural network, NN）、卷积神经网络（convolutional neural networks, CNN）四种分类器模型，采用DeLong检验比较受试者工作特征（receiver operating characteristic, ROC）曲线的差异，对4种分类器诊断效能进行评估比较。结果 2组患者年龄、性别差异无统计学意义（P>0.05）。通过最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）算法得到9个与治疗效果分组相关的特征，9个特征在病理完全缓解（pathological complete response, pCR）/病理非完全缓解（non-pathological complete response, non-pCR）中有差异，但差异不具有统计学意义（P>0.05）。SVM模型在训练集的ROC曲线下面积为0.9150，评估nCRT效果最为显著。结论 基于磁共振高分辨T2WI的纹理特征，通过SVM、NB、NN、CNN分类器模型可以对直肠癌nCRT疗效进行评估，其中SVM分类器模型诊断效能最佳。基于高分辨T2WI的影像组学可以评估LARC患者nCRT治疗效果。

• 单位
  哈尔滨医科大学; 基础医学院; 哈尔滨医科大学附属第二医院