基于磁共振表观扩散系数图影像组学的机器学习模型对临床显著性前列腺癌的鉴别诊断价值

LIN Xiangjin,ZHU Guangbin, ZHANG Churuo, DU Guoxin, LUO Jinwen, GUAN Yubao

Journal of Modern Oncology(2023)

引用 0|浏览0
暂无评分
摘要
目的:探讨基于磁共振表观扩散系数图影像组学的机器学习模型对临床显著性前列腺癌的临床应用价值.方法:回顾性分析本院2017 年10 月至2022 年12 月经病理证实的182 例前列腺癌磁共振检查资料,其中临床显著性前列腺癌(clinically significant prostate cancer,CsPCa)126 例,非临床上显著性前列腺癌(clinically insignificant prostate cancer,CiPCa)56 例;采用ITK-SNAP软件对磁共振ADC图进行感兴趣区分割,使用pyradiomics软件包,提取包括一阶特征(First Order)、形状特征(Shape)、灰度共生矩阵(GLCM)、灰度区域矩阵(GLSZM)、灰度游程矩阵(GLRLM)、灰度相依矩阵(GLDM)、邻域灰度差分矩阵(NGTDM)影像组学特征;采用一致性检验及最小绝对收缩与选择算子算法(LASSO)筛选出的最佳特征,按7∶3的比例随机分为训练组和验证组,构建逻辑回归(Logistic regression,LR)模型,采用受试者工作特征曲线下面积(area under the curve,AUC)验证其鉴别诊断价值.结果:从ADC图像中提取了1 835 个影像组学特征,筛选出15 个最佳特征构建逻辑回归机器学习模型.训练集和测试集的准确性分别为 0.727、0.700;曲线下面积分别为0.768(95%可信区间:0.700~0.837)、0.719(95%可信区间:0.562~0.875);特异度分别为0.902、0.875;阳性预测值分别为0.683、0.636;阴性预测值分别为0.739、0.718;精确度分别为0.683、0.636.结论:前列腺癌磁共振表观扩散系数图影像组学的逻辑回归机器学习模型,对鉴别临床显著性前列腺癌提供潜在的有效信息.
更多
关键词
clinically significant prostate cancer,clinically insignificant prostate cancer,magnetic resonance ima-ging,apparent diffusion coefficient,machine learning model
AI 理解论文
溯源树
样例
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要