| 夏怡，陈基明，吴莉莉，丁俊，卢林明，焦南林.基于常规MRI生境影像组学和深度学习预测软组织肉瘤分级的价值[J].放射学实践,2026,41(05):544-552 |
| 基于常规MRI生境影像组学和深度学习预测软组织肉瘤分级的价值 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2026.05.011 |
| 中文关键词: 软组织肉瘤 生境分析 深度学习 影像组学 磁共振成像 |
| 基金项目:皖南医科大学校中青年科研项目（WK2024ZQNZ60） |
|
| 摘要点击次数: 475 |
| 全文下载次数: 369 |
| 中文摘要: |
| 【摘要】目的：探讨基于常规MRI生境影像组学和深度学习（DL）预测软组织肉瘤(STS)分级的价值。方法：回顾性分析经术后病理证实的167例STS患者的临床及影像资料。根据法国癌症中心联合会组织学分级系统对肿瘤进行分级，Ⅰ级为低级别STS（n=67），Ⅱ、Ⅲ级为高级别STS（n=100）。采用完全随机分组法，按照7:3比例将患者分为训练组（n=116）和验证组（n=51）。所有患者均行常规MRI检查。使用ITK-SNAP软件在脂肪抑制T2加权像（FS-T2WI）上逐层手动勾画肿瘤感兴趣区（ROI）并进行三维融合，使用生境成像技术通过聚类分析方法将STS分为两个亚区，提取肿瘤整体及各亚区的影像组学特征，使用Resnet50网络提取深度学习特征，通过最小冗余最大相关（mRMR）与最小绝对收缩和选择算子方法（LASSO）进行特征降维，分别构建基于肿瘤整体、各亚区及DL算法的影像组学预测模型，并计算肿瘤整体及各亚区的影像组学得分。采用多因素Logistic回归分析构建临床模型及联合模型。绘制受试者工作特征（ROC）曲线评价模型的预测效能，应用决策曲线分析（DCA）评估模型的临床收益。采用SHAP方法分析联合模型中各特征对STS分级的重要性。结果：临床模型、肿瘤整体模型、生境1（ITH1）模型、生境2（ITH2）模型、DL模型及联合模型在训练组中预测STS分级的AUC(95％CI)分别为0.811（0.798～0.825）、0.824（0.804～0.845）、0.821（0.770～0.873）、0.863（0.828～0.898）、0.808（0.791～0.824）和0.916（0.889～0.944）；在验证组中预测STS分级的AUC(95％CI)分别为0.769（0.748～0.790）、0.757（0.726～0.788）、0.705（0.627～0.783）、0.834（0.780～0.888）、0.808（0.783～0.833）和0.902（0.862～0.941），联合模型预测STS分级的效能最优。ITH2得分、瘤内囊变/坏死及肿瘤最大径是预测STS分级的独立危险因素。DCA结果显示联合模型的临床获益显著高于临床模型。SHAP分析结果显示，ITH2得分、瘤内囊变/坏死是预测STS分级的最重要特征。结论：基于常规MRI生境影像组学模型可以用于预测STS分级,ITH2得分与临床病理、影像学特征结合构建的联合模型可以进一步提高预测效能，临床获益最优。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
