| 宋泽，杨歌，李静，王栋，刘静.基于多模态MRI影像组学机器学习模型预测前列腺癌骨转移[J].放射学实践,2026,41(08):918-925 |
| 基于多模态MRI影像组学机器学习模型预测前列腺癌骨转移 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2026.08.011 |
| 中文关键词: 前列腺癌 骨转移 影像组学 磁共振成像 预测模型 |
| 英文关键词: |
| 基金项目:2024年甘肃省高校教师创新基金项目（2024A-156）；2025年度张掖市市级科技计划立项项目（ZY2025BJ45）；2024年度张掖市市级科技计划立项项目（ZY2024BJ08） |
|
| 摘要点击次数: 16 |
| 全文下载次数: 14 |
| 中文摘要: |
| 【摘要】目的：探讨基于T2WI、表观扩散系数（ADC）及动态对比增强MRI（DCE-MRI）的多模态MRI影像组学特征构建的机器学习模型对前列腺癌骨转移的预测价值。方法：选取2016年9月－2024年9月在两家医院确诊的300例前列腺癌患者，采用随机数字表法以7∶3的比例将其分为训练集（n=210）和验证集（n=90）。所有患者术前经全身骨显像排除骨转移，术后每3个月随访1次，共12个月，以SPECT显像结合CT/MRI或骨穿刺活检阳性作为确诊标准。以患者是否发生骨转移，将训练集患者分为转移组（n=94）和未转移组（n=116），比较两组患者的术前基线临床资料（包括年龄、总前列腺特异性抗原、Gleason评分、淋巴结转移、前列腺体积及前列腺整体硬度等指标），结果显示两组间上述指标差异均无统计学意义（P>0.05）。分别在T2WI、DCE-MRI峰值期时相及ADC图像上，以T2WI为解剖基准，由两名医师沿病灶边缘逐层手动勾画三维容积感兴趣区（VOI），DCE-MRI选择峰值期相（45~65s）进行勾画，勾画后ROI向外均匀膨胀3mm（不超出前列腺包膜），提取影像组学特征，采用最小绝对收缩和选择算子（LASSO）结合十折交叉验证进行特征降维和筛选后，基于筛选出的影像组学特征，分别采用支持向量机（SVM）、逻辑回归（LR）和极限梯度提升（XGBoost）三种机器学习方法构建影像组学预测模型，使用受试者工作曲线（ROC）和决策曲线（DCA）评估模型的预测效能。结果：自T2WI、ADC及DCE-MRI三个序列中共筛选出12个关键影像组学特征，包括4个灰度共生矩阵（GLCM）特征、4个一阶统计特征和4个灰度区域大小矩阵（GLSZM）特征。基于关键组学特征构建的LR模型、SVM模型和XGBoost模型，在训练集和验证集中的曲线下面积（AUC）分别为0.812、0.742；0.723、0.712以及0.836、0.803。DCA结果表明，相较于SVM模型和LR模型，XGBoost模型获得的临床净效益最高，其在训练集和验证集中分别在0%~88%及0%~84%的阈值概率范围内显示出积极的临床净效益。结论：基于T2WI+DCE-MRI+ADC的多模态MRI影像组学特征所构建的机器学习模型，能够有效预测前列腺癌骨转移风险。其中，XGBoost模型的预测效能最佳且临床净获益最高。 |
| 英文摘要: |
| |
|
查看全文
下载PDF阅读器 HTML全文 |
| 关闭 |
