磁共振成像

2021, v.12(06) 38-43

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

机器学习鉴别ⅠA期宫颈癌与高级别鳞状上皮内病变:基于MRI影像组学模型
Machine learning to distinguish stage ⅠA cervical cancer from high-grade squamous intraepithelial lesion-based on MRI radiomics models

樊知昌;夏雨薇;甄俊平;周宇堃;靳波;边文瑾;杨洁;

摘要(Abstract):

目的利用宫颈MRI图像提取影像组学特征,建立随机森林模型识别ⅠA期宫颈癌与高级别鳞状上皮内病变(high-grade squamous intraepithelial lesion,HSIL)。材料与方法回顾性分析经手术病理证实的43例ⅠA期宫颈癌患者与51例HSIL患者,按照4∶1的比例设置训练集(ⅠA=34,HSIL=41)与测试集(ⅠA=9,HSIL=10)。收集其术前MRI图像,经预处理后上传至影像组学云平台,分别在OSag-T2WI、OAx-T1WI以及OAx-T2FS上逐层手动勾画宫颈,获得宫颈三维容积感兴趣区(volume of interest,VOI),提取组学特征。采用方差阈值分析法(Variance Threshold)、单变量特征选择法(SelectKBest)以及最小绝对值收缩和选择法(least absolute shrinkage and selection operator,LASSO)进行数据降维、特征选择。采用随机森林模型进行机器学习,绘制ROC曲线,分析不同序列组学模型的诊断效能。结果基于OSag-T2WI、OAx-T1WI、OAx-T2FS以及OSag-T2WI联合OAx-T2FS分别得到8个、10个、6个以及9个有效特征。以OSag-T2WI联合OAx-T2FS的组学特征值建立的随机森林模型诊断效能最高,AUC为0.89 [95%CI (0.74~1.00)];基于OAx-T1WI的模型诊断效能最低,AUC为0.51 [95%CI(0.23~0.78)]。结论基于MRI的影像组学随机森林模型可以较好地在没有明确病灶的情况下区分ⅠA期宫颈癌与HSIL,对于术前减少侵入性检查与指导术式有着重大的意义。

关键词(KeyWords): 宫颈癌;高级别鳞状上皮内病变;磁共振成像;影像组学;机器学习

Abstract:

Keywords:

基金项目(Foundation): 山西省回国留学人员科研资助项目(编号:2014-077)~~

作者(Author): 樊知昌;夏雨薇;甄俊平;周宇堃;靳波;边文瑾;杨洁;

Email:

DOI:

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享