基于多模态MRI影像组学模型预测MGMT甲基化阳性高级别胶质瘤1p/19q缺失状态

Radiomics model based on multi-model MRI for predicting 1p/19q deletion status in high-grade gliomas with positive-methylation MGMT

二维码有效期 120s

摘要目的:基于多模态MRI构建影像组学模型,无创性预测MGMT甲基化阳性高级别胶质瘤的1p/19q缺失状态.方法:回顾性分析2021年9月—2023年9月在本院经手术病理证实的106例高级别胶质瘤患者的完整临床和影像资料.所有肿瘤为MGMT甲基化阳性,其中合并1p19q共缺失者33例,非1p19q共缺失者73例.将所有患者按照7∶3的比例随机分为训练集和测试集.分别在T1WI、T2WI、T2-FLAIR和CE-T1WI四个序列的图像上,沿着肿瘤边缘逐层勾画ROI并生成容积感兴趣区(VOI)后提取影像组学特征.应用主成分分析(PCA)方法进行特征降维,并应用方差分析方法进行特征筛选,随后分别采用自编码器(AE)、逻辑回归(LR)、随机森林(RF)和支持向量机(SVM)四种机器学习算法构建预测MGMT甲基化阳性合并1p/19q共缺失状态的影像组学模型.采用受试者工作特征曲线评估各模型的诊断效能.结果:AE影像组学模型在预测高级别胶质瘤MGMT甲基化阳性合并1p/19q缺失状态表现出较高的AUC,其在训练集和测试集中的AUC分别为0.924和0.864;而LR、RF和SVM影像组学模型在训练集中的AUC分别为0.950、1.000和0.951,在测试集中的AUC分别为0.777、0.773和0.786.结论:基于多模态MRI影像组学模型可以有效预测MGMT甲基化阳性高级别胶质瘤的1p/19q缺失状态.