基于磁共振图像特征机器学习构建胎盘植入诊断模型的初步研究

作     者：王颖超 黄刚 巴志霞 薛莲 黄宝生 夏东洲 WANG Yingchao;HUANG Gang;BA Zhixia;XUE Lian;HUANG Baosheng;XIA Dongzhou

作者机构：河西学院附属张掖人民医院医学影像科张掖734000 甘肃省人民医院放射科兰州730000 河西学院附属张掖人民医院产科张掖734000 

出 版 物：《磁共振成像》 (Chinese Journal of Magnetic Resonance Imaging)

年 卷 期：2023年第14卷第8期

页      面：94-99,107页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100211[医学-妇产科学] 10[医学] 

基　　金：甘肃省教育厅高等学校创新基金项目(编号:2021B-232) 河西学院青年教师科研基金项目(编号:QN2020005) 

主　　题：胎盘植入性病变 机器学习 诊断效能 磁共振成像 

摘      要：目的 探讨基于MRI T2WI影像组学特征的机器学习模型对胎盘植入性病变的诊断价值。材料与方法 回顾性分析130例因怀疑胎盘植入行MRI检查并后期行剖宫产的患者影像资料,依据剖宫产术后结果在MRI T2WI图像分别提取有胎盘植入改变层面和无胎盘植入层面影像组学特征。以7∶3的比例通过分层抽样的方法将数据分为训练集(n=91)和验证集(n=39),采用5种机器学习方法:logistic回归(logistic regression, LR)、支持向量机(support vector machine, SVM)、随机森林(random forest, RF)、决策树(decision tree, DT)、K近邻(K nearest neighbor, KNN)进行建模分类诊断,通过5折交叉验证确定机器学习模型的参数,采用受试者工作特征(receiver operating characteristic, ROC)曲线评估模型的预测效能,计算曲线下面积(area under the curve, AUC)、准确度、敏感度及特异度,在验证集中对各模型进行验证。此外,除对比不同机器学习模型与影像诊断医生的诊断效能,采用校准曲线分析模型效能,并以决策曲线分析(decision curve analysis,DCA)评估临床实用性。结果 纳入的130例患者病例中,56例患者剖宫产术后证实有胎盘植入,74例患者无胎盘植入。基于纳入图像预处理的1688个组学特征,经最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)、Selectbest、REF等算法处理后,最终筛选出9个影像组学特征用于构建模型。五种分类器模型对胎盘植入的诊断效能(LR AUC=0.96;SVM AUC=0.97;RF AUC=0.99;DT AUC=0.87;KNN AUC=0.96)均高于影像诊断医生的诊断效能(AUC=0.86)。校准曲线显示DT模型的校准度最好。DCA显示阈值取0.0~0.6时,DT、RF、SVM、KNN模型的临床净获益大于LR模型。结论基于MRI T2WI图像特征的机器学习模型可以准确区分有无胎盘植入,其诊断效能明显优于医师的视觉分析;五种模型相比,DT机器学习模型在胎盘植入的诊断中具有更好的效能。