| 周雪，杨美洁，邱亚轩，邹兆瑞，陈锦云.基于多序列MRI影像组学可解释性机器学习模型预测子宫肌瘤高能聚焦超声消融术后疗效[J].放射学实践,2026,41(08):904-911 |
| 基于多序列MRI影像组学可解释性机器学习模型预测子宫肌瘤高能聚焦超声消融术后疗效 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2026.08.009 |
| 中文关键词: 高强度聚焦超声 子宫肌瘤 影像组学 机器学习 沙普利加性解释 疗效 |
| 英文关键词: |
| 基金项目:重庆自然科学基金会项目（cstc2021jcyj-msxmX0514）；重庆市科学技术局资助项目（CSTB2022NSCQMSX0140） |
|
| 摘要点击次数: 15 |
| 全文下载次数: 12 |
| 中文摘要: |
| 【摘要】目的：探讨多序列MRI影像组学联合临床特征构建的机器学习模型，在预测子宫肌瘤高能聚焦超声（HIFU）消融术后疗效中的价值，并通过Shapley加性解释（SHAP）为临床决策提供参考依据。方法：回顾性纳入2018年6月-2024年6月在本院接受HIFU治疗的400例子宫肌瘤患者，按7∶3的比例划分为训练集（280例）和测试集（120例）。基于肿瘤术后3天内的MRI检查，计算无灌注体积比（NPVR） 来评估消融率，并分为高消融率（≥80%）组和低消融率（<80%）组。自每例患者的术前T2WI和DWI图像中提取和筛选影像组学特征，并对临床特征进行单因素及多因素逻辑回归分析筛选独立预测因素，然后采用极限梯度提升（XGBoost）、随机森林（RF）以及K最近邻算法（KNN）三种机器学习方法分别构建预测HIFU消融疗效模型。采用受试者工作特征（ROC）曲线评估临床模型、T2WI组学模型、DWI组学模型及联合模型（多序列组学特征+临床特征）的诊断效能，利用沙普利加性解释可视化分析提升最优模型的临床可解释性。结果：基于XGBoost、RF及KNN三种算法构建的联合模型在测试集中的AUC分别为0.844（95%CI：0.762~0.917）、0.870（95%CI：0.795~0.931）和0.843（95%CI：0.760~0.912），以RF算法构建的联合模型的AUC最高。Delong检验结果显示，联合模型的AUC显著高于单纯临床模型，差异具有统计学意义（P<0.05）；联合模型与其它影像组学模型AUC的差异无统计学意义（P>0.05）。沙普利加性解释结果显示，T2WI_wavelet-HHH_glrlm_ShortRunEmphasis为预测HIFU消融疗效的关键特征。结论：基于多序列MRI影像组学与临床特征构建的RF联合模型能够精准预测子宫肌瘤HIFU消融术的疗效，为实现个体化治疗策略提供支持。 |
| 英文摘要: |
| |
|
查看全文
下载PDF阅读器 HTML全文 |
| 关闭 |
