咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于MR影像组学和机器学习预测肝癌病理分级、微血管浸润及Ki... 收藏
基于MR影像组学和机器学习预测肝癌病理分级、微血管浸润及Ki-67...

基于MR影像组学和机器学习预测肝癌病理分级、微血管浸润及Ki-67表达

作     者:杨燕 

作者单位:中国人民解放军陆军军医大学 

学位级别:博士

导师姓名:张冬

授予年度:2022年

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)] 100214[医学-肿瘤学] 10[医学] 

主      题:肝细胞癌 病理分级 影像组学 机器学习 磁共振成像 肝细胞癌 微血管浸润 影像组学 机器学习 磁共振成像 肝细胞癌 Ki-67 影像组学 机器学习 磁共振成像 

摘      要:第一部分基于MR影像组学和机器学习预测肝癌病理分级研究背景与目的:肝细胞癌(hepatocellular carcinoma,HCC),简称肝癌,术后复发率高,预后差。HCC病理分级是判断患者预后的重要因子。本研究拟探索MR影像组学特征在术前预测肝癌病理分级中的价值,建立并验证基于MR影像组学特征和机器学习的肝癌病理分级术前预测模型。方法:经纳入和排除标准筛选,本研究共纳入281例经手术切除病理确诊为单发肝癌的患者。按7:3的比例随机分成训练集(n=210)和测试集(n=71)。回顾性分析患者的临床和MR影像资料,包括年龄、性别、血清AFP水平,并判读肿瘤影像特征:肿瘤大小(分组:≤3cm和3cm)、边缘、包膜、动脉期瘤周异常强化影、肝胆期瘤周低信号影、瘤内脂肪、坏死和出血。提取钆塞酸二钠MR T1加权成像(T1 weighted imaging,T1WI)增强前和增强后动脉期(arterial phase,AP)、门静脉期(portal venous phase,VP)、延迟期(delayed phase,DP)及肝胆期(hepatobiliary phase,HBP)影像组学特征。使用组内相关系数(intraclass correlation coefficient,ICC),最大相关最小冗余(maximum relevance minimum redundancy,m RMR)、最小绝对收缩和选择算子(least absolute shrinkage and selection operator algorithm,LASSO)和基于随机森林(random forest,RF)的递归特征消除法(recursive feature elimination,RFE)筛选与病理分级相关的MR影像组学特征。采用基于赤池信息准则(Akaike information criterion,AIC)的逐步逻辑回归(logistic regression,LR)方法筛选与病理分级相关的临床影像特征。应用支持向量机(Support Vector Machines,SVM)、多层感知机(Multi-layer Perceptron,MLP)、极限树分类器(Extra Trees Classifier,ETC)和极端梯度提升器(e Xtreme Gradient Boosting,XGBC)机器学习分类算法建立术前预测病理分级的模型,并对模型的鉴别和校准效能进行评估。结果:经多因素逐步逻辑回归筛选出与肝癌病理分级相关的临床影像特征包括:年龄、血清AFP水平、肿瘤大小分组和动脉期瘤周异常强化。在测试集中,基于这些特征建立的临床影像模型AUC分别为0.608(SVM)、0.601(MLP)、0.597(ETC)和0.615(XGBC)。从每个期相感兴趣区(region of interest,ROI)中各提取851个影像组学特征,5个期相图像共提取4255个。剔除ICC0.05)。结论:基于MR增强前和增强后多期影像组学特征建立的机器学习模型(SVM、ETC、MLP和XGBC)能对肝癌病理分级进行较好的预测。临床影像特征在预测肝癌病理分级方面的效能较差,纳入这些特征不能提高影像组学特征的预测效能。ETC和XGBC影像组学模型在预测肝癌病理分级中的效能优于其他模型。第二部分基于MR影像组学和机器学习预测肝癌微血管浸润研究背景与目的:微血管浸润(microvascular invasion,MVI)是肝癌患者术后早期复发和不良预后的高危因素。术前预测MVI对制定手术方案具有重要意义。本研究拟探索MR影像组学特征在术前预测肝癌MVI中的价值,建立并验证基于MR影像组学特征和机器学习的肝癌MVI术前预测模型。方法:经纳入和排除标准筛选,本研究共纳入232例经手术切除病理确诊为单发HCC患者。按7:3的比例随机分成训练集(n=174)和测试集(n=58)。回顾性分析患者的临床和MR影像资料,包括年龄、性别、血清AFP水平,并判读肿瘤影像特征:肿瘤大小(分组:≤3cm和3cm)、边缘、包膜、动脉期瘤周异常强化影、肝胆期

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分