基于磁共振表观扩散系数图影像组学的机器学习模型对临床显著性前列腺癌的鉴别诊断价值.pdf
《基于磁共振表观扩散系数图影像组学的机器学习模型对临床显著性前列腺癌的鉴别诊断价值.pdf》由会员分享,可在线阅读,更多相关《基于磁共振表观扩散系数图影像组学的机器学习模型对临床显著性前列腺癌的鉴别诊断价值.pdf(5页珍藏版)》请在咨信网上搜索。
1、:4202 肿瘤影像及介入【Tumor Imaging and Image-directed Interventions基于磁共振表观扩散系数图影像组学的机器学习模型对临床显著性前列腺癌的鉴别诊断价值林香瑾,朱光斌-2 张楚若”,杜国新1-2,罗锦文12,关玉宝1,21广州医科大学第五临床学院,广东广州510 7 0 0;广州医科大学附属第五医院医学影像科,广东广州510700;3广州医科大学第二临床学院,广东广州510 7 0 0【摘要】目的:探讨基于磁共振表观扩散系数图影像组学的机器学习模型对临床显著性前列腺癌的临床应用价值。方法:回顾性分析本院2 0 17 年10 月至2 0 2 2 年
2、12 月经病理证实的18 2 例前列腺癌磁共振检查资料,其中临床显著性前列腺癌(clinically significant prostate cancer,CsPCa)126例,非临床上显著性前列腺癌(clinically insignificant prostate cancer,CiPCa)56例;采用ITK-SNAP软件对磁共振ADC图进行感兴趣区分割,使用pyradiomics软件包,提取包括一阶特征(First Order)、形状特征(Shape)、灰度共生矩阵(G L CM)、灰度区域矩阵(GLSZM)、灰度游程矩阵(GLRLM)、灰度相依矩阵(GLDM)、邻域灰度差分矩阵(NG
3、 T D M)影像组学特征;采用一致性检验及最小绝对收缩与选择算子算法(LASSO)筛选出的最佳特征,按7:3的比例随机分为训练组和验证组,构建逻辑回归(Logistic regression,LR)模型,采用受试者工作特征曲线下面积(areaunderthe curve,AUC)验证其鉴别诊断价值。结果:从ADC图像中提取了18 35个影像组学特征,筛选出15个最佳特征构建逻辑回归机器学习模型。训练集和测试集的准确性分别为0.7 2 7、0.700;曲线下面积分别为0.7 6 8(95%可信区间:0.7 0 0 0.8 37)、0.7 19(95%可信区间:0.56 2 0.8 7 5);特
4、异度分别为0.90 2、0.8 7 5;阳性预测值分别为0.6 8 3、0.6 36;阴性预测值分别为0.7 39.0.7 18;精确度分别为0.683.0.636。结论:前列腺癌磁共振表观扩散系数图影像组学的逻辑回归机器学习模型,对鉴别临床显著性前列腺癌提供潜在的有效信息。【关键词】临床显著性前列腺癌;非临床上显著性前列腺癌;磁共振成像;表观扩散系数;机器学习模型【中图分类号】R737.25D0I:10.3969/j.issn.1672 4992.2023.22.019【文章编号】16 7 2-4992-(2 0 2 3)2 2-42 0 2-0 5Differential diagnosi
5、s of clinically significant prostate cancer using a machine learningmodel based on magnetic resonance apparent diffusion coefficient imagingHIN Xingin,ZHU Cuangbin,ZHANC Chuo,DU Cuoxin,LUO Jinwen,CUAN Yubao*?I The Fifih Clinical School,Guangzhou Medical University,Guangdong Guangzhou 510700,China;De
6、partment of Medical Imaging,theFifth Afiliated Hospital of Guangzhou Medical University,Guangdong Guangzhou 510700,China;The Second Clinical School,Guang-zhou Medical University,Guangdong Guangzhou 510700,China.Abstract】O b j e c t i v e:T o i n v e s t i g a t e t h e c l i n i c a l a p p l i c a
7、t i o n v a l u e o f ma c h i n e l e a r n i n g mo d e l b a s e d o n ma g n e t i cresonance apparent diffusion coefficient imaging for clinically significant prostate cancer.Methods:Magnetic reso-nance examination data of 182 patients with prostate cancer confirmed by pathology from October,20
8、17 to December,2022 in our hospital were retrospectively analyzed,including 126 cases of clinically significant prostate cancer(CsPCa),56 cases of clinically insignificant prostate cancer(CiPCa).ITK-SNAP software was used to segment thearea of interest in magnetic resonance ADC image.Pyradiomics sof
9、tware package was used to extract the image omicsfeatures including First Order,Shape,GLCM,GLSZM,GLRLM,GLDM and NGTDM.The consistency test,the leastabsolute shrinkage and selection operator(LASSO)were used to select the best features.These patients were random-ly divided into training group and veri
10、fication group in a ratio of 7:3.Build model of Logistic regression(LR).The ar-ea under the curve(AUC)was used to verify its value in differential diagnosis.Results:A total of 1 835 image omics【收稿日期】2023 05 06【修回日期】2023.07-11【基金项目】广州医科大学科研能力提升计划(编号:0 2-410-2 30 2 0 8 7 XM);本科生创新能力提升项目(编号:0 2-40 8-2
11、30 4-0 2 XM);广州医科大学第五临床学院本科生创新能力提升计划项目(编号:2 0 2 2 JXA011)【作者简介】林香瑾(2 0 0 3一),女,福建人,本科在读。E-mail:2 190 7 438 30 q q.c o m【通信作者】朱光斌(197 5一),男,湖北人,副主任医师,主要从事前列腺癌的磁共振诊断研究。E-mail:g u a n g b i n-z h u q q.c o m林香瑾,等基于磁共振表观扩散系数图影像组学的机器学习模型对临床显著性前列腺癌的鉴别诊断价值【文献标识码】A现代肿瘤医学2 0 2 3年11月第31卷第2 2 期features were ex
12、tracted from ADC images.15 best features were selected to construct the Logistic regression machinelearning model.The accuracy of training set and test set was 0.727 and 0.700 respectively.The area under the curvewas 0.768(95%confidence interval:0.700 0.837)and 0.719(95%confidence interval:0.562 0.8
13、75)re-spectively.The specificity was 0.902 and 0.875 respectively.The positive prediction values were 0.683 and 0.636respectively.The negative prediction values were 0.739 and 0.718 respectively.The accuracy was 0.683 and 0.636respectively.Conclusion:The logistic regression machine learning model of
14、 magnetic resonance apparent diffusion co-efficient imaging of prostate cancer provides potentially effective information for the identification of clinically signifi-cant prostate cancer.Key wordsclinically significant prostate cancer,clinically insignificant prostate cancer,magnetic resonance ima-
15、ging,apparent diffusion coefficient,machine learning model Modern Oncology 2023,31(22):4202-4206磁共振成像(magnetic resonance imaging,M RI)是目前公合诊断要求,且无明确伪影;穿刺活检或手术病理在MRI认最有效地诊断前列腺癌(prostate cancer,PCa)的非侵人性检查结束后4周内进行。排除标准:MRI图像上的病灶与检查方法1-2】,其中DWI用以评估水分子的运动或扩散程病理活检的位置不匹配;图像质量差,无法明确勾画其边度,扩散受限的癌组织导致DWI的表观弥散
16、系数低于正常缘。本研究经医院伦理委员会批准。组织,ADC图像提供了扩散受限的客观值,有证据表明ADC1.2检查方法可以准确地判断肿瘤侵袭程度3。本研究基于磁共振检查采用3.OT西门子核磁共振统(MAGNETOMSkyra,Sie-ADC图进行特征提取,对不同机器学习模型的预测效能进行比mensHealthcare,Germany),32 道体部相控阵线圈进行检查,较,以期对评估其对临床显著性前列腺癌鉴别诊断的应用价值。包括常规扫描序列T1加权图像(TIWI)、T 2 加权图像1资料与方法(T 2 W I)、扩散加权成像(DWI)。其中DWI扫描,b值分别为1.1一般资料50、40 0、8 0
17、0、140 0 s/mm。表观扩散系数(apparent diffusion对我院2 0 17 年10 月至2 0 2 2 年12 月经病理证实的18 2coefficient,ADC)图由后处理软件自动生成。例前列腺癌患者的临床资料进行回顾性分析,年龄为37 901.3感兴趣区标注岁,平均为(6 8.8 8 8.0 1)岁。血清前列腺特异抗原(prostate用ITK-SNAP软件进行感兴趣区分割(v3.8.0.http:/specific antigen,PSA)为 0.7 0 2 34.0 0 ng/mL,平均为(2 9.19www.itksnap.org),对所有病灶采用手动分割ROI
18、,由2 名高21.4)ng/mL。其中临床显著性前列腺癌(clinically signifi-年资放射科医生参照病理结果,结合其他序列磁共振图像确cant prostate cancer,CsPCa)126 例,定义为格利森评分(Glea-定病灶边界(图1)。分割的标准:沿着病灶的病灶边界,son score,GS)7;非临床上显著性前列腺癌(clinically insig-尽可能选取最大ROI进行手动勾画;勾画包括病灶内部的nificant prostate cancer,CiPCa)56 例,定义为 CS6141。出血、囊变和钙化等区域,避开尿道、射精管、导尿管等结构;纳入标准:患者在
19、穿刺或根治术前接受本院MRI检比较二者提取的影像组学特征,通过组间相关系数(intra-查,且检查包含DWI扫描T2WI序列;MRI图像信噪比符MODERN ONCOLOGY,Nov.2023,VOL.31,No.22class correlation coefficient,ICC)评估其再现性。?4203A图1患者,男,8 4岁,PSA增高1周入院。磁共振检查DWI(b=1 000 s/mm)见前列腺左叶高信号(图A,白色箭头),ADC图呈低信号影(图B,黑色箭头),用ITK-SNAP软件进行感兴趣区分割(图C,白色箭头),该患者经穿刺活检确诊为前列腺癌(GS=4+5)。Fig,1 A p
20、atient,male,84 years old.He was admitted to hospital with elevated PSA for 1 week.Magnetic resonance imaging(DWI)(b=1 000 s/mm)showed high signal intensity in the left lobe of the prostate(figure A,white arrow),while the ADC image showed low signal intensity(figure B,black arrow).The region of inter
21、est was segmented using ITK-SNAP software(figure C,white arrow).The patient was diagnosed with prostatecancer(CS=4+5)by biopsy.1.4特征提取和机器学习模型建立基于Python3.0开发环境(Windows系统),使用pyra-diomics软件包,提取包括一阶特征(First Order)、形状特征(Sh a p e)、灰度共生矩阵(GLCM)、灰度区域矩阵(CLSZM)、B灰度游程矩阵(GLRLM)、灰度相依矩阵(GLDM)、邻域灰度差分矩阵(NGTDM),共计18
22、 35个特征,得到rad_feature;采取最小最大绝对值归一化(Z一score)进行数据的标准化预处理,将每一维度的特征值拉伸到0,1 之间;使用皮尔森相:4204:关系数(Pearsoncorrelation coefficient,PCC)计算特征间的相关性;经最小绝对收缩和选择算子算法(the least absoluteshrinkage and selection operator,LASSO)降维和特征选择,筛选最好的惩罚系数lambda;随机抽取7 0%作为训练组,剩余30%作为验证组,使用逻辑回归(Logistic regression,LR)构建模型;使用受试者工作特征曲
23、线下面积(area under the curve,AUC)来评估模型的临床适用性。2结果2.1临床资料纳入本研究18 2 例前列腺癌患者,其中CsPCa组12 6例,平均年龄(6 8 8)岁,PSA为(52 2 7)ng/mL;CiPCa组56例,平均年龄(6 2 8)岁,PSA为(342 1)ng/mL。两组年龄、PSA比较差异无统计学意义(P0.05)。10-2Lambda图2 使用LASSO逻辑回归进行超声影像组学特征筛选结果A:根据最小准则的1个标准误差,通过10 倍交又验证选择LASSO模型中的调优参数(入),给出最小二项平均偏差的入值被用来选择特征;B:在使用10 倍交叉验证选择
24、的值处绘制垂直线,其中最优结果为15个非零系数。A:The tuning parameter(X)in the LASSO model was selected by 10-fold cross-validation according to 1 standard error of the minimum criterion,and the X value giving the least binomial mean deviation was used to select features.B:The vertical lines are drawn at the values select
25、ed using 10-foldcross-validation,where the optimal result was 15 nonzero coefficients.林香瑾,等A0.150.100.050.00-0.05-0.1010-Fig.2 LASSO regression was used to select ultrasound radiomics features基于磁共振表观扩散系数图影像组学的机器学习模型对临床显著性前列腺癌的鉴别诊断价值共提取ADC图像影像组学特征18 35个,经数据Z-score归一化,经LASSO进行特征选择后,使用LASSO回归模型进行特征选择(图
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 磁共振 表观 扩散系数 影像 机器 学习 模型 临床 显著 前列腺癌 鉴别 诊断 价值
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。