基于多序列MRI影像组学与深度迁移学习特征的脑胶质瘤分级预测研究

摘要

目的：探讨基于多序列磁共振成像（magnetic resonance imaging,MRI）手工影像组学（hand-crafted radiomic,HCR）和深度迁移学习（deep transfer learning,DTL）特征的机器学习（machine learning,ML）模型在术前预测脑胶质瘤分级的效能。方法：选取BraTS2019数据集中332例患者的影像数据[高级别胶质瘤（high-grade glioma,HGG）258例，低级别胶质瘤（low-grade glioma,LGG）74例]，随机抽取30例HGG和8例LGG作为测试数据集，其余294例作为训练集和验证集。从T1、T2、T1c和Flair序列中提取病灶的HCR特征和DTL特征，并筛选出影响力前10的特征子集，基于HCR特征、DTL特征和两者组合的深度学习影像组学（deep learning radiomics,DLR）特征，分别建立7种ML模型，评估模型预测HGG和LGG的效能。选择最佳模型后，使用SHAP法对模型特征重要性进行量化及归因分析。结果：基于HCR和DTL组合的DLR特征构建的ML模型预测效能最高，当使用支持向量机的递归特征消除（support vector machine-recursive feature elimination,SVM-RFE）筛选特征后，使用T2+T1c+Flair序列组合的支持向量机（support vector machine,SVM）分类器的预测模型效果最佳。在验证集上，受试者工作特征曲线下面积达到0.996(95%CI:0.991～1.000)，约登指数、准确度、灵敏度和特异度分别为0.920、0.976、0.988和0.932，在测试集上同样具有较高的分级预测效能。SHAP特征权重分析显示Flair序列的特征贡献较大，其次为T2及T1c序列，HCR和DTL特征均有重要贡献。结论：基于多序列MRI的DLR特征构建的ML模型可有效预测脑胶质瘤的肿瘤分级，其中经过SVM-RFE筛选后的T2+T1c+Flair序列组合的SVM分类器模型效能最佳。

关键词

脑胶质瘤 / 磁共振成像 / 手工影像组学 / 深度迁移学习 / 深度学习影像组学 / 预测模型