基于MRI影像组学的机器学习模型对新生儿急性胆红素脑病具有较高诊断价值

摘要

目的 基于T1WI影像组学特征，通过支持向量机（SVM）、逻辑回归、随机森林、K最近邻、朴素贝叶斯以及多层感知机6种机器学习算法，构建高效稳定的新生儿急性胆红素脑病机器学习预测模型。方法 回顾性选取2019年1月～2023年8月新疆医科大学第一附属医院收治入院并临床诊断为急性胆红素脑病的新生儿54例，出生胎龄37⁺²～40⁺¹（38.03±2.57）周；另选取正常新生儿47例，其出生胎龄37⁺⁴～40⁺⁵（38.05±2.61）周。采用Python程序及Pyradiomics软件从影像图像中提取高通量影像组学特征，并采用Pearson相关系数和LASSO回归进行特征筛选，建立影像组学机器学习模型并比较各类机器学习分类器的性能。结果 经过影像组学特征提取和筛选，共筛选出8个最具代表性的特征，建立新生儿急性胆红素脑病影像组学模型，其中SVM准确度为0.739，优于其他5种算法。结论 基于MRI影像组学的机器学习模型在新生儿胆红素脑病诊断中展现出显著价值，其中SVM凭借优异的分类性能和模型稳定性成为最优算法，为急性胆红素脑病的早期诊断提供了新思路，具有重要的临床应用前景。

关键词

急性胆红素脑病 / 苍白球 / 磁共振成像 / 机器学习