论文部分内容阅读
目的:本文拟探讨基于胃腺癌患者动脉期及门脉期的六种机器学习模型在术后病理免疫组化与术前胃癌纹理特征中对照研究诊断方面的价值。材料与方法:本研究为回顾性研究,收集我院2017年1月至2018年9月进行CT检查且通过术后病理证实的胃腺癌患者254例。使用AW4.6工作站,从PACS系统(Picture Archiving and Communication Systems)导出患者数据,包括动脉、门脉期轴位图像。由两名五年以上工作经验的放射科医生根据组织病理学结果确定胃癌肿瘤边界范围,在ITK-snap软件上保持距肿瘤边缘2-3mm,结合术后记录病变的位置,手动逐层绘制病变区域形成三维ROI,基于Artificial Intelligence Kit(A.K.)分析软件,提取396个纹理参数。将254例胃腺癌患者按7:3随机分成训练集和验证集,训练集和验证集数量根据不同病理分组患者构成。通过特征选择去除冗余特征,分别提取血管受侵与否动脉、门脉期18、17个特征值;淋巴管受侵与否动脉、门脉期18、15个特征值;神经受侵与否未提取出可鉴别的特征值;低分化胃癌患者Ki67阳性、阴性动脉及门脉期4、5个特征值;中低分化胃癌患者Ki67阳性、阴性动脉及门脉期5、4个特征值;中分化胃癌患者Ki67阳性、阴性动脉及门脉期2、4个特征值;HER2阳性、阴性动脉及门脉期1、9个特征值。提取的特征分别基于支持向量机(Support Vector Machine,SVM,1.SVM:C_SVC&LINEAR2.SVM:C_SVC&RBF 3.SVM:C_SVC&sigmoid),逻辑回归(Logistic Regression)、K邻近(K Nearest Neighbor,K-NN)、朴素贝叶斯(Naive Bayesian,NB)六种机器学习模型进行训练,得到最优机器学习模型。同时得到准确度、敏感性、特异性、ROC曲线、ROC曲线下面积(AUC)。结果:六种机器学习中血管组最优模型是Logistic Regression,AUC值动脉期为0.707,门脉期为0.724,门脉期高于动脉期,分类效果好;淋巴组最优模型是C_SVC&LINEAR,动脉期AUC值为0.737,门脉期为0.700,分类效果好;神经组未能提取有意义的鉴别特征;低分化胃癌Ki67组机器分类器鉴别效果均较差,AUC值分别为0.563、0.665,;中低分化胃癌Ki67组动脉期最优模型是C_SVC&sigmoid,AUC值为0.702,门脉期最优模型是SVC&RBF,AUC值为0.731,鉴别效果好,且门脉期优于动脉期;中分化胃癌Ki67组AUC值动脉期为0.664,分类效果一般,门脉期效果较好,AUC值为0.786,最优模型是C_SVC&LINEAR;HER2组动脉期只有一个特征可做鉴别,故没有较好的机器模型,门脉期最优模型是Logistic Regression,AUC值为0.720,分类较好。结论:基于对比增强CT图像纹理特征建立机器学习模型,在鉴别胃腺癌各个组织病理类型及HER2表达中有较好的分类效果,这有望为术前优化胃癌患者治疗方案及评价预后提供重大参考价值。