基于磁共振图像机器学习放射组学模型预测脑胶质瘤的强化

摘要

目的 开发一个基于T2液体衰减反转恢复序列（T2-FLAIR）图像准确预测胶质瘤MRI强化模式的机器学习放射组学模型，为优化胶质瘤患者的MRI检查流程提供潜在的理论依据。方法 回顾性收集385例手术病理确诊的脑胶质瘤的术前MRI T2-FLAIR图像，根据强化模式分成强化和无强化两类，在训练组（201例）基于高斯过程、线性回归、线性回归最小绝对收缩和选择算子、支持向量机、线性判别分析和朴素贝叶斯这6种分类器分别建立预测胶质瘤强化模式的组学模型，并在内部验证组（85例）和外部验证组（99例）进行测试。应用受试者操作特征曲线评估其预测性能。结果 以高斯过程作为分类器的由15个放射组学特征组成的预测模型在训练组和内部验证组均具有最高的预测性能，其曲线下面积分别是0.88(95%CI:0.81,0.94)和0.80(95%CI:0.71,0.88)，在外部验证组的曲线下面积、敏感性、特异性、阳性预测值、阴性预测值分别是0.81(95%CI:0.71,0.90)、0.98、0.61、0.76、0.96。结论 基于T2-FLAIR的机器学习放射组学模型可准确预测胶质瘤的MRI强化模式。

关键词

脑肿瘤 / 磁共振成像 / 机器学习 / 放射组学

基金资助

南方医科大学2021年省级大学生创新训练计划项目资助（S202112121081）; 广东省自然科学基金（2023A1515011453）