论文部分内容阅读
目的基于进展期鼻咽癌多个病程点的MRI图像建立合适的机器学习模型,探讨多参数MRI放射组学模型对进展期鼻咽癌局部复发的预测价值。材料和方法回顾性分析福建省肿瘤医院自2011年7月至2016年12月经病理证实的86例进展期鼻咽癌的临床及影像资料。根据随访数据结果,35名经病理证实复发的患者被列入复发组,51名在随访鼻咽镜活检病理及影像学资料均无复发直接证据的患者被列入无复发组。所有入组对象在Philips 3.0T磁共振行三次常规MRI平扫+增强扫描,扫描时间点分别是初诊、放疗结束时和放疗后3~6个月。采集三次检查的轴位T2WI-STIR和T1WI增强图像,进行图像预处理,在计算机软件上沿病灶边缘手动逐层勾画感兴趣区(ROI),得到肿瘤的三维容积图像。采用Spearman相关分析及聚类对图像数据进行特征参数提取及降维,筛选保留对两组分类具有明显相关性的特征参数并进行统计学分析。通过精确度较高的分类器学习并构建预测模型,采用5折交叉验证(5-fold cross-validation)方法对机器学习分类器及模型进行训练并验证。利用混淆矩阵评估模型性能,绘制ROC曲线,获得模型AUC,分析模型的预测性能。结果从所有研究对象的轴位T2WI-STIR和T1WI增强图像中,提取到图像的一阶统计量、基于形状、灰度共生矩阵、灰度游程矩阵、灰度依赖矩阵等相关的纹理特征,筛选保留13个对两组分类具有明显相关性的特征参数。采用5折交叉验证方法训练并验证23种机器学习分类器,发现多层感知分类器MLPClassifier较其他机器学习分类器的精确度高,AUC达0.8以上。通过MLPClassifier分类器学习并构建人工神经网络预测模型,该模型的敏感性为80.0%,特异性为88.0%,对应的平均AUC为0.91。在13个特征参数中,69%(9/13)是鼻咽癌放疗结束时图像中提取到的特征参数,其中T1WI增强图像提取的的特征参数占77.8%(7/9)。另外,鼻咽癌放疗结束时T1WI增强图像的ShapeBased特征参数Elongation的预测效能最佳,其敏感性为80.0%,特异性为64.7%,AUC为0.759,95%置信区间为0.655~0.845。结论对于进展期鼻咽癌局部复发的预测,多层感知分类器MLPClassifier较其他机器学习分类器的精确度高,构建的人工神经网络模型的预测性能较好,T1WI增强序列联合T2WI-STIR序列可能提升了模型的性能。因此,多参数MRI放射组学模型对预测进展期鼻咽癌局部复发具有较高价值。