论文部分内容阅读
目的
探讨基于MR T1WI的最优影像组学机器学习模型及其预测软组织肉瘤分级的价值。
方法回顾性分析2009年5月至2018年11月青岛大学附属医院113例软组织肉瘤患者的术前MR T1WI资料，采用随机分层抽样的方法将患者随机分为训练组（n=80）和验证组（n=33）。根据法国国家癌症研究中心（FNCLCC）系统将软组织肉瘤病理分级分为Ⅰ~Ⅲ三个级别。Ⅰ级为低级别，Ⅱ、Ⅲ级为高级别。训练组中18例为低级别、62例为高级别病变，验证组中7例低级别、26例高级别病变。图像进行标准化后，采用A.K软件对肿瘤感兴趣区进行特征提取，并基于不同特征选择方法（加入和不加入递归式特征消除）、机器学习算法（随机森林和支持向量机算法）和采样技术（不进行过采样、使用少数样本合成过采样技术、使用随机过采样技术），组合成12种机器学习算法组合，应用弃一法交叉验证进行验证，建立分类模型。采用受试者操作特征（ROC）曲线评价模型预测软组织肉瘤病理级别的效能。
结果在12种机器学习算法建立的软组织肉瘤分级预测模型中，联合使用递归式特征消除和少数样本合成过采样技术的随机森林分类算法效能最佳，其在验证组中预测软组织肉瘤分级的ROC曲线下面积为0.909 （95％可信区间为0.808~1.000），准确率、灵敏度和特异度分别为84.85%、86.21％和75.00%。
结论基于影像组学的机器学习方法在预测软组织肉瘤病理分级方面有较大的应用价值。