论文部分内容阅读
目的:使用mpMRI图像的纹理特征训练放射组学的机器学习模型,通过模型的性能评价探讨其诊断及鉴别前列腺癌Gleason评分方面的价值。材料与方法:本课题为回顾性研究。收集我院2015年1月1日至2018年9月1日进行mpMRI检查并且经病理证实并得到确切Gleason评分的前列腺癌患者,最终的研究人群为219例。将患者的T2WI、DWI图像数据从PACS系统中导出,使用GE Functool软件将DWI图处理得到ADC图。确认并审查了每个患者的病理Gleason评分(GS),通过MRI与组织病理学结果进行匹配,在T2WI图像与ADC图上确定PCa大致部位。在ITK-SNAP软件上,沿病变边界手动逐层勾画感兴趣区(ROI)最终融合得到三维数据,即感兴趣体积(VOI)。使用基于MITK平台开发的AK软件中的One Key模块,提取出396个纹理参数特征。将数据分成GS(3+3)(n=36)与GS(>7)(n=103)、GS(3+4)(n=43)与GS(4+3)(n=49)两组,每组按照7:3的比例随机分别分成训练组与验证组。随后通过特征选择步骤去除冗余的特征,最终在GS(3+3)与GS(>7)这组中,基于ADC及T2WI图像分别提取到7、3个特征,而在GS(3+4)与GS(4+3)组中,基于ADC及T2WI图像均提取得到3个特征。通过选择出的特征建立六种机器学习模型,分别是SVM:C_SVC&LINEAR、SVM:C_SVC&RBF SVM:C_SVC&sigmoid、Logistic回归(Logistic Regression)、K邻近(K Nearest Neighbor,KNN)、贝叶斯(Bayesian,Bayes)。同时对这些模型分类器进行训练,得到分类器的准确性、特异性、敏感性,使用SPSS25.0利用特征选择后的纹理参数值做出ROC曲线,得到ROC曲线下面积(AUC)及95%置信区间。结果:使用AK软件中的One Key模块从六种分类器模型自动选出最优的模型,其分类性能使用AUC进行评价。AUC值表现为从最低的0.590至最高的0.915。使用ADC图纹理特征训练的Logistic Regression分类器模型AUC值为0.915,在鉴别GS(3+3)与GS(>7)组中表现出极好的分类性能;而在GS(3+4)与GS(4+3)组中,基于ADC图的C_SVC&RBF分类器模型的AUC值为0.661,对比基于T2WI图像模型0.590的AUC值,其分类性能较好。在使用ADC图、T2WI图像纹理特征参数训练的同一种分类器模型中,基于ADC图模型的AUC值均高于使用T2WI图像纹理训练的模型,尤其是在GS(3+3)与GS(>7)分组中,基于ADC图的Logistic Regression机器学习模型AUC值更是高达0.915,呈现出极好的分类性能。结论:使用多参数磁共振成像(mpMRI)的放射组学特征建立机器学习模型,在前列腺癌Gleason评分中具有良好的分类性能。这对前列腺癌患者采取不同治疗方法及预后预测有着重大的潜力和临床价值。