基于机器学习的影像组学模型对肌层浸润性膀胱癌的诊断价值

目的 建立基于Logistic回归分析法、R-Tree两种机器学习算法的影像组学模型,探讨各模型对肌层浸润性膀胱癌的诊断效能.方法 回顾性分析经病理证实的膀胱癌132例,其中肌层浸润性膀胱癌51例,非肌层浸润性膀胱癌81例;所有患者术前均接受MRI检查,包括T2WI及DWI序列.两位影像科医生应用ITK-SNAP软件在T2WI和ADC图上手动勾画病灶的三维兴趣区(VOI).应用AK软件对获得的VOI进行特征提取、降维、筛选,并基于不同机器学习算法构建三组预测模型(ADC、T2WI、T2WI+ADC).采用受试者工作特征(ROC)曲线评估不同模型的诊断效能,获得曲线下面积(AUC)、符合率、特异度、敏感度.结果 应用Logistic回归分析算法三组模型(ADC、T2WI、ADC+T2WI)在验证集的AUC分别为0.800、0.878、0.910,ADC+T2WI模型的AUC最大;应用R-Tree算法三种模型(ADC、T2WI、ADC+T2WI)在验证集的AUC分别为0.793、0.863、0.913,ADC+T2WI模型的AUC最大;两种机器学习算法构建的影像组学模型对肌层浸润性膀胱癌的诊断效能相当.结论 基于Logistic回归分析法、R-Tree两种机器学习算法的影像组学模型对肌层浸润性膀胱癌均有较好的诊断价值,其中ADC+T2WI模型的诊断效能更优.