目的分析基于多模态磁共振成像(Magnetic Resonance Imaging,MRI)影像组学鉴别胶质瘤及单发脑转移瘤的研究进展,得出提升鉴别准确性的要素。方法通过检索PubMed、Web of Science及FMRS外文医学信息资源检索平台3个数据库,根据纳入排除标...目的分析基于多模态磁共振成像(Magnetic Resonance Imaging,MRI)影像组学鉴别胶质瘤及单发脑转移瘤的研究进展,得出提升鉴别准确性的要素。方法通过检索PubMed、Web of Science及FMRS外文医学信息资源检索平台3个数据库,根据纳入排除标准,对纳入的文章提取数据来源、患者数量、MRI设备、MRI序列、肿瘤分割软件、分割方式、分割范围、分割类型、特征提取方法、筛选方法、机器学习分类器、最优的机器学习分类器等数据进行综合分析。结果最终纳入12篇文献进行分析,大多数研究选择MRI传统结构序列,特征筛选方法选择最多的是最小绝对收缩和选择算子,使用最多且表现最佳的机器学习分类器为随机森林。结论MRI影像组学方法在鉴别胶质瘤及单发脑转移瘤方面展现出了较高的准确性,为临床决策提高了较大帮助。展开更多
文摘目的分析基于多模态磁共振成像(Magnetic Resonance Imaging,MRI)影像组学鉴别胶质瘤及单发脑转移瘤的研究进展,得出提升鉴别准确性的要素。方法通过检索PubMed、Web of Science及FMRS外文医学信息资源检索平台3个数据库,根据纳入排除标准,对纳入的文章提取数据来源、患者数量、MRI设备、MRI序列、肿瘤分割软件、分割方式、分割范围、分割类型、特征提取方法、筛选方法、机器学习分类器、最优的机器学习分类器等数据进行综合分析。结果最终纳入12篇文献进行分析,大多数研究选择MRI传统结构序列,特征筛选方法选择最多的是最小绝对收缩和选择算子,使用最多且表现最佳的机器学习分类器为随机森林。结论MRI影像组学方法在鉴别胶质瘤及单发脑转移瘤方面展现出了较高的准确性,为临床决策提高了较大帮助。