论文部分内容阅读
第一部分基于机器学习的影像组学特征及模型在鉴别肾脏良恶性肿瘤方面的研究目的应用机器学习影像组学特征及模型鉴别肾脏良恶性肿瘤,评估模型的诊断效能。方法将188例肾脏恶性肿瘤与39例良性肿瘤患者按照7:3比例随机为训练组与测试组(训练:158例,测试:69例)。取患者增强CT(皮质期)的影像资料手动勾画肿瘤的感兴趣区后提取396个影像组学特征,分别釆用相关性分析移除相关性系数大于0.9的特征、单因素逻辑回归保留P<0.05特征、套索算法(Least Absolute Shrinkage and Selection Operator,LASSO)、多因素逻辑回归保留P<0.05的特征4种方法依次进行特征降维,筛选出4个差异最大的组学特征,分别是Quantile0.025,Min Intensity,One Voxel Volume,Small Area Emphasis,并创建了3个机器学习模型:支持向量机模型、随机森林模型、逻辑回归模型。使用受试者工作曲线下面积(AUC)值、准确度、敏感度、特异度、阳性预测值和阴性预测值评估模型的诊断效能。结果肾脏恶性肿瘤188例,良性肿瘤39例,其中肾透明细胞癌147例,乳头状细胞癌20例,嫌色细胞癌21例,肾血管平滑肌脂肪瘤30例,嗜酸性细胞腺瘤9例;在训练组上逻辑回归模型鉴别肾脏良恶性肿瘤的AUC值0.89,敏感性0.95,特异性0.59,阳性预测值0.92,阴性预测值0.73,支持向量机模型的AUC值0.90,敏感性0.97,特异性0.56,阳性预测值0.91,阴性预测值0.79,随机森林模型的AUC值0.95,敏感性1.0,特异性0.63,阳性预测值0.93,阴性预测值1.0;在测试组上逻辑回归模型鉴别肾脏良恶性肿瘤的AUC值0.96,敏感性0.97,特异性0.83,阳性预测值0.97,阴性预测值0.83,支持向量机模型的AUC值0.96,敏感性0.98,特异性0.83,阳性预测值0.97,阴性预测值0.91,随机森林模型的AUC值0.95,敏感性1.0,特异性0.42,阳性预测值0.89,阴性预测值1.0。结论三种影像组学模型随均表现出良好的诊断效能,影像组学方法具有准确诊断肾肿瘤的价值,支持向量机模型在测试组AUC值及准确度更高。第二部分基于增强CT的影像组学在肾透明细胞癌与乏脂肪型肾血管平滑肌脂肪瘤鉴别诊断的应用研究目的应用影像组学模型鉴别肾透明细胞癌与乏脂肪型肾血管平滑肌脂肪瘤,并评估模型诊断的效能。方法将147例肾透明细胞癌与39例乏脂肪型肾血管平滑肌脂肪瘤患者按照7:3比例随机分为训练组与测试组(训练:129例,测试:57例)。取患者增强CT(皮质期)的影像资料手动勾画肿瘤的感兴趣区后提取396个影像组学特征,分别釆用相关性分析移除相关性系数大于0.7的特征、单因素逻辑回归保留P<0.05特征、套索算法(Least Absolute Shrinkage and Selection Operator,LASSO)、多因素逻辑回归保留P<0.05的特征4种方法依次进行特征降维,筛选出5个差异最大的组学特征,分别是Quantile0.025,Surface Volume Ratio,One Voxel Volume,Spherical Disproportion,Low Intensity Large Area Emphasis,并建立影像组学机器学习模型:逻辑回归模型。使用受试者工作曲线下面积(AUC)值、准确度、敏感度、特异度、阳性预测值和阴性预测值评估模型的诊断效能。结果在训练组上逻辑回归模型鉴别肾脏透明细胞癌与乏脂肪型血管平滑肌脂肪瘤的AUC值0.92,敏感性0.98,特异性0.74,阳性预测值0.94,阴性预测值0.91;在测试组上逻辑回归模型鉴别肾脏透明细胞癌与乏脂肪型血管平滑肌脂肪瘤的AUC值0.93,敏感性0.96,特异性0.75,阳性预测值0.94,阴性预测值0.82。结论基于皮质期的影像组学模型在鉴别肾脏透明细胞癌与乏脂肪型肾血管平滑肌脂肪瘤取得了良好的诊断效能。