首页 > 实用放射学杂志 > 基于额叶和颞叶MRI影像组学联合机器学习算法对轻度认知障碍诊断研究

基于额叶和颞叶MRI影像组学联合机器学习算法对轻度认知障碍诊断研究

Study of mild cognitive impairment diagnosis based on MRI radiomics from the frontal and temporal lobes combined with machine learning algorithms

二维码有效期 120s

摘要目的探讨基于额叶和颞叶的MRI影像组学联合多种机器学习算法诊断轻度认知障碍(MCI)的价值.方法回顾性选取行颅脑MR检查患者,根据纳入与排除标准最终纳入受试者173例,按7∶3的比例随机分为训练集和测试集.在T2-液体衰减反转恢复(FLAIR)图像上勾画额叶和颞叶感兴趣区(ROI)后基于Pyradiomics数据包提取影像组学特征.通过组间和组内相关系数(ICC)、独立样本t检验以及LightGBM算法筛选特征.分别采用支持向量机(SVM)、随机森林(RF)、决策树(DT)、K最近邻(KNN)、梯度提升决策树(GBDT)、极端梯度提升树(XGBoost)结合10折交叉验证构建诊断模型.训练集进一步通过10折交叉验证分割为9份训练数据和1份验证数据,循环迭代优化超参数.采用受试者工作特征(ROC)曲线以及曲线下面积(AUC)评估模型的诊断效能,并应用DeLong检验比较不同模型间的差异性.结果采用SVM、DT、RF、KNN、GBDT、XGBoost构建的影像组学模型在训练集中的 AUC 分别为 0.951、0.992、0.998、0.957、1.000、1.000,在验证集中分别为 0.890、0.843、0.934、0.878、0.930、0.945,在测试集中分别为0.902、0.711、0.899、0.849、0.889、0.882.结论基于额叶和颞叶的MRI影像组学联合多种机器学习算法可以诊断MCI,且基于SVM构建的模型显示出最高的诊断价值.