目的:本文擬探討基于DWI、T2WI、DCE增強(qiáng)早期和DCE增強(qiáng)晚期的四種機(jī)器學(xué)習(xí)模型在前列腺癌診斷方面的價(jià)值研究。材料與方法:回顧性收集我院2015年1月1日至2017年6月30日進(jìn)行MRI檢查并且通過(guò)病理證實(shí)的前列腺癌患者127例和前列腺增生患者265例,所有患者包括完整的軸位T2WI、DWI和LAVA序列DCE動(dòng)態(tài)增強(qiáng)序列。使用AW4.6工作站,從PACS系統(tǒng)(Picture Archiving and Communication Systems)導(dǎo)出患者數(shù)據(jù),包括完整的T2WI橫軸、DWI軸位、DCE軸位圖像。了解組織病理學(xué)結(jié)果,審查了每個(gè)數(shù)據(jù)集,由兩名五年以上工作經(jīng)驗(yàn)的放射科醫(yī)生根據(jù)組織病理學(xué)確定前列腺癌最可疑的位置,挑選出病灶面積最大的層面,同時(shí)確定病變邊界范圍,如有多發(fā)病變時(shí),取最大病變,如有意見(jiàn)不一致時(shí),需二者協(xié)商一致達(dá)成共識(shí)。在AK軟件上,選取通過(guò)組織學(xué)-MRI匹配所確定的前列腺癌最大橫截面所在的層面,沿病變邊界手動(dòng)勾畫(huà)感興趣區(qū)(ROI);前列腺增生病例選取前列腺最大橫截面所在層面,沿前列腺邊界手動(dòng)勾畫(huà)感興趣區(qū)(ROI)。同時(shí)嘗試保持繪制線在距病變邊緣大約1-2mm的距離,使邊緣的部分容積效應(yīng)最小。計(jì)算得出了396個(gè)紋理特征。通過(guò)‘corrplot’包運(yùn)行相關(guān)矩陣(Correlation Matrix)去除冗余特征,通過(guò)‘Boruta’特征提取方法,DWI提取了32個(gè)特征,T2WI提取了24個(gè)特征,DCE增強(qiáng)早期提取了26個(gè)特征,DCE增強(qiáng)晚期提取了17個(gè)特征。使用R軟件(版本3.4.2)中的caret包,通過(guò)提取的特征分別建立基于DWI、T2WI、DCE增強(qiáng)早期、DCE增強(qiáng)晚期的線性判別分析(liner discriminant analysis,LDA)、隨機(jī)森林(Random Forest,RF)、K鄰近(K Nearest Neighbor,K-NN)、樸素貝葉斯(Naive Bayesian,NB)四種機(jī)器學(xué)習(xí)模型。將127例前列腺癌病例和265例前列腺增生病例按照70%比30%比例隨機(jī)分成訓(xùn)練集和測(cè)試集,訓(xùn)練集由89例前列腺癌病例和186例前列腺增生病例構(gòu)成,驗(yàn)證集由38例前列腺癌和79例前列腺增生病例構(gòu)成,訓(xùn)練集隨機(jī)分成十組,采用重復(fù)十次的十折交叉驗(yàn)證方法對(duì)分類器進(jìn)行訓(xùn)練,得到機(jī)器學(xué)習(xí)模型。用測(cè)試集對(duì)其進(jìn)行驗(yàn)證,得到準(zhǔn)確率、敏感性、特異性、ROC曲線、ROC曲線下面積(AUC)及95%可信區(qū)間。結(jié)果:四種機(jī)器學(xué)習(xí)AUC值從最低的0.747到最高的0.9327,表現(xiàn)出較高的診斷性能,在基于不同序列紋理特征參數(shù)的同一種機(jī)器學(xué)習(xí)模型中,基于DWI的機(jī)器學(xué)習(xí)模型AUC值均高于其它,尤其是基于DWI的RF機(jī)器學(xué)習(xí)模型AUC值更是高達(dá)0.9327,達(dá)到了優(yōu)秀的分類性能。四種機(jī)器學(xué)習(xí)模型中RF模型的AUC值高于LDA、K-NN、NB模型。結(jié)論:基于多參數(shù)磁共振成像(mpMRI)的放射組學(xué)特征建立機(jī)器學(xué)習(xí)模型,對(duì)于區(qū)分前列腺癌和前列腺增生,具有良好的診斷性能。對(duì)鑒別前列腺增生與前列腺癌有巨大的潛能和臨床意義,未來(lái)可能將成為放射科醫(yī)生的輔助診斷工具。
【學(xué)位單位】：中國(guó)醫(yī)科大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：R445.2;R737.25
【部分圖文】：

圖 1 A-D 為病理證實(shí)前列腺癌的同一患者 MR 檢查圖像，A 為 DWI，B 為 T2WI，C 為 DCE 增強(qiáng)早期，D 為 DCE 增強(qiáng)晚期2.3.4 特征選擇特征選擇與分析使用 R 軟件（版本 3.4.2）。特征選擇使用 R 軟件（版本 3.4.2）中的‘corrplot’包和‘Boruta’包（版本 5.2.0），‘corrplot’包運(yùn)行相關(guān)矩陣(CorrelationMatrix)用于去除冗余特征，之后運(yùn)行‘Boruta’包，‘Boruta’包是一個(gè)所有相關(guān)的特征選擇包裝算法，能夠處理任何分類輸出變量重要性度量的方法。該方法執(zhí)行相關(guān)功能的自上向下搜索，通過(guò)比較原始特征的重要性和隨機(jī)可獲得的重要性，使用它們的排列副本進(jìn)行估計(jì)，并逐步消除不相關(guān)的特征以穩(wěn)定該測(cè)試。通過(guò)‘Boruta’特征提取方法，DWI 提取了 32 個(gè)特征，T2WI 提取了 24 個(gè)特征，DCE 增強(qiáng)早期提取了 26個(gè)特征，DCE 增強(qiáng)晚期提取了 17 個(gè)特征，如圖 2 所示。

圖 1 A-D 為病理證實(shí)前列腺癌的同一患者 MR 檢查圖像，A 為 DWI，B 為 T2WI，C 為 DCE 增強(qiáng)早期，D 為 DCE 增強(qiáng)晚期2.3.4 特征選擇特征選擇與分析使用 R 軟件（版本 3.4.2）。特征選擇使用 R 軟件（版本 3.4.2）中的‘corrplot’包和‘Boruta’包（版本 5.2.0），‘corrplot’包運(yùn)行相關(guān)矩陣(CorrelationMatrix)用于去除冗余特征，之后運(yùn)行‘Boruta’包，‘Boruta’包是一個(gè)所有相關(guān)的特征選擇包裝算法，能夠處理任何分類輸出變量重要性度量的方法。該方法執(zhí)行相關(guān)功能的自上向下搜索，通過(guò)比較原始特征的重要性和隨機(jī)可獲得的重要性，使用它們的排列副本進(jìn)行估計(jì)，并逐步消除不相關(guān)的特征以穩(wěn)定該測(cè)試。通過(guò)‘Boruta’特征提取方法，DWI 提取了 32 個(gè)特征，T2WI 提取了 24 個(gè)特征，DCE 增強(qiáng)早期提取了 26個(gè)特征，DCE 增強(qiáng)晚期提取了 17 個(gè)特征，如圖 2 所示。

測(cè)試集驗(yàn)證基于DWI、T2WI、DCE增強(qiáng)早期和DCE增強(qiáng)晚期四種機(jī)器學(xué)習(xí)模型所得到的ROC曲線

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 瞿e

本文編號(hào)：2812344