基于MK图像的影像组学方法鉴别不同风险病理类型子宫内膜癌的价值

发布时间：2021-04-02 18:42

　　目的探讨基于平均扩散峰度（MK）图的影像组学方法鉴别不同风险病理类型子宫内膜癌（EC）的价值。资料与方法回顾性分析70例EC患者的MK图像,其中高风险病理类型28例,低风险病理类型42例,采用合成少数类过采样技术使高风险病理类型数量达42例。将患者分为训练组58例和测试组26例。使用ITK-SNAP软件在MK图像获得肿瘤全域三维感兴趣区,然后导入A.K.分析软件提取高维影像组学特征,使用最小绝对收缩和选择算子、单变量Logistic回归和方差分析方法进行特征筛选和降维,构建多元逻辑回归模型,绘制受试者工作特征曲线评价模型效能,并在测试组中验证。结果经降维得到4个与EC病理类型风险性相关的组学特征。构建的模型在训练组鉴别不同风险病理类型EC的准确度、受试者工作特征曲线下面积、敏感度、特异度分别为81.0%、0.866、89.7%、72.4%,测试组分别为80.8%、0.893、92.3%、69.2%。结论基于MK图的影像组学可有效鉴别不同风险病理类型的EC,有助于制订临床决策。 

【文章来源】：中国医学影像学杂志. 2020,28(09)北大核心CSCD

【文章页数】：5 页

【部分图文】：

女，52岁，低分化子宫内膜样腺癌。

构建的Logistic回归模型在训练组、测试组鉴别不同风险病理类型EC的准确度、曲线下面积、敏感度、特异度见表1,ROC曲线、校准曲线、决策曲线见图3、4。图3 训练组的ROC曲线、校准曲线和决策曲线。

图2 LASSO降维后训练组模型的变量解析路径，显示396个组学特征的LASSO系数随着超参数变化而变化的情况，最终筛选得到38个系数非零的组学特征图4 测试组的ROC曲线、校准曲线和决策曲线。

【参考文献】：
期刊论文
[1]宫颈癌MRI影像组学参数预测宫颈鳞癌p53的价值[J]. 韦明珠,赵振华,胡红杰,章俞,毛海佳,黄亚男.  中国医学影像学杂志. 2019(12)



本文编号：3115759