关键词:
高级别胶质瘤
单发脑转移瘤
影像组学
深度学习
机器学习
摘要:
目的:
通过磁共振增强T1加权像(T1-weighted imaging,T1WI)使用影像组学和深度学习(Deep Learning,DL)等方法提取特征、构建预测模型,研究高级别胶质瘤(High-grade glioma,HGG)与单发脑转移瘤(Solitary brain metastasis,SBM)在鉴别诊断中的应用价值。
方法:
回顾性分析南京医科大学附属淮安第一医院2016年7月至2022年12月间术后病理诊断为HGG的病例(36例),以及病理诊断、临床诊断为SBM的病例(67例)。所有患者均有初次诊断为颅内单发占位性病变的磁共振增强T1WI影像学资料。首先根据磁共振增强T1WI影像学图像对肿瘤逐层勾画出感兴趣区域(region of interest,ROI),提取107个影像组学特征。在数据降维和特征选择之后,采用7种机器学习算法确定用于鉴别诊断的最优影像组学模型。其次,在勾画好的ROI基础上向外扩展2mm瘤周区域,共提取出214个特征,按相同的数据降维、特征选择和机器学习算法(Machine Learning,ML)构建模型。接着,使用预先训练好的5个卷积神经网络模型进行迁移学习提取特征,按上述同样方法构建模型。并将三种影像组学模型进行对比,选取最佳影像组学模型。然后,将可能影响HGG和SBM鉴别诊断的临床因素进行单因素分析,筛选出有显著差异的临床因素(P<0.05),联合影像组学模型,构建新的诊断模型,并用受试者工作特征曲线(Receiver operating characteristic curve,ROC)评估模型效能,用列线图进行可视化。最后,对比影像组学模型和影像组学联合临床因素模型间预测效能的差异,评估其预测性能,确定最优模型。
结果:
本研究共纳入103名患者,瘤内影像模型筛选出5个显著的传统影像组学特征,采用最优算法逻辑回归算法(Logistic regression,LR)构建模型。在训练集中曲线下面积(Area under the curve,AUC)为0.925,在验证集中AUC为0.822。瘤内联合瘤周影像模型最终筛选出6个显著特征,采用相同算法构建模型,在训练集中AUC为0.94,验证集中AUC为0.867。使用预训练的resnet50卷积神经网络进行迁移学习提取特征,采用LR构建模型,在训练集中AUC为0.958,在验证集中AUC为0.911。对可能影响HGG和SBM鉴别诊断的临床因素进行单因素分析,筛选出年龄、性别、吸烟以及DL模型特征。临床因素联合resnet50模型特征,基于LR构建模型,AUC值为0.964,并构建列线图。
结论:
基于DL特征联合临床因素构建的预测模型可以在术前很好地区分HGG和SBM,具有较高的临床应用价值。