基于影像组学特征的机器学习模型对较低级别胶质瘤ATRX突变状态的预测
阚豫波1
张力强2
曹旭3
刘智4
侯键5
1.四川省妇女儿童医院/成都医学院附属妇女儿童医院放射科,成都 610041;成都中医药大学医学与生命科学学院2.重庆医科大学附属第一医院放射科3.什邡市人民医院放射科4.重庆市中医院放射科5.成都中医药大学附属医院放射科
摘要：目的 基于多模态影像组学特征构建机器学习模型,探讨其在术前无创性预测异柠檬酸脱氢酶(IDH)突变型较低级别胶质瘤(LrGG)的a-地中海贫血伴智力低下综合征X连锁(ATRX)基因突变状态的能力.方法 回顾性分析102例经病理及分子检测确诊为IDH突变型LrGG病人的影像及临床资料,其中A TRX突变型47例,野生型55例.将病人按7∶3的比例随机分为训练集(71例)和测试集(31例).从增强(CE)-T1WI、表观扩散系数(ADC)图和18F-FDG PET中共提取3 318个影像组学特征.根据不同影像来源将影像组学特征分为5个数据集,分别为增强集(CE-T1WI)、ADC 集(ADC)、PET 集(18F-FDG PET)、MRI 集(CE-T1WI+ADC)、联合集(CE-T1WI+ADC+18F-FDG PET).将4种特征降维方法[线性判别分析(LDA)、主成分分析(PCA)、Wilcoxon基于相关系数选择法、最小绝对收缩和选择算子(LASSO)]以及4种机器学习算法[支持向量机(SVM)、逻辑回归(LR)、K邻近(KNN)、随机森林(RF)]组合,基于联合集特征构建16个预测模型并进行效能评估,选出最优的算法组合.将最优算法应用于增强集、ADC集、PET集、MRI集、联合集中构建模型,绘制受试者操作特征(ROC)曲线并计算曲线下面积(AUC)来评价各模型的预测效能.结果 基于联合集影像组学特征构建的16个预测模型中,采用LASSO与RF算法组合构建的模型预测效能最优,其在训练集和测试集中的AUC分别为0.967和0.950.4种特征降维方法中,采用LASSO算法的模型整体预测效能最好;4种机器学习方法中,采用RF算法的模型预测效能最好.该预测模型应用于增强集、ADC集、PET集、MRI集、联合集,结果显示其在联合集中的预测效能最高,在训练集和测试集中的AUC分别为0.967和0.950,其次为MRI集和PET集(AUC值分别为0.931和0.915).结论 基于多模态影像组学特征,采用LASSO与RF算法组合构建的机器学习模型用于预测IDH突变型LrGG的A TRX突变状态的效能较高,是一种无创且简便的方法.
关键词：胶质瘤基因突变影像组学机器学习
分类号：R445.2(诊断学)R739.41(神经系肿瘤)
论文发表日期：2024-09-15
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 546-553 )
英文信息