换一批MRI影像组学机器学习模型对肝泡型包虫病边缘带微血管侵犯的预测价值
Evaluating MRI omics-based machine learning for preoperative prediction of microvascular invasion in hepatic alveolar echinococcosis margins
摘要目的 探讨MRI影像组学机器学习模型对肝泡型包虫病(HAE)边缘带微血管侵犯的预测价值.方法 采用回顾性分析法选取110例经术后病理确诊的HAE患者,收集患者的MR影像资料及病理切片资料,提取病灶MR影像组学特征.将患者按照8∶2比例分为训练集(88例),测试集(22例),建立极限梯度增强树(XGBoost)、随机森林(RF)、Logistic回归(LR)、支持向量机(SVM)和经典决策树(cDT)预测HAE边缘带微血管侵犯的机器学习模型,进行模型验证,并绘制ROC曲线分析不同模型对HAE边缘带微血管侵犯的预测效能.结果 病理结果显示110例患者中有25例存在边缘带微血管侵犯,无边缘带微血管侵犯85例.有边缘带微血管侵犯与无边缘带微血管侵犯HAE患者的性别、年龄、病灶部位及病灶大小对比,差异均无统计学意义(P＞0.05).训练集中有20例存在边缘带微血管侵犯,测试集中有5例存在边缘带微血管侵犯.影像组学特征共提取出759个,经方差阈值法、单变量选择法最终筛选出最优影像组学特征6个.训练集中,XGBoost、RF对边缘微血管侵犯诊断的AUC值最高(0.95和0.96);测试集中,XGBoost、RF对边缘微血管侵犯诊断的AUC值(0.88和0.84)也高于其他3组模型.XGBoost模型与RF模型在训练集及测试集中的AUC值比较,差异均无统计学意义(P＞0.05).结论 MRI影像组学的XGBoost模型和RF模型对HAE边缘带微血管侵犯的预测均有较高的效能.
更多相关知识
关键词
肝泡型包虫病磁共振成像边缘带微血管侵犯影像组学机器学习模型Hepatic alveolar hydatid diseaseMagnetic resonance imagingMarginal zone microvascular invasionImaging omicsMachine learning model
栏目名称
DOI
10.3969/j.issn.1008-1704.2024.03.016
发布时间
2024-05-09（万方平台首次上网日期，不代表论文的发表时间）
基金项目
青海省科技计划项目（2020-wjzdx-27）
- 浏览62
- 被引9
- 下载14
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
