基于生境成像的多模态磁共振成像胶质瘤分级预测研究OACSTPCD

目的:开发一种基于生境成像(HI)的机器学习算法,用于多模态磁共振成像(MRI)胶质瘤分级预测,构建支持向量机(SVM)模型和可视化胶质瘤异质性区域。方法:收集世界卫生组织(WHO)2019年脑肿瘤影像分割(BraTS)挑战赛中的335例胶质瘤患者数据集,其中高级别胶质瘤(HGG)259例,低级别胶质瘤(LGG)76例,基于HI技术划分子区域,使用PyRadiomics开源包提取感兴趣区域(ROI)影像特征,筛选出与高低级别相关性较强的特征,采用SVM模型对筛选的特征数据进行训练和分级预测,通过可视化表征分析胶质瘤在影像上的异质性。采用模型精确度指标F1分数(F1-score)和受试者工作特征(ROC)曲线下面积(AUC)评估患者测试集数据的胶质瘤分级效能。结果:SVM模型训练中HI子区域测试集AUC均>0.90。当肿瘤被划分为6个生境区域时,测试集效能指标的平均准确率为(92.74±2.88)%,平均灵敏度为(93.90±2.10)%,平均特异度为(90.36±4.59)%,平均F1-score为(95.24±0.66)%,对于预测胶质瘤高低分级效果良好。SVM模型可在三维空间中显示胶质瘤分级中的重要子区域。结论:基于HI的研究方法在胶质瘤分级中具有显著优势,能够有效地可视化和建模肿瘤异质性。