关键词:
超声检查
影像组学
肾小球肾炎
机器学习
预测模型
摘要:
目的探讨基于灰阶超声图像的超声影像组学技术对肾小球肾炎组织学分型的鉴别诊断价值。方法纳入204例患者的肾穿刺活检病理结果和超声资料,根据病理结果分为膜性肾病组133例和系膜增生性肾小球肾炎组71例。由2位医师对超声影像进行勾画并提取影像组学特征,对获得的全部组学特征数据通过最大相关和最小冗余算法(m RMR)初步筛选超声影像组学特征,然后利用经最小绝对收缩和选择算子(LASSO)算法从已筛选特征中选择最优有效特征,并利用随机森林(RF)、支持向量机(SVM)、逻辑回归(LR)、K近邻(KNN)法4种分类器建立预测模型。所有病例按照7︰3比例随机分为训练集和验证集,4种模型分别利用训练集训练后,在验证集中验证,通过比较受试者工作特征(ROC)曲线、Delong检验、GiViTI校准曲线,选择最佳预测模型。采用决策曲线分析评估模型的临床实用性。结果从每幅图像提取837个影像组学特征,经m RMR+LASSO算法共筛选出16个有意义的特征。RF、SVM、LR、KNN 4种预测模型中表现最好的是LR模型,其ROC曲线下面积为0.944,特异度为0.867,敏感度为0.878。GiViTI校准曲线提示模型具有较好的准确度(P>0.05),决策曲线显示预测模型具有较好的临床实用价值。结论超声影像组学对较为常见的肾小球肾炎组织学类型具有较好的鉴别能力,具有良好的应用前景。