目的:探讨基于常规MRI的影像组学模型对预测软组织肉瘤(STS)复发的价值.方法:回顾性分析2012年1月-2021年6月在本院经手术病理证实的92例STS患者的临床和影像资料.术后每3个月进行一次影像学检查,随访时间至少12个月以上,根据随访结果有无复发或远处转移分为复发组(27例),无复发组(65例).采用完全随机方法将所有患者按7:3的比例分为训练集(n=65)和验证集(n=27).使用ITK-SNAP软件,分别在T1 WI和压脂T2 WI上逐层沿肿瘤边缘手动勾画ROI并进行三维融合(VOI),然后使用AK软件提取纹理特征,使用最小冗余最大相关(mRMR)和最小绝对值收敛和选择算子(LASSO)回归分析方法分别对T1 WI序列、压脂T2 WI序列和联合序列的纹理特征进行降维和筛选,并建立影像组学模型,根据各个组学特征的权重系数计算影像组学评分(Rad-score),运用100次留组交叉验证(LGOCV)方法来评估模型的可靠性.将临床病理、常规MRI特征与预测效能最高的影像组学模型的Radscore相结合,采用多因素logistic回归(LR)、随机森林(RF)和支持向量机(SVM)三种机器学习算法分别建立机器学习模型.采用受试者工作特征(ROC)曲线评价各模型的预测效能,应用决策曲线分析(DCA)评估模型的临床应用价值.结果:临床模型在训练集和验证集中预测STS复发的ROC曲线下面积(AUC)分别为0.71(95％CI:0.58～0.85)和0.74(95％CI:0.52～0.97).基于T1 WI、压脂T2 WI和联合序列的影像组学模型在训练集中预测STS复发的AUC分别为0.81(95％CI:0.70～0.93)、0.92(95％CI:0.86～0.99)和0.91(95％CI:0.84～0.99),在验证集中分别为0.84(95％CI:0.63～1.00)、0.92(95％CI:0.81～1.00)和0.86(95％CI:0.72～1.00).采用机器学习算法构建的LR、RF和SVM模型在训练集中预测STS复发的AUC分别为0.93(95％CI:0.87～0.99)、0.91(95％CI:0.84～0.99)和0.77(95％CI:0.63～0.91),在验证集中分别为0.93(95％CI:0.83～1.00)、0.86(95％CI:0.71～1.00)和0.83(95％CI:0.66～1.00).DCA分析结果表明,压脂T2 WI和联合序列的影像组学模型、以及LR和RF模型的临床受益均较好.结论:基于常规MRI序列中的压脂T2 WI和联合序列构建的影像组学模型对预测STS复发具有较高的预测效能和较好的临床受益,基于不同机器学习算法构建的预测模型的预测效能并无明显提高.

软组织肉瘤;肿瘤复发;磁共振成像;影像组学;预测模型

周慧;陈基明;吴莉莉;邵颖;范海云;陈亮亮

241001 安徽芜湖,皖南医学院弋矶山医院影像中心

放射学实践

[1]周慧;陈基明;吴莉莉;邵颖;范海云;陈亮亮-.基于常规MRI影像组学模型预测软组织肉瘤复发)[J].放射学实践,2022(12):1561-1567

软组织肉瘤,STS,本院,经手,手术病理,影像资料,影像学检查,随访时间,随访结果,远处转移,随机方法,训练集,验证集,ITK,SNAP,WI,逐层,手动勾画,ROI,三维融合,VOI,AK,纹理特征,最小冗余最大相关,mRMR,选择算子,LASSO,回归分析方法,权重系数,影像组学评分,交叉验证,LGOCV,临床病理,预测效能,Radscore,logistic,LR,RF,机器学习算法,机器学习模型,受试者工作特征,决策曲线分析,DCA,临床应用价值,临床模型,肿瘤复发,磁共振成像

0.275312