基于机器学习的MRI增强图像构建脑膜瘤病理分级自动预测模型及其效能验证
陈鹏1
孙淼2
宋亭亭1
王天佐3
张金玲2
1.哈尔滨市第四医院放射科 黑龙江 哈尔滨 1500262.哈尔滨医科大学附属第二医院CT诊断科 黑龙江 哈尔滨 1500863.黑龙江省森工总医院CT诊断科 黑龙江 哈尔滨 150040
摘要：目的 基于机器学习的 MRI增强图像构建脑膜瘤病理分级自动预测模型,并验证其分割、分类性能.方法 选取 126 例经病理证实的脑膜瘤患者,其中高级别脑膜瘤 43 例、低级别脑膜瘤 83 例.按照 7∶3 随机分成训练集88 例和测试集 38 例,再从训练集中随机选取 17 例作为验证集.利用深度学习训练自动分割模型,并根据Dice系数选择最优模型.随后,从训练集数据中提取影像组学特征,并经过多步骤特征筛选,选出最佳特征组合.使用四种机器学习算法构建分类模型,其中基于自动分割图像提取特征的模型记为Model A,基于手工分割提取特征的模型记为Model M.最后,通过 ROC 曲线、校正曲线、决策曲线分析和净重分类系数(NRI)等指标对最优分类模型进行评估和比较.结果 Model A在训练集、验证集和测试集上均表现出良好的性能,Dice系数分别为 0.915、0.886 和 0.871.在分类模型中,基于随机森林算法的模型表现最优.ROC曲线分析显示,Model A的AUC为 0.851(95%CI:0.713～0.989),Model M的AUC为 0.831(95%CI:0.683～0.979),二者比较差异无统计学意义(P=0.325);校正曲线显示,两模型的拟合度均较好;决策曲线显示,在大部分阈值下,Model A具有略高的标准化净利益,而在预测相同测试集时两模型的灵敏度、特异度、准确率和AUC均保持一致,NRI=0.结论 结合深度学习与影像组学的自动机器学习模型可预测脑膜瘤病理分级,并展现出良好的分割、分类性能,能够为术前评估和治疗决策提供帮助.
关键词：脑膜瘤磁共振成像病理分级机器学习自动分割
分类号：R739.41(神经系肿瘤)R445.2(诊断学)
论文发表日期：2025-10-30
在线出版日期：2025-11-27（本平台首次上网日期，不代表文献的发表时间）
页数：6( 34-39 )
英文信息