首页 > 磁共振成像 > 不同机器学习算法下MRI影像组学联合临床特征模型预测子宫腺肌病HIFU术后疗效的比较

不同机器学习算法下MRI影像组学联合临床特征模型预测子宫腺肌病HIFU术后疗效的比较

Comparison of MRI radiomics models combined with clinical features for predicting treatment efficacy in adenomyosis after high intensity focused ultrasound using different machine learning algorithm

二维码有效期 120s

摘要目的基于不同机器学习算法构建MRI影像组学联合临床特征模型预测子宫腺肌病高强度聚焦超声(high intensity focused ultrasound,HIFU)术后疗效的效能比较.材料与方法回顾性收集2021年9月至2024年5月期间接受HIFU治疗并符合纳排标准的169例子宫腺肌病患者影像学及临床资料.MRI评估术后非灌注体积(non-perfused volume,NPV),以非灌注体积比(non-perfused volume ratio,NPVR;NPVR=NPV/子宫腺肌病病灶体积)=50%为界,将患者分为疗效显效组(NPVR≥50%,n=76)和非显效组(NPVR<50%,n=93),通过3D slicer软件勾画病灶并提取特征,分别使用决策树(decision tree,DT)、高斯过程(Gaussian process,GP)、逻辑回归(logistic regression,LR)、偏最小二乘判别分析(partial least squares discriminant analysis,PLSDA)、二次判别分析(quadratic discriminant analysis,QDA)、随机森林(random forest,RF)、随机梯度下降(stochastic gradient descent,SGD)、支持向量机(support vector machine,SVM)8种机器学习算法建立模型,绘制不同模型的受试者工作特征(receiver operating characteristic,ROC)曲线,计算曲线下面积(area under the curve,AUC)、敏感度、特异度、准确度、精确度和F1值评估模型效能.DeLong检验比较不同模型间差异.结果基于DT、GP、LR、PLSDA、QDA、RF、SGD、SVM8种机器学习算法的影像组学联合临床特征模型在训练集中的AUC分别为0.865(95%CI:0.806～0.924)、0.713(95%CI:0.619～0.807)、0.666(95%CI:0.567～0.764)、0.669(95%CI:0.571～0.767)、0.649(95%CI:0.550～0.749)、0.796(95%CI:0.717～0.876)、0.425(95%CI:0.341～0.508)、0.666(95%CI:0.568～0.764),在测试集分别为0.788(95%CI:0.669～0.907)、0.738(95%CI:0.601～0.874)、0.719(95%CI:0.578～0.860)、0.730(95%CI:0.592～0.868)、0.738(95%CI:0.600～0.875)、0.731(95%CI:0.587～0.876)、0.332(95%CI:0.221～0.444)、0.719(95%CI:0.575～0.863).DT模型在测试集中的AUC值、特异度、精确度、准确度最高,在训练集中的AUC值、F1值最高,SGD、PLSDA模型在训练集与测试集中的表现较差.结论 DT、GP、LR、QDA、RF、SVM 6种机器学习算法构建的MRI影像组学联合临床特征模型对子宫腺肌病HIFU术后疗效均具有较好的预测性能,其中DT模型的预测效能最优,该模型可作为预测子宫腺肌病HIFU术后疗效的首选方法,可辅助临床医生制订更合理的治疗方案和患者管理策略.