目的:基于胶质瘤增强T1加权成像(enhancement T1-weighted image,T1WI+C)影像组学特征进行机器学习,构建预测胶质瘤细胞增殖活性的Ki67指数预测模型。方法:回顾性分析本院手术病理结果为胶质瘤并经免疫组化测定Ki67指数的患者113例,随...目的:基于胶质瘤增强T1加权成像(enhancement T1-weighted image,T1WI+C)影像组学特征进行机器学习,构建预测胶质瘤细胞增殖活性的Ki67指数预测模型。方法:回顾性分析本院手术病理结果为胶质瘤并经免疫组化测定Ki67指数的患者113例,随机按约8∶2拆分为训练集与测试集。通过MRIcroGL软件手绘胶质瘤感兴趣区域(region of interest,ROI),利用Python中pyradiomics模块获得1338个影像特征,通过t检验与最小绝对收缩和选择算子(least absolute shrinkage and selection operator,Lasso)回归算法筛选最佳影像组学特征,基于最佳特征使用支持向量机(support vector machine,SVM)分类器建立Ki67预测模型,利用受试者操作特征曲线(receiver operating characteristic curve,ROC曲线)与模型校准曲线评估模型的预测效能。结果:每例患者T1WI+C图像提取1338个影像组学特征,降维后筛选出6个与胶质瘤Ki67指数密切相关的特征。基于支持向量机算法模型在训练集Ki67指数预测中曲线下面积(area under the curve,AUC)为0.82、准确率为0.72;在测试集Ki67指数预测中AUC为0.91、准确率为0.83。模型校准曲线结果显示布尔里得分为0.175。结论:基于T1WI+C的影像建立支持向量机预测模型对胶质瘤细胞增殖活性可能具有较好的预测效能,有助于患者个体化诊疗和未来精准化医疗的发展。展开更多
文摘目的:基于胶质瘤增强T1加权成像(enhancement T1-weighted image,T1WI+C)影像组学特征进行机器学习,构建预测胶质瘤细胞增殖活性的Ki67指数预测模型。方法:回顾性分析本院手术病理结果为胶质瘤并经免疫组化测定Ki67指数的患者113例,随机按约8∶2拆分为训练集与测试集。通过MRIcroGL软件手绘胶质瘤感兴趣区域(region of interest,ROI),利用Python中pyradiomics模块获得1338个影像特征,通过t检验与最小绝对收缩和选择算子(least absolute shrinkage and selection operator,Lasso)回归算法筛选最佳影像组学特征,基于最佳特征使用支持向量机(support vector machine,SVM)分类器建立Ki67预测模型,利用受试者操作特征曲线(receiver operating characteristic curve,ROC曲线)与模型校准曲线评估模型的预测效能。结果:每例患者T1WI+C图像提取1338个影像组学特征,降维后筛选出6个与胶质瘤Ki67指数密切相关的特征。基于支持向量机算法模型在训练集Ki67指数预测中曲线下面积(area under the curve,AUC)为0.82、准确率为0.72;在测试集Ki67指数预测中AUC为0.91、准确率为0.83。模型校准曲线结果显示布尔里得分为0.175。结论:基于T1WI+C的影像建立支持向量机预测模型对胶质瘤细胞增殖活性可能具有较好的预测效能,有助于患者个体化诊疗和未来精准化医疗的发展。
