纹理分析机器学习模型对预测子宫内膜癌病理分级的价值

• 作 者: 胡晨瑞 吴献华
• 机 构: 南通大学附属医院放射科
• 出 处: 临床放射学杂志
• 发表日期: 2022年01期
• 关键词: 子宫内膜癌 纹理分析 机器学习
• 基金项目: 南通市社会民生科技项目（编号:MS12020045）；

目的探讨基于磁共振图像纹理特征的不同机器学习模型对子宫内膜癌（EC）病理分级的预测价值。方法回顾性分析2015年1月至2021年2月在子宫切除术前行3.0 T MR检查且病理证实为EC的188例患者资料。在其T2WI矢状位图像上手动勾画感兴趣区（ROI）,使用纹理特征提取软件MaZda,获得纹理特征参数,训练并建立逻辑回归（LR）模型、随机森林（RF）模型、神经网络（NN）模型及支持向量机（SVM）模型,获得各模型对于高、中、低分化（G1、G2、G3）EC的鉴别诊断的受试者工作特征曲线（ROC）曲线下面积（AUC）、特异度、灵敏度和准确率。结果 RF模型诊断效能最佳,其鉴别G1、G2的AUC值、特异度、灵敏度、准确率分别为0.87、84%、90%、88%;NN模型分别为0.60、32%、88%、66%;SVM模型分别为0.56、16%、98%、66%;LR模型分别为0.54、12%、96%、63%。RF鉴别G1、G3的AUC值、特异度、灵敏度、准确率分别为0.90、91%、88%、90%;NN模型分别为0.89、89%、88%、89%;SVM模型分别为0.85、96%、63%、82%;LR模型分别为0.75、82%、68%、77%。RF模型鉴别G2、G3的AUC值、特异度、灵敏度、准确率分别为0.90、92%、88%、91%;NN模型分别为0.86、94%、78%、89%;SVM模型分别为0.71、93%、29%、73%;LR模型分别为0.64、81%、46%、70%。结论基于MR图像纹理特征的不同机器学习模型对预测EC病理分级具有一定的价值。其中,RF模型具有较好的AUC值、特异度、灵敏度、准确率。