基于MRI深度迁移学习影像组学术前预测直肠癌脉管浸润的研究OA北大核心

目的探讨基于横轴位高分辨T2WI深度迁移学习影像组学术前预测直肠癌患者脉管浸润(lymphovascular invasion,LVI)的应用价值。材料与方法回顾性分析皖南医学院弋矶山医院2018年1月至2023年12月行MRI检查且术后病理证实为直肠癌的384例患者,收集临床及影像资料。根据病理LVI状态将患者分为LVI阳性(LVI+)组81例及LVI阴性(LVI-)组303例,按7∶3比例将患者随机分为训练组(n=269)与验证组(n=115)。以ResNet-34为深度迁移学习特征提取的基础模型,基于瘤体分别提取深度迁移学习特征与传统影像组学特征,通过Spearman秩相关和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归的方法进行降维,消除冗余特征,保留最具预测价值的特征。使用自适应增强(adaptive boosting,AdaBoost)、朴素贝叶斯(na?ve Bayes,NB)、弹性网络(elastic net,Enet)、梯度推进机(gradient boosting machine,GBM)、神经网络(neutral network,NN)及支持向量机(support vector machine,SVM)共6种机器学习算法基于传统影像组学特征、深度迁移学习特征及组合特征分别构建预测模型。通过受试者工作特征(receiver operating characteristics curve,ROC)曲线评价各模型的诊断效能。结果通过Spearman秩相关及LASSO回归降维后共筛选出23个最优特征,其中传统影像组学特征6个,深度迁移学习特征17个,构建的所有模型中基于组合特征模型的曲线下面积(area under the curve,AUC)均高于单独特征模型,6种机器学习算法基于组合特征的AUC在训练组分别为0.956、0.802、0.879、0.966、0.973、0.944,验证组分别为0.924、0.868、0.901、0.892、0.817、0.905。结论基于组合特征的模型在预测直肠癌LVI状态方面具有高效能,可辅助术前个体化预测,改善患者预后。