科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 探讨基于对比增强T1WI图像纹理特征建立机器学习模型诊断脑转移瘤原发灶来源的价值。资料与方法 回顾性分析2016年8月—2020年2月南京鼓楼医院集团宿迁医院肺癌、乳腺癌和消化系统肿瘤脑转移患者112例，共137枚脑转移瘤。利用Mazda软件提取对比增强T1WI图像纹理特征，通过组内相关系数检验选取重复性良好的纹理特征。按照7∶3分为训练集（n=96）和验证集（n=41）。对训练集中的特征进行降维，并采用OneVsRest多分类策略，分别训练Logistic回归、随机森林和支持向量机3种机器学习模型。建立的模型在验证集中进行验证。绘制3种脑转移作为阳性分类时的受试者工作特征曲线，比较3种模型曲线下面积（AUC）的差异。通过计算3种模型的宏平均AUC评价模型的整体分类性能。结果 3种模型中随机森林模型诊断效能最好，验证集中对肺癌、乳腺癌和消化系统肿瘤脑转移的AUC分别为0.801、0.928、0.817，宏平均AUC为0.87。3种模型AUC差异均无统计学意义（P>0.05）。结论 基于对比增强T1WI图像纹理特征建立机器学习模型能够有效诊断脑转移瘤原发灶来源，其中随机森林模型的诊断效能较好。
- 出版日期2023
- 单位南京鼓楼医院; 徐州医科大学
