基于MRI影像组学构建机器学习模型预测子宫内膜癌病理分级的价值

摘要

目的：基于MRI影像组学构建机器学习模型，探讨其预测子宫内膜癌（EC）病理分级的可行性。方法：回顾性纳入2018年11月—2021年3月梅州市人民医院收治的162例EC患者（高级别组46例、低级别组116例），所有患者均行MRI检查（含T₂WI、DWI、ADC序列）。手动勾画肿瘤感兴趣容积（VOI），通过联影智能uAI Research Portal提取影像组学特征。采用单因素分析与LASSO回归筛选最优特征后，构建逻辑回归、支持向量机、高斯过程和随机森林4种机器学习模型，以7∶3比例划分训练集与测试集，采用受试者工作特征（ROC）曲线、校准曲线及决策曲线评估模型效能。结果：最终筛选出11个最优特征（含5个T₂WI特征、4个DWI特征、2个ADC特征）；训练集曲线下面积（AUC）分别为0.915（逻辑回归）、0.935（支持向量机）、0.937（高斯过程）、0.966（随机森林），测试集AUC分别为0.884（逻辑回归）、0.882（支持向量机）、0.878（高斯过程）、0.806（随机森林）；校准曲线显示各模型预测概率与真实风险高度一致，决策曲线提示模型具有稳定临床净获益。其中，逻辑回归模型在训练集与测试集均保持较高且稳定的性能，鲁棒性及临床适用性更优；随机森林模型存在过拟合风险，泛化能力不足。结论：基于MRI影像组学构建的机器学习模型可有效预测EC病理分级，其中逻辑回归模型可作为临床优选方案。

关键词

子宫内膜癌 / 病理分级 / 磁共振成像 / 影像组学 / 机器学习 / 预测模型