目的基于MRI平扫T2WI和增强T1WI的影像组学特征值,探讨机器学习模型随机森林(random forest,RF)对子宫内膜癌肌层浸润深度预测价值。材料与方法回顾性分析行盆腔MRI平扫及增强检查并经手术病理证实为子宫内膜癌患者的影像资料114例(ⅠA...目的基于MRI平扫T2WI和增强T1WI的影像组学特征值,探讨机器学习模型随机森林(random forest,RF)对子宫内膜癌肌层浸润深度预测价值。材料与方法回顾性分析行盆腔MRI平扫及增强检查并经手术病理证实为子宫内膜癌患者的影像资料114例(ⅠA期86例,ⅠB期28例),以4∶1的比例通过分层抽样的方法分为训练集和测试集。采用ITK-SNAP软件分别在矢状面平扫T2WI图像及多期增强T1WI图像第二时相进行手动逐层勾画ROI,分别对T2WI和增强T1WI数据集进行影像组学特征值提取(https://github.com/Radiomics/pyradiomics),并对随机森林模型进行训练和测试(http://scikit-learn.org/),采用ROC曲线评价预测效能。结果基于平扫T2WI图像特征值建立的RF模型预测子宫内膜癌肌层浸润深度在测试集的曲线下面积(AUC)为0.938,其准确度、敏感度、特异度分别为91.3%、87.5%、93.3%,模型中重要性排名前3位的特征分别为形状平坦度(shape flatness,SF)、灰度级带矩阵区域方差(GLSZMzonevariance,GLSZM-ZV)、灰度级长矩阵运行方差(GLRLM run variance,GLRLM-RV);基于增强T1WI图像建立的RF模型在测试集的AUC为0.818,准确度、敏感度、特异度分别为81.8%、100%、75.0%,模型中重要性排名前3位的特征分别为SF、灰度相关矩阵高灰度依赖程度(GLDM large dependencehighgraylevelemphasis,GLDM-LDHGLE)、灰度共生矩阵相关性(GLCM correlation)。结论基于MRI影像组学的随机森林模型在预测子宫内膜癌肌层浸润深度中具有较大应用潜力,其中基于平扫T2WI图像建立模型较增强T1WI显示出更大的诊断价值。展开更多
目的探讨表观扩散系数(apparent diffusion coefficient,ADC)值在术前无创性预测子宫内膜癌(endometrial carcinoma,EC)患者子宫肌层浸润(myometrial infiltration,MI)、Ki-67和P53表达水平的可行性。材料与方法回顾性分析兰州大学第二...目的探讨表观扩散系数(apparent diffusion coefficient,ADC)值在术前无创性预测子宫内膜癌(endometrial carcinoma,EC)患者子宫肌层浸润(myometrial infiltration,MI)、Ki-67和P53表达水平的可行性。材料与方法回顾性分析兰州大学第二医院2017年1月至2021年12月期间在术前接受MRI扩散加权成像(diffusion weighted imaging,DWI)检查并在术后经病理证实的105名EC患者临床资料和影像数据,两名独立的放射科医生分别对照MRI增强和DWI图像在ADC图像上测量EC的最大ADC值(ADCmax)、平均ADC值(ADCmean)及最小ADC值(ADCmin)。采用二元logistic回归筛选EC患者的临床信息、ADC值与MI、Ki-67和P53表达的相关性,构建列线图预测模型,并绘制受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线和临床决策曲线(decision curve analysis,DCA)对预测模型进行评价。结果ADCmax、ADCmean和ADCmin与EC患者MI、Ki-67和P53表达水平显著相关(P<0.05),而国际妇产科学联合会(the International Federation of Gynecology and Obstetrics,FIGO)分期仅与EC患者MI和Ki-67表达水平显著相关(P<0.05)。将ADCmax、ADCmean、ADCmin与FIGO分期结合起来构建列线图模型,预测模型、ADCmax、ADCmean、ADCmin和FIGO分期预测MI的ROC曲线下面积(area under the curve,AUC)值分别为0.809、0.707、0.693、0.694和0.599;预测Ki-67表达水平的AUC值分别为0.897、0.879、0.849、0.808和0.550。结合ADCmax、ADCmean、ADCmin构建列线图模型,预测模型、ADCmax、ADCmean和ADCmin预测P53表达水平的AUC值分别为0.665、0.615、0.641和0.654。结论基于ADC值联合FIGO分期构建的列线图预测模型可作为一种有效方法在术前无创性评估EC患者MI、Ki-67和P53表达。展开更多
文摘目的基于MRI平扫T2WI和增强T1WI的影像组学特征值,探讨机器学习模型随机森林(random forest,RF)对子宫内膜癌肌层浸润深度预测价值。材料与方法回顾性分析行盆腔MRI平扫及增强检查并经手术病理证实为子宫内膜癌患者的影像资料114例(ⅠA期86例,ⅠB期28例),以4∶1的比例通过分层抽样的方法分为训练集和测试集。采用ITK-SNAP软件分别在矢状面平扫T2WI图像及多期增强T1WI图像第二时相进行手动逐层勾画ROI,分别对T2WI和增强T1WI数据集进行影像组学特征值提取(https://github.com/Radiomics/pyradiomics),并对随机森林模型进行训练和测试(http://scikit-learn.org/),采用ROC曲线评价预测效能。结果基于平扫T2WI图像特征值建立的RF模型预测子宫内膜癌肌层浸润深度在测试集的曲线下面积(AUC)为0.938,其准确度、敏感度、特异度分别为91.3%、87.5%、93.3%,模型中重要性排名前3位的特征分别为形状平坦度(shape flatness,SF)、灰度级带矩阵区域方差(GLSZMzonevariance,GLSZM-ZV)、灰度级长矩阵运行方差(GLRLM run variance,GLRLM-RV);基于增强T1WI图像建立的RF模型在测试集的AUC为0.818,准确度、敏感度、特异度分别为81.8%、100%、75.0%,模型中重要性排名前3位的特征分别为SF、灰度相关矩阵高灰度依赖程度(GLDM large dependencehighgraylevelemphasis,GLDM-LDHGLE)、灰度共生矩阵相关性(GLCM correlation)。结论基于MRI影像组学的随机森林模型在预测子宫内膜癌肌层浸润深度中具有较大应用潜力,其中基于平扫T2WI图像建立模型较增强T1WI显示出更大的诊断价值。
文摘目的探讨表观扩散系数(apparent diffusion coefficient,ADC)值在术前无创性预测子宫内膜癌(endometrial carcinoma,EC)患者子宫肌层浸润(myometrial infiltration,MI)、Ki-67和P53表达水平的可行性。材料与方法回顾性分析兰州大学第二医院2017年1月至2021年12月期间在术前接受MRI扩散加权成像(diffusion weighted imaging,DWI)检查并在术后经病理证实的105名EC患者临床资料和影像数据,两名独立的放射科医生分别对照MRI增强和DWI图像在ADC图像上测量EC的最大ADC值(ADCmax)、平均ADC值(ADCmean)及最小ADC值(ADCmin)。采用二元logistic回归筛选EC患者的临床信息、ADC值与MI、Ki-67和P53表达的相关性,构建列线图预测模型,并绘制受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线和临床决策曲线(decision curve analysis,DCA)对预测模型进行评价。结果ADCmax、ADCmean和ADCmin与EC患者MI、Ki-67和P53表达水平显著相关(P<0.05),而国际妇产科学联合会(the International Federation of Gynecology and Obstetrics,FIGO)分期仅与EC患者MI和Ki-67表达水平显著相关(P<0.05)。将ADCmax、ADCmean、ADCmin与FIGO分期结合起来构建列线图模型,预测模型、ADCmax、ADCmean、ADCmin和FIGO分期预测MI的ROC曲线下面积(area under the curve,AUC)值分别为0.809、0.707、0.693、0.694和0.599;预测Ki-67表达水平的AUC值分别为0.897、0.879、0.849、0.808和0.550。结合ADCmax、ADCmean、ADCmin构建列线图模型,预测模型、ADCmax、ADCmean和ADCmin预测P53表达水平的AUC值分别为0.665、0.615、0.641和0.654。结论基于ADC值联合FIGO分期构建的列线图预测模型可作为一种有效方法在术前无创性评估EC患者MI、Ki-67和P53表达。
