目的在这项研究中,我们旨在利用小腿三头肌MRI构建影像组学模型,实现区分GMFCSⅠ-Ⅴ级SCP患者。方法本研究收集GMFCSⅣ-Ⅴ级SCP患者16例和GMFCSⅠ-Ⅲ级SCP患者40例。利用小腿MRI的T2加权成像进行分析。人工分割小腿三头肌后,对图像特征...目的在这项研究中,我们旨在利用小腿三头肌MRI构建影像组学模型,实现区分GMFCSⅠ-Ⅴ级SCP患者。方法本研究收集GMFCSⅣ-Ⅴ级SCP患者16例和GMFCSⅠ-Ⅲ级SCP患者40例。利用小腿MRI的T2加权成像进行分析。人工分割小腿三头肌后,对图像特征采用LASSO回归等方法进行筛选,利用线性模型LR、KNN、树模型XGBoost和深度学习模型MLP四种方法进行建模并评估模型性能。结果Log-sigma-20mm-3D firstordermaximum、Log-sigma-20mm 3D glcm-Idn、Wavelet-LLH-glszm-SizeZoneNonUniformity是可区分GMFCS分级的核心特征。评估模型性能时,在XGBoost模型中表现异常出色,在训练数据集中的AUC为0.981,但在测试数据集中降至0.729。它在测试数据集中具有高灵敏度(0.958)和特异性(0.923)。使用Hosmer-Lemeshow检验评估模型拟合时,除KNN模型外,所有模型在训练和测试队列中均表现出大于0.05的p值,展示模型在预测结果的可靠性和有效性。使用决策曲线分析(DCA)对每个模型进行了全面评估,同样展示显著优势。结论通过小腿三头肌MRI影像组学构建GMFCS分级诊断模型是一项有前途的方法,在提高GMFCS分级判断精准性具有一定意义。展开更多
文摘目的在这项研究中,我们旨在利用小腿三头肌MRI构建影像组学模型,实现区分GMFCSⅠ-Ⅴ级SCP患者。方法本研究收集GMFCSⅣ-Ⅴ级SCP患者16例和GMFCSⅠ-Ⅲ级SCP患者40例。利用小腿MRI的T2加权成像进行分析。人工分割小腿三头肌后,对图像特征采用LASSO回归等方法进行筛选,利用线性模型LR、KNN、树模型XGBoost和深度学习模型MLP四种方法进行建模并评估模型性能。结果Log-sigma-20mm-3D firstordermaximum、Log-sigma-20mm 3D glcm-Idn、Wavelet-LLH-glszm-SizeZoneNonUniformity是可区分GMFCS分级的核心特征。评估模型性能时,在XGBoost模型中表现异常出色,在训练数据集中的AUC为0.981,但在测试数据集中降至0.729。它在测试数据集中具有高灵敏度(0.958)和特异性(0.923)。使用Hosmer-Lemeshow检验评估模型拟合时,除KNN模型外,所有模型在训练和测试队列中均表现出大于0.05的p值,展示模型在预测结果的可靠性和有效性。使用决策曲线分析(DCA)对每个模型进行了全面评估,同样展示显著优势。结论通过小腿三头肌MRI影像组学构建GMFCS分级诊断模型是一项有前途的方法,在提高GMFCS分级判断精准性具有一定意义。