目的探討基于平均擴散峰度（MK）圖的影像組學方法鑒別不同風險病理類型子宮內(nèi)膜癌（EC）的價值。資料與方法回顧性分析70例EC患者的MK圖像,其中高風險病理類型28例,低風險病理類型42例,采用合成少數(shù)類過采樣技術使高風險病理類型數(shù)量達42例。將患者分為訓練組58例和測試組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),然后導入A.K.分析軟件提取高維影像組學特征,使用最小絕對收縮和選擇算子、單變量Logistic回歸和方差分析方法進行特征篩選和降維,構建多元邏輯回歸模型,繪制受試者工作特征曲線評價模型效能,并在測試組中驗證。結果經(jīng)降維得到4個與EC病理類型風險性相關的組學特征。構建的模型在訓練組鑒別不同風險病理類型EC的準確度、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%,測試組分別為80.8%、0.893、92.3%、69.2%。結論基于MK圖的影像組學可有效鑒別不同風險病理類型的EC,有助于制訂臨床決策。 

【文章來源】：中國醫(yī)學影像學雜志. 2020,28(09)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

女，52歲，低分化子宮內(nèi)膜樣腺癌。

構建的Logistic回歸模型在訓練組、測試組鑒別不同風險病理類型EC的準確度、曲線下面積、敏感度、特異度見表1,ROC曲線、校準曲線、決策曲線見圖3、4。圖3 訓練組的ROC曲線、校準曲線和決策曲線。

圖2 LASSO降維后訓練組模型的變量解析路徑，顯示396個組學特征的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個系數(shù)非零的組學特征圖4 測試組的ROC曲線、校準曲線和決策曲線。

【參考文獻】：
期刊論文
[1]宮頸癌MRI影像組學參數(shù)預測宮頸鱗癌p53的價值[J]. 韋明珠,趙振華,胡紅杰,章俞,毛海佳,黃亞男.  中國醫(yī)學影像學雜志. 2019(12)



本文編號：3115759