南京医科大学学报(自然科学版)

作者：刘志鹏，降建新，吴琪炜，周炎，卞雪峰，朱银杏

单位：南京医科大学附属泰州人民医院信息处,,神经外科,,影像科，江苏 泰州 225300,,南京医科大学附属泰州人民医院信息处,,影像科，江苏 泰州 225300,,南京医科大学泰州临床医学院，江苏 泰州 225300,

关键词：脑胶质瘤;磁共振成像;手工影像组学;深度迁移学习;深度学习影像组学;预测模型

基金：泰州市第五期“311工程”第二层次培养对象资助科研项目（RCPY202129）；浦东新区科技发展基金事业单位民生科研专项（PKJ2021-Y09）；泰州市中医药科技发展项目（TZ202301）；南京医科大学附属泰州人民医院培育项目 （TZKY20220104）；南京医科大学泰州临床医学院博士后科研资助项目（TZBSHKY202204）

目的：探讨基于多序列磁共振成像（magnetic resonance imaging，MRI）手工影像组学（hand-crafted radiomic，HCR）和深度迁移学习（deep transfer learning，DTL）特征的机器学习（machine learning，ML）模型在术前预测脑胶质瘤分级的效能。方法：选取BraTS2019数据集中332例患者的影像数据［高级别胶质瘤（high-grade glioma，HGG）258例，低级别胶质瘤（low-grade glioma，LGG）74例］，随机抽取30例HGG和8例LGG作为测试数据集，其余294例作为训练集和验证集。从T1、T2 、T1c和Flair 序列中提取病灶的HCR特征和DTL特征，并筛选出影响力前10的特征子集，基于HCR特征、DTL特征和两者组合的深度学习影像组学（deep learning radiomics，DLR）特征，分别建立7种ML模型，评估模型预测HGG和LGG的效能。选择最佳模型后，使用SHAP法对模型特征重要性进行量化及归因分析。结果：基于HCR和DTL组合的DLR特征构建的ML模型预测效能最高，当使用支持向量机的递归特征消除（support vector machine-recursive feature elimination，SVM-RFE）筛选特征后，使用T2+T1c+ Flair序列组合的支持向量机（support vector machine，SVM）分类器的预测模型效果最佳。在验证集上，受试者工作特征曲线下面积达到0.996（95% CI：0.991~1.000），约登指数、准确度、灵敏度和特异度分别为 0.920、0.976、0.988和0.932，在测试集上同样具有较高的分级预测效能。SHAP特征权重分析显示Flair序列的特征贡献较大，其次为T2及T1c序列，HCR和DTL特征均有重要贡献。结论：基于多序列MRI的DLR特征构建的ML模型可有效预测脑胶质瘤的肿瘤分级，其中经过SVM-RFE筛选后的 T2+T1c+Flair序列组合的SVM分类器模型效能最佳。

来源：2024年第3期

《南京医科大学学报(自然科学版)》期刊编辑部

查看南京医科大学学报(自然科学版)杂志2024年第3期