目的探索基于MRI中T_(2)WI序列影像组学中不同机器学习模型在宫颈鳞癌分化程度的预测效能。方法回顾性分析2017年1月至2023年6月的119例宫颈鳞癌患者的临床资料和T_(2)WI影像。两名放射科医生利用ITK-SNAP软件手动勾画病灶的三维感兴趣...目的探索基于MRI中T_(2)WI序列影像组学中不同机器学习模型在宫颈鳞癌分化程度的预测效能。方法回顾性分析2017年1月至2023年6月的119例宫颈鳞癌患者的临床资料和T_(2)WI影像。两名放射科医生利用ITK-SNAP软件手动勾画病灶的三维感兴趣区域,使用Python编程语言提取1316个影像组学特征。采用t检验、LASSO回归筛选最优的影像组学特征,然后建立支持向量机(Support Vector Machine,SVM)、逻辑回归(Logistic Regression,LR)、K近邻(K Nearest Neighbor,KNN)和随机森林(Random Forest,RF)共4种机器学习模型。采用受试者工作特征曲线下面积(Area Under the Curve,AUC)、分类准确度、敏感度和特异性来评估4种模型预测宫颈鳞癌分化程度的效能。结果LR模型区分低分化与中分化、低分化与高分化、中分化与高分化的AUC分别为0.791、0.884、0.793;SVM模型的AUC分别为0.730、0.832、0.815;KNN模型的AUC分别为0.773、0.777、0.677;RF模型的AUC分别为0.824、0.763、0.783。结论基于磁共振T_(2)WI序列影像组学特征的4种机器学习模型,可作为术前预测宫颈鳞癌分化程度的辅助手段,但对不同分化程度的预测效能不同。展开更多
文摘目的探索基于MRI中T_(2)WI序列影像组学中不同机器学习模型在宫颈鳞癌分化程度的预测效能。方法回顾性分析2017年1月至2023年6月的119例宫颈鳞癌患者的临床资料和T_(2)WI影像。两名放射科医生利用ITK-SNAP软件手动勾画病灶的三维感兴趣区域,使用Python编程语言提取1316个影像组学特征。采用t检验、LASSO回归筛选最优的影像组学特征,然后建立支持向量机(Support Vector Machine,SVM)、逻辑回归(Logistic Regression,LR)、K近邻(K Nearest Neighbor,KNN)和随机森林(Random Forest,RF)共4种机器学习模型。采用受试者工作特征曲线下面积(Area Under the Curve,AUC)、分类准确度、敏感度和特异性来评估4种模型预测宫颈鳞癌分化程度的效能。结果LR模型区分低分化与中分化、低分化与高分化、中分化与高分化的AUC分别为0.791、0.884、0.793;SVM模型的AUC分别为0.730、0.832、0.815;KNN模型的AUC分别为0.773、0.777、0.677;RF模型的AUC分别为0.824、0.763、0.783。结论基于磁共振T_(2)WI序列影像组学特征的4种机器学习模型,可作为术前预测宫颈鳞癌分化程度的辅助手段,但对不同分化程度的预测效能不同。
