肝癌患者术前Ki-67指数预测:基于小样本的磁共振T2WI图像的影像组学特征结合多种机器学习模型
黄莹1
刘旭红1
韩晓兵1
林涛1
何桂凤1
黄艺峰1
丁碧娇1
张永辉2
王新达3
张乾营1
1.联勤保障部队第910医院放射诊断科,福建 泉州 3620002.联勤保障部队第910医院病理科,福建 泉州 3620003.泉州市第一医院影像科,福建 泉州 362000
摘要：目的 通过机器学习方法对比分析首诊肝癌患者Ki-67表达水平的差异,并探讨其在免疫组化特征术前预测中的作用.方法 本研究基于双中心数据,收集2023年11月～2024年10月在联勤保障部队第910医院和泉州市第一医院就诊的首诊肝癌患者的MRI及免疫组化Ki-67表达数据,共纳入59例初诊肝癌患者,其中男性52例,女性7例,年龄32～55(44.71±6.639)岁.所有患者均经临床影像诊断为肝细胞癌,并接受术前增强MRI检查.根据Ki-67表达水平,以20%为阈值将患者分为高表达组(Ki-67≥20%,n=37)和低表达组(Ki-67<20%,n=22).影像数据通过3.0T磁共振采集,包括T2WI抑脂序列图像.使用3D Slicer软件手动勾画肿瘤感兴趣区域,并通过OnekeyAI平台提取影像组学特征.采用合成少数类过采样技术平衡数据分布,并对数据进行严格的预处理,包括缺失值处理、异常值检测和数据标准化.运用多种机器学习模型(包括逻辑回归、支持向量机、K近邻、随机森林、极端随机树、XGBoost、LightGBM和多层感知器)对Ki-67表达水平进行分类和预测.结果 随机森林、极端随机树和XGBoost模型在分类训练中表现优异,其中XGBoost模型的AUC值最高(0.914),随机森林和极端随机树的AUC值分别为0.911和0.833.在测试集中,3种模型的AUC值分别为0.741、0.750、0.777.结论 基于小样本的磁共振T2WI图像的影像组学特征结合多种机器学习模型,能够有效预测肝癌患者的术前Ki-67表达水平.
关键词：Ki-67肝癌机器学习ROC曲线双中心研究
资助基金：福建省科技计划项目(2024Y9455)泉州市科技计划项目(2024NY057)第910医院院级课题项目(910YK202307)
论文发表日期：2025-08-20
在线出版日期：2025-09-22（本平台首次上网日期，不代表文献的发表时间）
页数：6( 946-951 )
英文信息