聯(lián)合動態(tài)增強磁共振成像（DCE-MRI）、T2加權(quán)成像（T2WI）以及彌散加權(quán)成像（DWI）的影像特征,建立基于多參數(shù)影像組學的預測模型,分別對乳腺癌分子分型、組織學分級和Ki-67表達進行預測。采集150例術(shù)前、化療前的浸潤性導管癌患者乳腺MRI數(shù)據(jù),獲取DCE-MRI、T2WI和DWI影像。分割各參數(shù)影像的病灶區(qū)域,并提取多參數(shù)影像特征。在訓練集采用支持向量機遞歸特征消除（SVM-RFE）算法,獲得影像組學最優(yōu)特征子集并構(gòu)建基于SVM的預測模型,在測試集中測試模型性能。采用概率平均法、概率投票法和概率模型優(yōu)化法,分別將基于不同參數(shù)影像構(gòu)建的預測模型進行融合,得到多參數(shù)影像聯(lián)合預測結(jié)果,并計算ROC曲線下的面積（AUC）評估模型的分類性能。單參數(shù)影像模型預測Luminal A、Luminal B、HER2和Basal-like等4種分子分型的最佳AUC分別為0.672 1、0.694 0、0.677 7和0.708 6,多參數(shù)影像模型的預測結(jié)果提高到AUC分別為0.799 5、0.727 9、0.737 5和0.792 5。單參數(shù)影像模型預測分級的最佳AUC為0.753 3,多參數(shù)影... 

【文章來源】：中國生物醫(yī)學工程學報. 2020,39(05)北大核心

【文章頁數(shù)】：11 頁

【部分圖文】：

乳腺癌分子分型、分級和Ki-67表達預測任務的最優(yōu)單特征盒形圖。(a) Luminal A分型的表面積與體積之比特征;(b) Luminal B分型的和熵特征;(c) HER-2分型的對比度特征;(d) Basal-like分型的表面積與體積之比特征;(e)分級的表面積與體積之比特征;(f) Ki-67表達的相關(guān)信息度量1特征(統(tǒng)計學顯著性表示為*P<0.05,**P<0.01,****P<0.000 1)

下面給出概率模型優(yōu)化法和單參數(shù)影像預測分子分型、組織學分級和Ki-67表達結(jié)果的ROC曲線，如圖2所示�？梢钥闯�，單參數(shù)影像預測模型的ROC曲線比較接近，概率模型優(yōu)化法的ROC曲線相比而言更加偏向于左上方，表明多參數(shù)概率模型優(yōu)化法相比于單參數(shù)影像預測方法要占較大優(yōu)勢，說明多參數(shù)影像組學聯(lián)合的方法具有更好的分類性能。為了進一步評估ROC曲線之間比較的意義，對概率模型優(yōu)化法和單參數(shù)影像模型進行顯著性分析。表5所示為概率模型優(yōu)化法得到的ROC曲線分別和S0、S3、S5、T2WI、DWI各個單參數(shù)影像預測模型得到的ROC曲線進行對比的結(jié)果，顯著性(P值)小于0.05，表明概率模型優(yōu)化法的預測性能顯著優(yōu)于單參數(shù)影像模型的預測性能，且差異具有統(tǒng)計學意義。實驗結(jié)果表明，與不同單參數(shù)影像構(gòu)建的分類模型的預測結(jié)果相比，概率模型優(yōu)化法能夠顯著提高單參數(shù)影像分類模型預測乳腺癌病理信息的性能。3 討論


本文編號：3007890