目的:本文擬探討基于DWI、T2WI、DCE增強早期和DCE增強晚期的四種機器學習模型在前列腺癌診斷方面的價值研究。材料與方法:回顧性收集我院2015年1月1日至2017年6月30日進行MRI檢查并且通過病理證實的前列腺癌患者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動態(tài)增強序列。使用AW4.6工作站,從PACS系統(tǒng)(Picture Archiving and Communication Systems)導出患者數(shù)據(jù),包括完整的T2WI橫軸、DWI軸位、DCE軸位圖像。了解組織病理學結果,審查了每個數(shù)據(jù)集,由兩名五年以上工作經(jīng)驗的放射科醫(yī)生根據(jù)組織病理學確定前列腺癌最可疑的位置,挑選出病灶面積最大的層面,同時確定病變邊界范圍,如有多發(fā)病變時,取最大病變,如有意見不一致時,需二者協(xié)商一致達成共識。在AK軟件上,選取通過組織學-MRI匹配所確定的前列腺癌最大橫截面所在的層面,沿病變邊界手動勾畫感興趣區(qū)(ROI);前列腺增生病例選取前列腺最大橫截面所在層面,沿前列腺邊界手動勾畫感興趣區(qū)(ROI)。同時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最小。計算得出了396個紋理特征。通過‘corrplot’包運行相關矩陣(Correlation Matrix)去除冗余特征,通過‘Boruta’特征提取方法,DWI提取了32個特征,T2WI提取了24個特征,DCE增強早期提取了26個特征,DCE增強晚期提取了17個特征。使用R軟件(版本3.4.2)中的caret包,通過提取的特征分別建立基于DWI、T2WI、DCE增強早期、DCE增強晚期的線性判別分析(liner discriminant analysis,LDA)、隨機森林(Random Forest,RF)、K鄰近(K Nearest Neighbor,K-NN)、樸素貝葉斯(Naive Bayesian,NB)四種機器學習模型。將127例前列腺癌病例和265例前列腺增生病例按照70%比30%比例隨機分成訓練集和測試集,訓練集由89例前列腺癌病例和186例前列腺增生病例構成,驗證集由38例前列腺癌和79例前列腺增生病例構成,訓練集隨機分成十組,采用重復十次的十折交叉驗證方法對分類器進行訓練,得到機器學習模型。用測試集對其進行驗證,得到準確率、敏感性、特異性、ROC曲線、ROC曲線下面積(AUC)及95%可信區(qū)間。結果:四種機器學習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)的同一種機器學習模型中,基于DWI的機器學習模型AUC值均高于其它,尤其是基于DWI的RF機器學習模型AUC值更是高達0.9327,達到了優(yōu)秀的分類性能。四種機器學習模型中RF模型的AUC值高于LDA、K-NN、NB模型。結論:基于多參數(shù)磁共振成像(mpMRI)的放射組學特征建立機器學習模型,對于區(qū)分前列腺癌和前列腺增生,具有良好的診斷性能。對鑒別前列腺增生與前列腺癌有巨大的潛能和臨床意義,未來可能將成為放射科醫(yī)生的輔助診斷工具。
【學位單位】：中國醫(yī)科大學
【學位級別】：碩士
【學位年份】：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 增強早期，D 為 DCE 增強晚期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’包運行相關矩陣(CorrelationMatrix)用于去除冗余特征，之后運行‘Boruta’包，‘Boruta’包是一個所有相關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)行相關功能的自上向下搜索，通過比較原始特征的重要性和隨機可獲得的重要性，使用它們的排列副本進行估計，并逐步消除不相關的特征以穩(wěn)定該測試。通過‘Boruta’特征提取方法，DWI 提取了 32 個特征，T2WI 提取了 24 個特征，DCE 增強早期提取了 26個特征，DCE 增強晚期提取了 17 個特征，如圖 2 所示。

圖 1 A-D 為病理證實前列腺癌的同一患者 MR 檢查圖像，A 為 DWI，B 為 T2WI，C 為 DCE 增強早期，D 為 DCE 增強晚期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’包運行相關矩陣(CorrelationMatrix)用于去除冗余特征，之后運行‘Boruta’包，‘Boruta’包是一個所有相關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)行相關功能的自上向下搜索，通過比較原始特征的重要性和隨機可獲得的重要性，使用它們的排列副本進行估計，并逐步消除不相關的特征以穩(wěn)定該測試。通過‘Boruta’特征提取方法，DWI 提取了 32 個特征，T2WI 提取了 24 個特征，DCE 增強早期提取了 26個特征，DCE 增強晚期提取了 17 個特征，如圖 2 所示。

測試集驗證基于DWI、T2WI、DCE增強早期和DCE增強晚期四種機器學習模型所得到的ROC曲線

【參考文獻】

相關期刊論文 前3條

1 瞿e

本文編號：2812344