换一批基于多种机器学习算法的影像组学模型预测胶质瘤IDH突变状态的对比分析
Comparative Analysis of Radiomics Models Based on Multiple Machine Learning Algorithms for Predicting IDH Mutation Status in Gliomas
摘要目的 探讨基于T1WI增强(T1WI CE)的影像组学特征构建多种机器学习模型预测胶质瘤异柠檬酸脱氢酶(IDH)突变状态的对比分析研究.方法 回顾性搜集122例经病理确诊胶质瘤且行MRI增强扫描的患者资料,其中IDH突变型胶质瘤35例,IDH野生型胶质瘤87例.以7∶3分层随机抽样分为训练组和测试组.采用ITK-SNAP软件分割T1WI CE序列的肿瘤区域作为感兴趣容积,然后导入A.K.软件提取影像组学特征;通过单因素逻辑回归降维并筛选出10个最优特征.基于显著特征,分别构建7种机器学习算法模型,分别为可解释模型(EBM)、支持向量模型(SVM)、k最邻近(KNN)、逻辑回归(LR)、决策树(DT)、极度梯度提升(XGB)、多层感知机(MLP)模型.采用受试者工作特征曲线评价预测模型效能并以决策曲线分析(DCA)评估临床实用性.结果 EBM、SVM、KNN、LR、XGB、DT、MLP 7种算法构建影像组学模型对胶质瘤IDH突变诊断效能在训练集预测胶质瘤IDH突变的曲线下面积分别为1.000、0.966、0.943、0.925、0.927、0.879、0.908;在测试集分别为0.946、0.912、0.910、0.908、0.896、0.850、0.823,其中EBM模型的曲线下面积(0.946)最高,敏感度为90.0%、特异度80.8%,且DCA显示其临床实用性较高.结论 基于T1WI CE的影像组学特征构建不同机器学习模型可用于预测IDH突变状态,EBM模型诊断价值优于其他机器学习模型,且DCA表明临床实用性高.
更多相关知识
栏目名称
发布时间
2025-07-18（万方平台首次上网日期，不代表论文的发表时间）
基金项目
广东省医学科学技术研究基金项目（A2024768）
梅州市人民医院科研培育项目（PY-C20210022）
- 浏览14
- 被引0
- 下载7
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
