换一批基于MRI影像组学构建机器学习模型预测子宫内膜癌病理分级的价值
Value of machine learning models based on MRI radiomics in predicting pathological grading of endometrial carcinoma
摘要目的:基于MRI影像组学构建机器学习模型,探讨其预测子宫内膜癌(EC)病理分级的可行性.方法:回顾性纳入2018年11月—2021年3月梅州市人民医院收治的162例EC患者(高级别组46例、低级别组116例),所有患者均行MRI检查(含T2WI、DWI、ADC序列).手动勾画肿瘤感兴趣容积(VOI),通过联影智能uAI Research Portal提取影像组学特征.采用单因素分析与LASSO回归筛选最优特征后,构建逻辑回归、支持向量机、高斯过程和随机森林4种机器学习模型,以7∶3比例划分训练集与测试集,采用受试者工作特征(ROC)曲线、校准曲线及决策曲线评估模型效能.结果:最终筛选出 11个最优特征(含5个T2WI特征、4个DWI特征、2个ADC特征);训练集曲线下面积(AUC)分别为0.915(逻辑回归)、0.935(支持向量机)、0.937(高斯过程)、0.966(随机森林),测试集AUC分别为0.884(逻辑回归)、0.882(支持向量机)、0.878(高斯过程)、0.806(随机森林);校准曲线显示各模型预测概率与真实风险高度一致,决策曲线提示模型具有稳定临床净获益.其中,逻辑回归模型在训练集与测试集均保持较高且稳定的性能,鲁棒性及临床适用性更优;随机森林模型存在过拟合风险,泛化能力不足.结论:基于MRI影像组学构建的机器学习模型可有效预测EC病理分级,其中逻辑回归模型可作为临床优选方案.
更多相关知识
关键词
子宫内膜癌病理分级磁共振成像影像组学机器学习预测模型Endometrial carcinomaPathological gradingMagnetic resonance imagingRadiomicsMachine learningPredictive model
分类号
R445.2（诊断学）
栏目名称
DOI
10.20267/j.issn.2096-3807.2025.17.009
发布时间
2025-09-29（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览5
- 被引2
- 下载5
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
