肝癌患者术前Ki-67指数预测:基于小样本的磁共振T2WI图像的影像组学特征结合多种机器学习模型

摘要

目的 通过机器学习方法对比分析首诊肝癌患者Ki-67表达水平的差异，并探讨其在免疫组化特征术前预测中的作用。方法 本研究基于双中心数据，收集2023年11月～2024年10月在联勤保障部队第910医院和泉州市第一医院就诊的首诊肝癌患者的MRI及免疫组化Ki-67表达数据，共纳入59例初诊肝癌患者，其中男性52例，女性7例，年龄32～55(44.71±6.639)岁。所有患者均经临床影像诊断为肝细胞癌，并接受术前增强MRI检查。根据Ki-67表达水平，以20%为阈值将患者分为高表达组（Ki-67≥20%,n=37）和低表达组（Ki-67<20%,n=22）。影像数据通过3.0T磁共振采集，包括T2WI抑脂序列图像。使用3D Slicer软件手动勾画肿瘤感兴趣区域，并通过OnekeyAI平台提取影像组学特征。采用合成少数类过采样技术平衡数据分布，并对数据进行严格的预处理，包括缺失值处理、异常值检测和数据标准化。运用多种机器学习模型（包括逻辑回归、支持向量机、K近邻、随机森林、极端随机树、XGBoost、LightGBM和多层感知器）对Ki-67表达水平进行分类和预测。结果 随机森林、极端随机树和XGBoost模型在分类训练中表现优异，其中XGBoost模型的AUC值最高（0.914），随机森林和极端随机树的AUC值分别为0.911和0.833。在测试集中，3种模型的AUC值分别为0.741、0.750、0.777。结论 基于小样本的磁共振T2WI图像的影像组学特征结合多种机器学习模型，能够有效预测肝癌患者的术前Ki-67表达水平。

关键词

Ki-67 / 肝癌 / 机器学习 / ROC曲线 / 双中心研究