目的探索基于T2WI的纹理分析和机器学习在区分肾乏脂血管平滑肌脂肪瘤(angiomyolipoma without visible fat,AMLwvf)和肾癌中的效能。材料与方法回顾分析80例肾脏肿瘤,包括肾AMLwvf、肾透明细胞癌、乳头状肾细胞癌和肾嫌色细胞癌各20例...目的探索基于T2WI的纹理分析和机器学习在区分肾乏脂血管平滑肌脂肪瘤(angiomyolipoma without visible fat,AMLwvf)和肾癌中的效能。材料与方法回顾分析80例肾脏肿瘤,包括肾AMLwvf、肾透明细胞癌、乳头状肾细胞癌和肾嫌色细胞癌各20例。软件勾画得到感兴趣容积,提取特征。克鲁斯卡尔-沃利斯检验提示肾癌亚型之间所有特征差异无统计学意义,故将肾癌亚型合并为肾癌组进行后续分析。单因素分析:通过非参数检验和ROC曲线寻找最佳特征,分析诊断效能。多特征建模:通过SPSS Modeler软件进行特征选择,构建并评价多个决策树C5.0模型。结果最佳特征为最小灰度,AUC为0.888,鉴别准确性为86.25%。最佳模型的AUC为0.950,诊断肾AMLwvf的敏感度为90.00%,特异度为100%,阳性预测值为100%,阴性预测值为96.77%,准确度为97.5%,交叉验证准确度为95.0%。结论基于T2WI的纹理分析和决策树C5.0模型可有效鉴别AMLwvf和肾癌。展开更多
文摘目的探索基于T2WI的纹理分析和机器学习在区分肾乏脂血管平滑肌脂肪瘤(angiomyolipoma without visible fat,AMLwvf)和肾癌中的效能。材料与方法回顾分析80例肾脏肿瘤,包括肾AMLwvf、肾透明细胞癌、乳头状肾细胞癌和肾嫌色细胞癌各20例。软件勾画得到感兴趣容积,提取特征。克鲁斯卡尔-沃利斯检验提示肾癌亚型之间所有特征差异无统计学意义,故将肾癌亚型合并为肾癌组进行后续分析。单因素分析:通过非参数检验和ROC曲线寻找最佳特征,分析诊断效能。多特征建模:通过SPSS Modeler软件进行特征选择,构建并评价多个决策树C5.0模型。结果最佳特征为最小灰度,AUC为0.888,鉴别准确性为86.25%。最佳模型的AUC为0.950,诊断肾AMLwvf的敏感度为90.00%,特异度为100%,阳性预测值为100%,阴性预测值为96.77%,准确度为97.5%,交叉验证准确度为95.0%。结论基于T2WI的纹理分析和决策树C5.0模型可有效鉴别AMLwvf和肾癌。
