论文部分内容阅读
目的探讨基于MRI常规序列的影像组学对椎体转移瘤的原发肿瘤溯源预测的价值。材料与方法回顾性分析2010年1月-2020年12月于我院行脊柱MRI常规扫描,并经临床或病理证实有明确原发病灶的椎体转移瘤患者70名（男性44名,女性26名;中位年龄61岁,年龄范围41-85岁）的220例椎体转移瘤（包含肺癌95例及非肺癌125例）。将220例样本以7:3的比例随机分为训练集和测试集,其中训练集154例（肺癌组64例,非肺癌组90例）,测试集66例（肺癌组31例,非肺癌组35例）。患者在未行手术治疗、放疗、化疗及靶向治疗前行脊柱MRI常规扫描,采集矢状位T1WI及T2WI,对原始图像进行N4偏置场校正、影像标准化和重采样在内的图像预处理工作。由两位在骨肌影像诊断方面具有3年和10年经验的观察者各自在肿瘤全层通过手动逐步分割出病灶三维轮廓,进行观察者内及观察者间的一致性评估后,将所分割的肿瘤图像保存为ROI（Region of interest,感兴趣区域）。从T1WI和T2WI中各自分别提取1874个影像组学特征。采用t检验和曼惠特尼U检验联合Spearman相关系数、LASSO（Least absolute shrinkage and selection operator,最小绝对收缩和选择算子）以及MI（Mutual information,互信息法）算法对特征进行降维筛选,得到最佳特征并对其进行影像组学评分。应用分类决策树、随机森林、逻辑回归、支持向量机、朴素贝叶斯及XGBoost多种机器学习算法构建模型对最优定量图像特征进行评估。通过ROC（Receiver operating characteristic,受试者工作特征）曲线分析评估各影像组学模型的诊断效能,得到各模型相对应的AUC（Area under the curve,曲线下面积）及95%CI（Confidence interval,置信区间）、准确度、灵敏度及特异度,选择十折交叉验证法将样本数据集随机等分成10份,轮流以9份作训练集和1份作测试集对模型的稳定性进行了评估。应用Delong检验对影像组学模型间的AUC进行显著性差异比较,基于Hosmer-Lemeshow拟合优度检验评估模型的拟合优度,并根据得到的预测概率和实际概率绘制校准曲线用于评估模型临床价值。结果基于MRI常规序列FSE-T1WI和FSE-T2WI提取影像组学特征建立各自的六类模型,所有模型在T2WI的AUC都高于T1WI。随机森林模型在T1WI和T2WI中均显现出最佳预测效能的价值,通过十折交叉验证后T1WI和T2WI的测试集AUC值及95%CI为0.850（0.740,0.926）和0.871（0.766,0.941）,准确度、灵敏度和特异度分别为0.788、61.3%和97.1%,0.803、96.8%和71.4%;而决策树在所有模型中显现了最低的预测效能。在T1WI中,支持向量机和逻辑回归次于随机森林表现为前三的预测效能,其中支持向量机测试集AUC值及95%CI为0.821（0.707,0.905）,准确度、灵敏度和特异度分别为0.697,80.6%和85.7%;逻辑回归测试集AUC值及95%CI为0.802（0.685,0.890）,准确度、灵敏度和特异度分别为0.742,64.5%和85.7%。在T2WI中,逻辑回归和XGBoost次于随机森林表现为前三的预测效能,其中逻辑回归测试集的AUC值及95%CI为0.865（0.759,0.937）,准确度、灵敏度和特异度分别为0.758,80.6%和80.0%;XGBoost测试集AUC及95%CI为0.865（0.758,0.937）,准确度、灵敏度和特异度分别为0.758,74.2%和88.6%。在T1WI和T2WI联合建立的综合模型中,XGBoost与随机森林较各自的单一模型效能均有显著提升,其AUC值及95%CI、准确度、灵敏度、特异度分别为0.916（0.822,0.970）,80.3%,90.3%,85.7%和0.885（0.782,0.950）,74.2%,99.3%,77.1%。应用Delong检验比较各模型ROC曲线性能差异,T1WI测试集的随机森林、支持向量机和逻辑回归三种模型的预测诊断效能之间无显著性差异（p＞0.05）,而决策树与上述三种模型的预测诊断效能之间均存在显著性差异（p＜0.05）;T2WI测试集的随机森林、逻辑回归和XGBoost三种模型的预测诊断效能之间无显著性差异（p＞0.05）,而决策树与XGBoost之间的预测诊断效能存在显著性差异（p＜0.05）。H-L检验结果显示,在T1WI和T2WI的测试集中,所有模型的p值均大于0.05,反映拟合优度良好。校准曲线可视化评估了所有模型的预测概率和实际概率之间的差异性。结论基于MRI的影像组学常规序列FSE-T2WI对肺癌与非肺癌椎体转移瘤的分类诊断效能优于FSE-T1WI。随机森林模型在T1WI和T2WI中均显现出最佳预测效能的价值,XGBoost模型在T1WI和T2WI联合建立的综合模型中显现出最佳预测效能的价值。