T2WI及对比增强T1WI影像组学模型鉴别纤维型与非纤维型脑膜瘤

目的观察T2WI及对比增强T1WI(T1C)影像组学模型鉴别纤维型与非纤维型脑膜瘤的价值。方法回顾性分析423例经病理证实的单发低级别脑膜瘤患者,按7∶3比例分为训练集(n=296)和验证集(n=127);提取训练集T2WI和T1C中病灶3376个影像组学特征,以SelectPercentile单因素分析法及最小绝对收缩和选择算子(LASSO)筛选最优影像组学特征,分别以分类器逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、线性SVC(LinearSVC)、自适应增强(Adaboost)及决策树(DT)构建鉴别纤维型与非纤维型脑膜瘤的影像组学模型,即模型_(LR)、模型_(SVM)、模型_(RF)、模型_(linearSVC)、模型_(Adaboost)及模型_(DT),以验证集验证其效能。结果基于T2WI和T1C共筛出13个最优影像组学特征,以之构建的模型_(LR)、模型_(SVM)、模型_(RF)、模型_(linearSVC)、模型_(Adaboost)及模型_(DT)鉴别训练集纤维型与非纤维型脑膜瘤的AUC分别为0.755、0.739、0.819、0.746、0.990及0.607;在验证集的AUC分别为0.698、0.636、0.752、0.670、0.591及0.609。模型_(Adaboost)鉴别训练集纤维型与非纤维型脑膜瘤的AUC为0.990,在验证集为0.591,出现过拟合;模型_(RF)在训练集及验证集中的AUC均高于模型_(SVM)、模型_(linearSVC)及模型_(DT)(Z=2.65~8.25,P均<0.05);模型_(RF)在训练集中的AUC高于模型_(LR)(Z=3.27,P<0.01),在验证集的AUC与模型_(LR)差异无统计学意义(Z=7.95,P=0.05)。模型_(RF)诊断效能最佳。结论术前T2WI及T1C RF影像组学模型可有效鉴别纤维型与非纤维型脑膜瘤。

构建多参数MRI影像组学脑膜瘤分级模型

目的:探讨构建多参数MRI影像组学模型在脑膜瘤术前分级中的应用价值。方法:回顾性收集544例经兰州大学第二医院病理科证实的脑膜瘤患者的术前临床、影像及术后病理资料。由两名放射科医师以独立盲法分别使用ITK-SNAP软件在T_(2)WI和对比增强T_(1)WI上手动勾画肿瘤的感兴趣体积,由数坤科技平台提取影像组学特征。采用Selectpercentile、最小绝对收缩和选择算子(Lasso)筛选最强相关特征,并构建不同的影像组学预测模型,并随机以7∶3的比例对模型进行内部验证。结果:不同的影像组学模型术前预测脑膜瘤分级的诊断效能不同。基于对比增强T_(1)WI和T_(2)WI的随机森林(RF)影像组学模型的诊断效能最优,训练集的曲线下面积(AUC)、敏感性、特异性、准确性分别为0.933(95%CI 0.906~0.958)、0.854、0.839、0.842;验证集的分别为0.835(95%CI 0.742~0.913)、0.771、0.845、0.829。结论:基于对比增强T_(1)WI和T_(2)WI序列构建的RF影像组学模型在术前预测脑膜瘤分级中有较高的准确性和敏感性。