目的探討基于平均擴(kuò)散峰度（MK）圖的影像組學(xué)方法鑒別不同風(fēng)險(xiǎn)病理類型子宮內(nèi)膜癌（EC）的價(jià)值。資料與方法回顧性分析70例EC患者的MK圖像,其中高風(fēng)險(xiǎn)病理類型28例,低風(fēng)險(xiǎn)病理類型42例,采用合成少數(shù)類過(guò)采樣技術(shù)使高風(fēng)險(xiǎn)病理類型數(shù)量達(dá)42例。將患者分為訓(xùn)練組58例和測(cè)試組26例。使用ITK-SNAP軟件在MK圖像獲得腫瘤全域三維感興趣區(qū),然后導(dǎo)入A.K.分析軟件提取高維影像組學(xué)特征,使用最小絕對(duì)收縮和選擇算子、單變量Logistic回歸和方差分析方法進(jìn)行特征篩選和降維,構(gòu)建多元邏輯回歸模型,繪制受試者工作特征曲線評(píng)價(jià)模型效能,并在測(cè)試組中驗(yàn)證。結(jié)果經(jīng)降維得到4個(gè)與EC病理類型風(fēng)險(xiǎn)性相關(guān)的組學(xué)特征。構(gòu)建的模型在訓(xùn)練組鑒別不同風(fēng)險(xiǎn)病理類型EC的準(zhǔn)確度、受試者工作特征曲線下面積、敏感度、特異度分別為81.0%、0.866、89.7%、72.4%,測(cè)試組分別為80.8%、0.893、92.3%、69.2%。結(jié)論基于MK圖的影像組學(xué)可有效鑒別不同風(fēng)險(xiǎn)病理類型的EC,有助于制訂臨床決策。 

【文章來(lái)源】：中國(guó)醫(yī)學(xué)影像學(xué)雜志. 2020,28(09)北大核心CSCD

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

女，52歲，低分化子宮內(nèi)膜樣腺癌。

構(gòu)建的Logistic回歸模型在訓(xùn)練組、測(cè)試組鑒別不同風(fēng)險(xiǎn)病理類型EC的準(zhǔn)確度、曲線下面積、敏感度、特異度見表1,ROC曲線、校準(zhǔn)曲線、決策曲線見圖3、4。圖3 訓(xùn)練組的ROC曲線、校準(zhǔn)曲線和決策曲線。

圖2 LASSO降維后訓(xùn)練組模型的變量解析路徑，顯示396個(gè)組學(xué)特征的LASSO系數(shù)隨著超參數(shù)變化而變化的情況，最終篩選得到38個(gè)系數(shù)非零的組學(xué)特征圖4 測(cè)試組的ROC曲線、校準(zhǔn)曲線和決策曲線。

【參考文獻(xiàn)】：
期刊論文
[1]宮頸癌MRI影像組學(xué)參數(shù)預(yù)測(cè)宮頸鱗癌p53的價(jià)值[J]. 韋明珠,趙振華,胡紅杰,章俞,毛海佳,黃亞男.  中國(guó)醫(yī)學(xué)影像學(xué)雜志. 2019(12)



本文編號(hào)：3115759