论著
张沥, 折霞, 张鑫, 汤敏, 雷晓燕, 闵智乾, 李陇超, 宦怡
目的 建立基于R-Tree和Logstic回归2种机器学习算法的影像组学模型,探讨2种算法鉴别临床显著前列腺癌(CsPCa)与非显著癌(CiPCa)的诊断效能。方法 回顾性收集经病理证实为PCa的病人142例,年龄65~86岁,平均(73.7±8.24)岁,其中CsPCa 101例,CiPCa 41例。所有病人术前均进行双参数(T2WI+ADC)MRI检查。由2位放射医师采用ITK-SNAP软件手动勾画病灶的三维兴趣区(VOI)。采用A.K软件对获得的VOI进行特征提取、降维、筛选,并根据机器学习算法(R-Tree和Logistic回归分析法)构建4组模型(ADC、T2WI、ADC/T2WI、ADC+T2WI)。采用t检验、Mann-Whitney U检验、卡方检验分别比较CsPCa组和CiPCa组年龄、前列腺特异性抗原(PSA)、PSA密度(PSAD)、病灶分布的差异。采用组内相关系数(ICC)分析2名医师勾画VOI结果的一致性以及1位医师2次勾画VOI结果的一致性。采用受试者操作特征(ROC)曲线评估诊断效能,并计算曲线下面积(AUC)、准确度、特异度、敏感度。结果 CsPCa组的PSA值高于CiPCa组(P<0.05),CsPCa组同时累及外周带与移行带的病灶数多于CiPCa组(P<0.05)。T2WI、ADC图上2名医师勾画VOI一致性检验的ICC(95%CI)值分别为0.963(0.925~0.982)和0.919(0.836~0.960),T2WI、ADC图上同一名医师前后2次勾画VOI一致性检验的ICC(95%CI)值分别为0.977(0.925~0.989)和0.925(0.845~0.963)。验证组中应用Logistic回归算法4种模型中ADC模型的AUC最高,其次为T2WI+ADC、T2WI模型,T2WI/ADC模型的AUC最低;T2WI模型的敏感度最高,T2WI+ADC模型的特异度最高。应用Logistic回归算法4种模型的AUC均高于R-Tree算法。结论 基于T2WI和ADC机器学习的影像组学模型可较好地鉴别CsPCa和CiPCa,Logstic回归算法的诊断效能更佳。