基于多参数MRI深度迁移学习放射组学在鼻腔鼻窦恶性肿瘤鉴别中的应用研究

摘要

目的：评估MRI手工提取放射组学特征结合深度迁移学习（DTL）特征对鼻腔鼻窦鳞状细胞癌（SCC）、腺样囊性癌（ACC和非霍奇金淋巴瘤（NHL）的诊断价值。方法：回顾性分析2016年4月—2022年5月就诊于复旦大学附属眼耳鼻喉科医院的50例鼻腔鼻窦SCC患者、42例NHL患者和40例ACC患者的影像资料。将患者按8∶2的比例随机分为训练集（105例）和验证集（27例）。从T2WI、表观扩散系数和对比度增强T1加权图像中手工提取特征和DTL特征。采用ResNet50卷积神经网络（CNN）预训练模型进行DTL特征提取。最小绝对收缩和选择算子回归应用于特征选择和放射特征（Radscore）构建。比较7种机器学习模型在鼻腔鼻窦SCC、ACC和NHL鉴别诊断中的性能。结果：Radscore包括24个手工提取特征和8个DTL特征。支持向量机（SVM）模型在测试队列中表现最好，准确率最高（92.6%）。受试者工作特征曲线（ROC）分析表明，SVM的宏观平均曲线下面积（AUC）和微观平均AUC分别为0.98和0.99，诊断ACC和非ACC、NHL和非NHL、SCC和非SCC的AUC分别为0.99、0.97和11.00。结论：基于多参数MRI手工提取和DTL特征结合SVM机器学习模型可有效鉴别鼻腔鼻窦SCC、NHL和ACC。

关键词

鼻腔鼻窦 / 鳞状细胞癌 / 磁共振成像 / 放射组学 / 深度迁移学习