论文部分内容阅读
[目 的]探讨基于常规MRI的影像组学对脑膜瘤病理分级的预测价值。[方 法]回顾性分析经病理证实的137例脑膜瘤患者的MRI影像资料,其中低级别脑膜瘤(WHO Ⅰ级)99例,高级别脑膜瘤(WHO Ⅱ级)38例,按7:3比例分为训练组(95例)和测试组(42例)。评估常规MRI影像征象,包括左右半脑病例数、部位、形状、血管流空现象、瘤周水肿、强化是否均匀、强化程度、脑膜尾征、临近组织侵袭、是否跨中线生长。采用独立样本t检验进行两组间年龄差异的比较,采用卡方检验或Fisher精确检验比较性别、影像特征在两组间的差异。应用IBEX软件手动勾画ROI,提取包括Intensity_Histogram、Gray_Level_Cooccurence_Matrix、Gray_Level_Run_Length_Matrix、Neighbor_Intensity_Difference_Matrix、Intensity_Direct 在内的 5 个特征组,每个MRI序列提取736个影像组学特征。使用组内相关系数(ICC)评价研究者自身的一致性,使用单因素方差分析选出差异有统计学意义的参数,然后使用最小绝对收缩和选择算子(LASSO)和10折交叉验证进行降维,将最后降维得到的影像组学特征分别纳入逻辑回归(Logistic Regression,LR)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)和自适应增强(Adaptive Boosting,AdaBoost)4个分类学习器中,构建4个影像组学模型,选出分类效能最好的模型,然后用单因素分析有统计学意义的影像特征构建1个影像特征模型,此模型使用的分类学习器和之前最优的影像组学模型所用的分类学习器保持一致;最后,融合MRI影像特征和影像组学特征构建1个联合诊断模型,分类学习器同上。绘制受试者工作特征曲线(ROC)评估模型预测的敏感性、特异性和准确率,并使用ROC曲线下面积(AUC)评价模型的预测效能。[结 果]患者的一般临床资料差异无统计学意义;在训练组和验证组中,只有血管流空和强化是否均匀这两个特征在Ⅰ级和Ⅱ级脑膜瘤中的差异均有统计学意义(p<0.05);通过降维后筛选出13个影像组学特征。利用影像组学特征构建的LR、SVM、RF和AdaBoost四个模型中,LR模型的敏感性为66.7%、特异性为86.7%、准确率为76.3%、AUC值为0.811;SVM模型的敏感性为75.0%、特异性为53.3%、准确率为64.3%、AUC值为0.606;RF模型的敏感性为75.0%、特异性为76.7%、准确率为78.5%、AUC值为0.807;AdaBoost模型的敏感性为66.7%、特异性为76.7%、准确率为71.4%、AUC值为0.736。LR模型的AUC值最高。基于LR分类学习器构建影像特征模型和联合诊断模型。对影像特征模型、影像组学模型、联合诊断模型分别进行效能评估,ROC曲线结果显示影像特征模型敏感性为66.7%、特异性为80.0%、准确率为71.4%、AUC值为0.800;影像组学模型敏感性为66.7%、特异性为86.7%、准确率为76.2%、AUC值为0.811;联合诊断模型敏感性为100.0%、特异性为66.7%、准确率为78.6%、AUC值提高至0.856。[结 论]1、MRI影像特征中,肿瘤内是否出现血管流空现象以及增强扫描强化是否均匀对于脑膜瘤分级具有一定的诊断价值。2、基于常规T2WI及增强T1WI的影像组学模型在脑膜瘤的分级诊断中具有重要的临床应用价值,影像组学方法具有较好的应用前景。3、联合诊断模型的诊断效能高于影像组学模型和影像特征模型。