目的探讨T2WI机器学习鉴别高级别胶质瘤和脑单发脑转移瘤的价值。方法收集我院2016年1月至2018年11月经病理或随访证实为高级别胶质瘤(41例)或脑单发转移瘤(34例)的患者。所有患者术前均行常规MRI检查,其中包含轴面T2WI。采用ITK-SNAP...目的探讨T2WI机器学习鉴别高级别胶质瘤和脑单发脑转移瘤的价值。方法收集我院2016年1月至2018年11月经病理或随访证实为高级别胶质瘤(41例)或脑单发转移瘤(34例)的患者。所有患者术前均行常规MRI检查,其中包含轴面T2WI。采用ITK-SNAP软件在T2WI上对全瘤进行逐层手动勾画水肿范围感兴趣区(region of interest,ROI),病灶最上和最下两层除外。通过Python对每层ROI进行纹理和形态学特征提取。特征分类统计方法采用支持向量机(support vector machine,SVM)、Logistic回归和朴素贝叶斯机器学习算法,其中70%数据作为训练集,30%作为验证集。同时邀请2名具有3年以上影像诊断经验的医师对病灶水肿区/对侧正常脑组织信号比(nSI)进行半定量受试者工作特征曲线(receiver operating characteristic,ROC)分析,结果均以曲线下面积(area under the curve,AUC)、敏感性和特异度表示,并比较不同方法的诊断效能。结果基于T2WI图像特征机器学习分析,SVM算法具有较高的诊断效能,训练集和测试集AUC分别为0.79(95%confidence interval,CI:0.75~0.83)和0.71(95%CI:0.64~0.77),敏感性和特异度分别为70.88%(95%CI:65.0%~76.3%)和77.13%(95%CI:70.5%~82.9%);Logistic回归和朴素贝叶斯诊断效能较低,训练集和测试集AUC分别为0.77(95%CI:0.73~0.81)/0.67(95%CI:0.60~0.73),0.72(95%CI:0.67~0.76)/0.62(95%CI:0.55~0.69),相比SVM差异有统计学意义;医师半定量分析诊断效能最低,AUC为0.58(95%CI:0.44~0.70)。结论 T2WI图像特征机器学习在术前鉴别高级别胶质瘤和脑单发转移瘤中具有一定的优势,其中SVM模型最具潜力。展开更多
文摘目的探讨T2WI机器学习鉴别高级别胶质瘤和脑单发脑转移瘤的价值。方法收集我院2016年1月至2018年11月经病理或随访证实为高级别胶质瘤(41例)或脑单发转移瘤(34例)的患者。所有患者术前均行常规MRI检查,其中包含轴面T2WI。采用ITK-SNAP软件在T2WI上对全瘤进行逐层手动勾画水肿范围感兴趣区(region of interest,ROI),病灶最上和最下两层除外。通过Python对每层ROI进行纹理和形态学特征提取。特征分类统计方法采用支持向量机(support vector machine,SVM)、Logistic回归和朴素贝叶斯机器学习算法,其中70%数据作为训练集,30%作为验证集。同时邀请2名具有3年以上影像诊断经验的医师对病灶水肿区/对侧正常脑组织信号比(nSI)进行半定量受试者工作特征曲线(receiver operating characteristic,ROC)分析,结果均以曲线下面积(area under the curve,AUC)、敏感性和特异度表示,并比较不同方法的诊断效能。结果基于T2WI图像特征机器学习分析,SVM算法具有较高的诊断效能,训练集和测试集AUC分别为0.79(95%confidence interval,CI:0.75~0.83)和0.71(95%CI:0.64~0.77),敏感性和特异度分别为70.88%(95%CI:65.0%~76.3%)和77.13%(95%CI:70.5%~82.9%);Logistic回归和朴素贝叶斯诊断效能较低,训练集和测试集AUC分别为0.77(95%CI:0.73~0.81)/0.67(95%CI:0.60~0.73),0.72(95%CI:0.67~0.76)/0.62(95%CI:0.55~0.69),相比SVM差异有统计学意义;医师半定量分析诊断效能最低,AUC为0.58(95%CI:0.44~0.70)。结论 T2WI图像特征机器学习在术前鉴别高级别胶质瘤和脑单发转移瘤中具有一定的优势,其中SVM模型最具潜力。
