基于MRI影像组学联合临床特征的机器学习模型预测宫颈鳞癌组织学分级的价值

摘要

目的 探讨基于MRI影像组学联合临床特征的不同机器学习模型对宫颈鳞癌组织学分级的预测价值。方法 回顾性分析经病理活检证实的150例宫颈鳞癌患者，按4∶1的比例随机分为训练集和验证集。从T2加权像脂肪抑制序列（FS-T₂WI）和增强T₁WI（延迟期）的感兴趣区中提取特征。经过降维和筛选特征后，使用Logistic回归（LR）、支持向量机（SVM）、贝叶斯（NB）、随机森林（RF）、轻量级梯度提升机（LightGBM）、K-最近邻法（KNN）构建预测宫颈鳞癌组织学分级的影像组学模型。采用受试者操作特征（ROC）曲线下面积（AUC）评估6种模型的预测性能。采用单因素及多因素Logistic回归分析预测独立危险因素，并建立临床及影像组学联合模型。通过AUC比较各个模型的差异，决策曲线（DCA）评估模型的临床价值。结果 在影像组学模型中，LightGBM模型AUC下面积最大（训练集为0.910，验证集为0.839）。临床特征联合LightGBM模型的AUC面积最大（训练集0.935，验证集0.888），高于临床模型（AUC训练集为0.762，验证集为0.710）和LightGBM影像组学模型。结论 LightGBM模型在影像组学模型中预测价值较高。联合模型的DCA效果最佳，具有最好的临床净获益。结合影像组学和临床特征的联合预测模型对宫颈鳞癌低分化具有良好的预测价值，可为临床决策提供一种无创、高效的方法。

关键词

宫颈鳞癌 / 影像组学 / 组织学分级 / 磁共振成像 / 机器学习