利用机器学习鉴别胶质母细胞瘤标准化治疗后真假性进展的研究

目的:探讨基于T1加权增强成像(T1CE)的机器学习模型在鉴别胶质母细胞瘤(GBM)患者标准化治疗后真假性进展的诊断效能。方法:回顾性分析了我院2014年5月至2017年2月间经手术病理证实的77例胶质母细胞瘤患者,所有患者均行标准化治疗。利用ITK-SNAP软件划取全部强化部分为感兴趣区(VOI),应用A. K.软件提取9675个特征。此外,采集的临床信息包括:性别、年龄、KPS评分、切除范围、神经功能缺损和平均放疗剂量。利用随机森林分类器(RF)建立分类模型,以鉴别GBM标准化治疗后的真假性进展。通过计算受试者工作特征(ROC)的曲线下面积(AUC)、敏感度、特异度和准确性评估模型的诊断效能。结果:真性进展51例,假性进展26例。真假性进展患者的临床基线特征均无显著统计学差异。基于影像组学特征的机器学习模型诊断效能相对较高,AUC值、准确性、敏感度和特异度分别为0. 79(95%CI:0. 63-0. 98)、72. 78%、78.36%和61. 33%。结论:基于T1CE增强图像特征建立的机器学习模型对GBM标准化治疗后真假性进展的鉴别效能相对较高,有助于临床医生尽早制定适当的治疗方案。

机器学习结合T1WI/C鉴别Ⅱ、Ⅲ级少突胶质细胞瘤

目的:探讨机器学习结合T1加权对比增强成像(T1W/C)的影像组学特征鉴别Ⅱ、Ⅲ级少突胶质细胞瘤(ODG)的诊断效能。方法:回顾性分析36例经手术病理证实的ODG2和ODG3的磁共振(MR)资料。利用ITK-SNAP在T1WI/C上手工划取全肿瘤强化部分的感兴趣体积(VOI),使用A. K.(Analysis-Kinetics,A. K.,GE Healthcare)软件从VOI中提取1044个特征。采用随机森林(RF)算法和5折交叉验证法对ODG2和ODG3进行了鉴别。结果:ODG2共19例,ODG3共17例。ODG3多表现为明显坏死(P=0. 044)和强化(P=0. 002)。位于额叶的10例ODG2(10/19,52. 6%)和10例ODG3(10/17,58. 8%)两组之间无显著统计学差异;并且ODG2和ODG3的其他影像学特征无明显统计学差异。机器学习模型的RF策略诊断效能:曲线下面积(AUC)=0. 765,准确性=0. 763,敏感性=82. 8%,特异性=70. 0%。基于T1WI/C影像组学特征的机器学习可以区分ODG2和ODG3,且组间具有显著统计学差异(P <0. 05)。结论:基于T1WI/C影像组学特征的机器学习模型可以区分ODG2和ODG3,但是效能不理想,有待提高。