关键词:
脑转移瘤
磁共振成像
机器学习
摘要:
目的:通过脑转移瘤患者的磁共振成像(magnetic resonance imaging,MRI)图像建立机器学习模型,鉴别脑转移瘤(brain metastases,BM)的原发病灶来源。方法:本研究数据取自2017年1月—2020年9月就诊于辽宁省肿瘤医院的肿瘤脑转移患者。由经验丰富的影像科医师对患者的脑转移瘤活性区进行手动勾画,通过计算机方法得到包含活性区和瘤周区域的4 mm环形区域,从对比增强T1加权成像(contrast-enhanced T1-weighted imaging,CE-T1WI)和T2加权成像(T2-weighted imaging,T2WI)序列中提取影像组学特征,合并序列后经过U检验、最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法、赤池信息量准则(Akaike information criterion,AIC)进行三步法特征筛选,并绘制受试者工作特征(receive operating characteristic,ROC)曲线,计算曲线下面积(area under curve,AUC)作为鉴别模型分类性能的指标。结果:共纳入215例脑转移瘤患者,包括肺来源100例,乳腺来源50例,肠胃来源50例,其他来源15例。从两个序列中分别提取1967个影像组学特征,成功构建3个影像组学模型,分别是鉴别脑转移瘤是否来自于肺癌病灶的RS_Lung模型,是否来自乳腺癌病灶的RS_Breast模型和是否来自胃肠癌病灶的RS_Gastrointestic模型,其训练集AUC分别为0.898、0.872和0.938,灵敏度分别为0.908、0.744和0.860,特异度分别为0.818、0.879和0.909。结论:本研究基于4 mm环形区域构建的影像组学模型在脑转移瘤来源的鉴别任务中取得了良好结果,有可能成为无创的术前新标志物,指导脑转移瘤患者的个性化治疗方案。