术前脑胶质瘤分级与异柠檬酸脱氢酶突变状态机器学习预测模型构建及分析

摘要

目的 基于炎症指标及影像学特征构建机器学习模型,并分析这些模型在术前预测脑胶质瘤分级与异柠檬酸脱氢酶(isocitrate dehydrogenase, IDH)突变状态的价值,筛选出最优的预测模型。方法 回顾性分析2019年3月至2023年3月在同济大学附属同济医院诊治的经病理诊断为脑胶质瘤的患者数据。采用LASSO回归筛选特征变量,并基于逻辑回归(logistic regression, LR)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)、梯度提升树(gradient boosting decision tree, XGBoost)和K近邻(k-nearest neighbor, KNN)算法构建脑胶质瘤分级与IDH突变状态预测模型。通过判断力、精确率-召回率曲线下面积(area under curve, AUC)、准确率、F1分数及Brier分数等指标综合评估模型性能。采用DeLong检验比较不同模型的AUC;采用Friedman秩和检验判断模型的总体性能,采用Nemenyi检验进行多重比较校正。结果 在脑胶质瘤分级预测任务中,LR模型的综合评分最高(0.726),但与其他4个模型间差异无统计学意义;年龄与脑胶质瘤分级正相关(P=0.003)。在IDH突变状态预测任务中,XGBoost模型的综合评分最高(0.832),优于LR(0.762,P=0.035)和KNN模型(0.754,P=0.025),与RF和SVM模型间差异无统计学意义。结论 基于任务导向策略构建的脑胶质瘤分级预测LR模型和IDH突变状态预测XGBoost模型,在保证性能优化的同时实现了较好的解释性,能为脑胶质瘤个体化诊疗提供可靠决策支持。

关键词

脑胶质瘤分级 / 异柠檬酸脱氢酶突变 / 机器学习 / 影像学特征 / 炎症指标