基于深度学习的胰腺黏液性和浆液性囊性肿瘤的多源特征分类模型.pdf

Chinese J Magn Reson,2024,41(1):19-29 第 41 卷第 1 期 2024 年 03 月 Vol.41 No.1 Mar.2024 波波 谱谱 学学 杂杂 志志 Chinese Journal of Magnetic Resonance doi:10.11938/cjmr20233064 基于深度学习的胰腺黏液性和浆液性囊性肿瘤的多源特征分类模型 徐真顺1，袁小涵2，黄子珩1，邵成伟2，武杰1#，边云2*1.健康科学与工程学院，上海理工大学，上海 200093；2.长海医院放射科，海军军医大学，上海 200434 摘 要：术前精准预测胰腺囊性肿瘤的类型，对制定个体化诊疗方案具有重要的临床价值针对胰腺浆液性和黏液性囊性肿瘤的分类鉴别问题，本文探讨了基于深度学习的多源特征分类模型在胰腺囊性肿瘤的术前辅助诊断中的应用首先，通过深度学习和影像组学技术从分割图像中提取深度学习特征和影像组学特征，并对病例的临床特征进行评估和量化，然后采用最小绝对收缩选择算子（LASSO）及交叉验证的方法筛选特征，随之构建出两个多源特征模型，即影像组学联合深度学习（RAD_DL）模型、临床特征联合 RAD_DL（Clinical_RAD_DL）模型，把传统的影像组学（RAD）模型和深度学习（DL）模型作为对照，最后选用支持向量机（SVM）、自适应提升算法（ADAboost）、随机森林（Random Forest）以及逻辑回归（Logistic）进行分类采用准确率、召回率、精确率、曲线下面积（AUC）值以及精确率和召回率的调和平均数（F1 值）作为评价指标，比较上述 4 种不同特征模型的分类效能，用校准曲线和决策曲线来评估其临床应用价值结果显示 Clinical_RAD_DL 特征模型的分类效能表现最佳，准确率是 0.923 1，召回率是 0.882 4，精确率是 0.882 0，F1 是 0.882 2，AUC 是 0.912 6，校准曲线和决策曲线显示出 Clinical_RAD_DL 特征模型的临床应用价值是最高的 实验表明基于深度学习的多源特征分类模型，对胰腺黏液性和浆液性囊性肿瘤具有较好的分类效果，可以为临床上精准诊疗提供帮助 关键词：磁共振成像（MRI）；胰腺囊性肿瘤；临床特征；深度学习；影像组学 中图分类号：O482.53 文献标识码：A Multi-source Feature Classification Model of Pancreatic Mucinous and Serous Cystic Neoplasms Based on Deep Learning XU Zhenshun1，YUAN Xiaohan2，HUANG Ziheng1，SHAO Chengwei2，WU Jie1#，BIAN Yun2*1.School of Health Science and Engineering,University of Shanghai for Science and Technology,Shanghai,200093,China;2.Department of Radiology,Changhai Hospital,The Navy Military Medical University,Shanghai,200434,China Abstract:This study aims to classify and differentiate mucinous and serous cystic neoplasms of the pancreas using a multi-source feature classification model based on deep learning for preoperative auxiliary diagnosis.Deep learning features and radiomics features were extracted from segmented images using deep learning and radiomics technology,respectively.Clinical features were also evaluated and quantified.LASSO(least absolute shrinkage and selection operator)and cross-validation methods were applied to screen the features,and two multi-source feature models were constructed:the radiomics combined with deep learning(RAD_DL)model and the clinical feature combined with RAD_DL(Clinical_RAD_DL)model.Traditional radiomics(RAD)and deep learning(DL)models were used as controls.SVM(support vector machine),ADAboost(adaptive boosting),Random Forest,and Logistic were selected for classification.The Clinical_RAD_DL feature model shows the best classification performance,with the accuracy of 0.923 1,recall rate of 0.882 4,precision of 0.882 0,F1-score of 0.882 2,and AUC value of 0.912 6.The experimental results indicate that the multi-source feature classification model based on deep learning has good performance in classifying pancreatic serous cystic neoplasms and pancreatic mucinous cystic neoplasms,and can assist clinical accurate diagnosis and treatment.Keywords:magnetic resonance imaging(MRI),pancreatic cystic neoplasms,clinical features,deep learning,radiomics 收稿日期收稿日期:2023-04-19;在线在线发表发表日期日期:2023-06-08 通信通信作者作者(Corresponding author):#Tel:[phone],E-mail:;*Tel:[phone],E-mail:.20 波 谱 学 杂 志 第 41 卷 引 言 随着腹部横断面成像的普及，胰腺囊性肿瘤（PCN）的检出率也呈逐年上升的趋势中国胰腺囊性肿瘤诊断指南中指出，51.1%的患者缺乏典型的胰腺疾病相关症状1，这就为疾病的早期诊疗带来了困难而且，部分 PCN 具有恶变的风险，其中，胰腺浆液性囊性肿瘤（SCN）一般为良性，胰腺黏液性囊性肿瘤（MCN）具有恶变潜能，二者的术前精确诊断对于制定个性化评估方案具有重要意义据 2023 年癌症统计数据报道，胰腺癌的死亡率是最高的MCN 和 SCN 的精确分类，对于胰腺良恶性肿瘤的早期诊疗具有重要的临床意义，同时为良性患者避免不必要的手术切除 磁共振成像（MRI）是评估 PCN 的首要成像方式，医生的诊断依据取决于 MRI 的形态特征目前，MCN 和 SCN 人工分类主要有两个难点：首先，MCN 和 SCN 前期并没有胰腺疾病相关的症状，大多患者是偶然发现，这为临床上的早期确诊带来困难；再者，MCN 和 SCN 的影像学特征相似，二者差异较小，容易引起误诊临床上，传统的 PCN 分类很大程度上依赖于医生的经验，而仅凭临床症状和影像学特征无法对 PCN 进行准确的检测和诊断，且医生手工分类主观性较强，不同的医生诊断结果可能存在差异2,3，因此结合计算机技术辅助医生诊断的需求日益增长 近年来，基于深度学习和影像组学的方法是研究 PCN 良恶性的热点4最近的研究发现，深度学习和影像组学对胰腺肿瘤的个体化评估有很大贡献，如肿瘤检测、分类以及良恶性判别等5-10 Zhang 等11开发并验证了基于卷积神经网络（CNN）的迁移学习模型，该模型使用两个独立的可切除胰腺导管腺癌（PDAC）队列来预测 PDAC 患者的总体生存Nguon 等9使用残差网络（ResNet50）实现了一个区分 MCN 和 SCN 的CNN 模型 当训练选定的层时，使用预训练的迁移学习模型进行微调训练 该网络模型的准确率为 0.827 5，曲线下面积（AUC）得分为 0.88尽管这些发现证实了深度学习和影像组学用于评估 PCN 的可行性7,12，但由于大多数研究中包含的数据集较少，且研究的方法较为单一，使得影像组学模型的适用性可能受到限制因此，胰腺囊性病变需要积累更多的研究数据 以往的研究大多是单独使用影像组学的方法，或者单独使用深度学习的方法，对 MCN 和 SCN 进行分类，虽然都展现出了较好的分类能力，但二者之间是否存在互补的关系还有待研究本研究旨在构建基于深度学习的多源图像特征分类模型，以区分 MCN 和 SCN，对患者进行个体化评估 1 实验部分 1.1 一般资料 本研究使用的数据集来自长海医院在 2011 年至 2021 年期间接收的 172 例 PCN 患者，其中包含 65 个MCN 病例以及 107 个 SCN 病例，所有患者均提供书面知情同意书经病理学证实的 107 例 SCN 患者有男性 45 例，女性 62 例，平均年龄（48.715.1）岁，65 例 MCN 患者中有男性 23 例，女性 42 例，平均年龄为（51.912.5）岁 1.2 MRI 扫描 所有患者均使用 3.0 T 系统（Signa Excite 3.0T,GE Healthcare,Milwaukee,USA）进行 MRI 检查所有患者仰卧位，相控阵接收器线圈覆盖上腹部，屏气单次快速自旋回波轴位 T2 加权序列（TR/TE=6 316/87 ms；视野=360 420 mm2；矩阵=224 270；层厚=5 mm；层间距=1 mm）评估所有 PCN 的 MRI 临床特征：(A)肿瘤的位置（胰头、胰体和胰尾）；(B)大小（感兴趣区（ROI）的像素体积）；(C)患者性别；(D)患者年龄（连续变量），将这些临床特征作为初步的诊断依据 第 1 期 21 徐真顺等：基于深度学习的胰腺黏液性和浆液性囊性肿瘤的多源特征分类模型 1.3 基于深度学习的多源特征分类方法 在 MCN 和 SCN 的分类模型当中，使用深度学习特征联合影像组学特征集构建 RAD_DL 多源特征模型，使用添加了临床特征的 RAD_DL 特征集构建 Clinical_RAD_DL 多源特征模型为了探究多源特征分类模型的效能，还使用深度学习特征和传统影像组学特征构建 DL 特征模型和 RAD 特征模型此外，还分别使用 SVM、ADAboost、Random Forest 和 Logistic 分类器来训练 4 种特征模型，使用准确度、召回率、精确率、AUC 和 F1 值等指标评估 4 种特征模型的分类效能本研究的流程图如图 1 所示 图 1 基于深度学习的多源特征模型建模流程 Fig.1 Experimental workflow of multi-source feature model based on deep learning 1.3.1 图像分割图像分割 肿瘤的分割在 ITK-snap（版本 3.8.0）软件上进行，所有 MR 图像都由 3 名经长海医院委员会认证的腹部放射科医生分析，在肿瘤的最大横断面上绘制 ROI，在绘制 ROI 时需特别注意避免胰腺血管、导管和伪影为了减少 ROI 分割的误差，由不同的放射科医生独立对图像进行分割，再由十年腹部诊断经验的医师进行评定图 2(a)和图 2(b)分别是 MCN 和 SCN 的分割图像 图 2 MCN 和 SCN 的分割图像.(a)腹腔轴位 T2WI 显示 MCN 呈高信号，其边界规则；(b)腹腔轴位 T2WI 显示 SCN 呈高信号，其边界不规则 Fig.2 Segmentation images of MCN and SCN.(a)Abdominal axial T2WI showed high MCN signal with regular boundary.(b)Abdominal axial T2WI showed high SCN signal with irregular boundary F1AUC(a)(b)22 波 谱 学 杂 志 第 41 卷 1.3.2 深度学习特征及影像组学特征提取深度学习特征及影像组学特征提取 本研究基于 ResNet50 网络来提取深度学习特征，采用 python 软件包 TensorFlow（版本 2.1.0）的 keras（版本 2.3.1）下的 ResNet50 构建 CNN 网络ResNet50 由残差模块（residual module）组成总共有 50 层，残差模块包括 3 个卷积层，其中包括标准的卷积层、批量归一化层和激活层，可以实现对输入特征映射的高速和高质量转换，通过避免较浅层特征的丢失，可以更好的提取图像对深层特征13，其主要思想是通过残差连接来解决网络过深而出现的梯度消失问题14胰腺在图像中没有固定的形态，结构极为复杂，ResNet50 网络因其深度、高度分层和卷积模块的设计，在提取 PCN 的深度学习特征时，有着明显的优势ResNet50 的网络结构如图 2 所示在预训练中加入迁移学习，减少模型过拟合对该网络随机初始化各层的参数，学习率为 0.000 1，衰减率为 0.000 1，批数据大小为 20，动量为 0.9，训练了 1 000 个循环 图 2 ResNet50 提取深度学习特征过程，图中包含 4 个卷积块（Conv）、平均池化层（Av-pool）以及全连接层（fc）Fig.2 The process of ResNet50 extracting deep learning features,which includes four convolution blocks(Conv),average pooling layer(Av-pool)and fully connected layer(fc)影像组学特征类型包括 20 个形状(Shape)特征、18 个一阶（First order）特征、24 个灰度共生矩阵（gray level co-occurrence matrix，GLCM）、14 个灰度相关矩阵（gray level dependence matrix，GLDM)、16 个灰度游程矩阵（gray level run length matrix，GLRLM）、16 个灰度区域大小矩阵（gray level size zone matrix，GLSZM）和 5 个邻域灰度差矩阵（neighborhood gray tone difference matrix，NGTDM）共 7 类特征以及小波变换特征 使用 3D-slicer 软件中的 pyradiomics 插件对 ROI 提取影像组学特征，软件提取的特征包含 113个原始图像纹理特征和 744 个小波变换特征共 857 个特征 1.3.3 标准化及特征筛选标准化及特征筛选 使用 SPSS25.0 软件对临床资料做单因素逻辑回归分析和多因素逻辑回归分析，将临床资料中既符合单因素逻辑回归分析又符合多因素逻辑回归分析的特征纳入到后续处理利用 python3.9 将影像组学特征及深度学习特征分别进行标准化处理12，应用 LASSO 对影像组学特征和深度学习特征分别进行筛选，10折交叉验证的方法用来寻找训练集中最优的拟合参数（表示 L1 正则化的惩罚力度）LASSO 的主要原则是通过最小化正则化之后的损失函数，实现对回归系数的稀疏化，保留对目标变量的预测具有显著影响的特征LASSO 的损失函数如(1)式所示：2211(LASSO)|()|2LX wywn=+(1)其中，n 表示样本数，X 表示样本目标向量，w 表示 L1 正则化，y 表示样本特征矩阵(1)式右边的第 1 项是 LASSO 的均方误差（mean square error，MSE），第 2 项是添加了 L1 正则化的惩罚因子，通过调整值，控制 L1 正则化程度，使 LASSO 模型的 MSE 最小化以确定最佳的系数估计，保留对结果影响较大的特征，第 1 期 23 徐真顺等：基于深度学习的胰腺黏液性和浆液性囊性肿瘤的多源特征分类模型 其余系数衰减为 0 1.3.4 基于深度学习的多源特征模型构建基于深度学习的多源特征模型构建与与评估评估 使用 pycharm2018 软件构建分类模型并对模型进行评估将患者按照约 7:3 划分为训练集（n=120）和测试集（n=52），将筛选获得的数据集构建 RAD、DL、RAD_DL 以及 Clinical_RAD_DL 特征模型使用SVM、ADAboost、Random Forest 以及 Logistic Regression 分类器进行分类，采用网格搜索和控制变量结合的方法优化各分类器的参数，使用准确率（Accuracy）、召回率（Recall）、精确率（Precision）以及 F1 值来评价模型的分类效能，最后绘制受试者工作曲线（receiver operating characteristic，ROC）曲线，计算 AUC值，利用 Delong 检验来分析不同模型的 ROC 曲线间的差异（p0.05）不具有统计学意义，肿瘤的体积大小（OR=1）不是 PCN 分类的危险因素，位置特征（p0.05，OR=2.22，95%置信区间（95%CI）=1.47,3.34）以及性别特征（p0.05，OR=6.30，95%CI=1.82,21.82）是 PCN 分类的危险因素，肿瘤位置特征 OR 值为 2.22，即在胰头比在胰体上 PCN 分化成 MCN 的概率提升 2.22 倍，肿瘤位置在胰体比在胰尾上 PCN 分化成 MCN 的概率提升 2.22倍，女性患有 MCN 是男性患有 MCN 的 6.30 倍单因素逻辑回归分析的结果列于表 1 24 波 谱 学 杂 志 第 41 卷 表表 1 MCN 和和 SCN 的临床特征单因素逻辑回归分析的临床特征单因素逻辑回归分析 Table 1 Single factor logistic regression analysis of clinical features of MCN and SCN 特征名称 p 值 OR 值 95%CI 下限 上限 位置（胰头/胰体/胰尾）0.05 2.22 1.47 3.34 性别（男/女）0.05 6.30 1.82 21.82 年龄 0.14 0.98 0.96 1.01 肿瘤体积 0.05 1.00 1.00 1.00 将位置特征和性别特征纳入到多因素逻辑回归分析，多因素逻辑回归分析显示位置特征（p0.05，OR=2.12，95%CI=1.39,3.24）和性别特征（p0.05，OR=5.58，95%CI=1.57,19.84）是 PCN 分类的危险因子，结果表明，肿瘤位置在胰头比在胰体上 PCN 分化成 MCN 的概率提升 2.12 倍，肿瘤位置在胰体比在胰尾上 PCN 分化成 MCN 的概率提升 2.12 倍，女性患有 MCN 是男性患有 MCN 的 5.58 倍多因素逻辑回归分析的结果列于表 2 当中 表表 2 MCN 和和 SCN 的临床特征多因素逻辑回归分析的临床特征多因素逻辑回归分析 Table 2 Multi-factor logistic regression analysis of clinical features of MCN and SCN 特征名称 p 值 OR 值 95%CI 下限 上限 位置（胰头/胰体/胰尾）0.05 2.12 1.39 3.24 性别（男/女）0.05 5.58 1.57 19.84 2.1.2 基于基于 LASSO 回归算法的深度学习特征和影像组学特征筛选回归算法的深度学习特征和影像组学特征筛选 对深度学习特征做标准化处理，10 折交叉验证下选择 LASSO 拟合过程中均方误差最小的参数，此时=6.55102，LASSO 筛选得到 4 个系数不为 0 的深度学习特征；对影像组学特征先标准化处理15，然后使用 t 检验从 856 个特征中筛选得到 196 个特征，再使用 LASSO 及 10 折交叉验证的方法，当 LASSO 算法的均方误差最小时，参数=4.94102，筛选得到 10 个系数不为 0 的影像组学特征图 3(a)和图 3(d)分别是对影像组学和深度学习特征做筛选得到的 LASSO 模型的均方误差图，图 3(b)和图 3(e)分别是对影像组学和深度学习特征做筛选得到的特征系数收敛图，图 3(c)和图 3(f)分别是对影像组学和深度学习特征做筛选得到的特征系数图将保留的深度学习特征以及影像组学特征用于构建 MCN 和 SCN 的多源特征分类模型 2.1.3 多源特征模型的分类效能及评价多源特征模型的分类效能及评价 本文基于深度学习的方法构建了 MCN 和 SCN 的多源特征分类模型为了发掘该多源特征模型的分类性能，建立了 RAD、DL、RAD_DL、Clinical_RAD_DL 特征模型，具体的各模型的效能详见表 3.Clinical_RAD_DL 特征模型在准确率（0.923 1）、精确率（0.882 0）、AUC（0.912 6）和 F1（0.882 2）等多个指标上表现最好 Clinical_RAD_DL 特征模型的准确率更高，说明该模型可以更好地对 PCN 患者进行分类；精确率更高，这代表着更少的误诊和漏诊；虽然 Clinical_RAD_DL 特征模型的召回率（0.882 4）并不是最高，但是从综合指标 F1 值来看，该模型有着最佳的综合性能；Clinical_RAD_DL 特征模型的 AUC 值最高，能够反映该模型很好的分类能力进一步表明，结合临床特征、影像组学特征以及深度学习特征的多源特征模型在分类 MCN 和 SCN 中具有优良的效能，且多源特征模型可进一步提高 PCN 良恶性的鉴别效能图 4(a)、图 4(b)、图 4(c)和图 4(d)分别是 4 种分类器在 RAD、DL、RAD_DL 以及 Clinical_RAD_DL特征模型中的 ROC 曲线 第 1 期 25 徐真顺等：基于深度学习的胰腺黏液性和浆液性囊性肿瘤的多源特征分类模型 图 3 (a)对影像组学特征做筛选得到的 LASSO 模型 MSE 图通过调整值使 MSE 达到最小，以确定最佳值；(b)对影像组学特征进行筛选的最优特征系数收敛图；(c)LASSO 筛选的影像组学特征权重图，Skewness.1 表示偏度，Busyness.1 表示复杂度，MCC.2 表示形态学相关系数，DependenceVariance.2 表示依赖性差异度，Idn.4 表示逆差分矩，Correlattion.7 表示相关性；(d)对深度学习特征做筛选得到的 LASSO 模型 MSE 图；(e)对深度学习特征进行筛选的最优特征系数收敛图；(f)LASSO筛选的深度学习特征权重图 Fig.3 (a)Mean Square Error(MSE)graphs corresponding to different values of radiomics features.The MSE is minimized by adjusting the value to determine the optimal value;(b)Convergence diagram of the optimal characteristic coefficient of radiomics features;(c)Weight of radiomics features screened by LASSO,Skewness.1 represents skewness,Busyness.1 represents complexity,MCC.2 represents morphological correlation coefficient,DependencyVariance.2 represents dependency difference,Idn.4 represents inverse difference moment,and Correlation.7 represents correlation;(d)Mean square error(MSE)graphs corresponding to different values of deep learning features;(e)Convergence diagram of the optimal characteristic coefficient of deep learning features;(f)Weight of deep learning features screened by LASSO 表表 3 特征模型在特征模型在 4 种分类器中的效能种分类器中的效能 Table 3 Performance of the feature models in the four classifiers 特征模型 分类器 准确率 召回率 精确率 AUC F1 RAD SVM 0.8077 0.5789 0.8462 0.7592 0.6875 ADAboost 0.8269 0.6842 0.8125 0.7967 0.7429 Random Forest 0.7885 0.6742 0.7222 0.7663 0.6974 Logistic 0.8269 0.6316 0.8571 0.7855 0.7273 DL SVM 0.6731 0.1176 0.5303 0.5595 0.1925 ADAboost 0.7692 0.9000 0.6429 0.8645 0.7500 Random Forest 0.7115 0.7619 0.6154 0.8407 0.6809 Logistic 0.7500 0.2857 0.5714 0.5770 0.3809 RAD_DL SVM 0.8462 0.6111 0.7908 0.8051 0.6894 ADAboost 0.8269 0.7727 0.8095 0.6882 0.7907 Random Forest 0.8077 0.6364 0.8750 0.8051 0.7369 Logistic 0.8462 0.9444 0.7083 0.8441 0.8095 Clinical_RAD_DL SVM 0.8846 0.8235 0.8235 0.8689 0.8235 ADAboost 0.8654 0.8823 0.7500 0.8697 0.8108 Random Forest 0.7692 0.7059 0.6316 0.7529 0.6667 Logistic 0.9231 0.8824 0.8820 0.9126 0.8822(a)(b)(c)(d)(e)(f)1021011000.300.250.200.15MSE1021011000.150.100.050.05Coefficient00.100.080.060.04Weight00.021021011000.300.250.200.15MSE1021011000.100.050.05Coefficient00.100.400.350.030.02Weight00.010.0154663864696826 波 谱 学 杂 志 第 41 卷 图 4 4 个特征模型以及各分类器的 ROC 曲线横坐标是假阳性率（fpr），纵坐标是真阳性率（tpr），4 个分类器分别为 SVM（支持向量机）、ADAboost（自适应提升算法）、Random Forest（随机森林）以及 Logistic（逻辑回归）(a)RAD 特征模型的ROC 曲线；(b)DL 特征模型的 ROC 曲线；(c)RAD_DL 特征模型的 ROC 曲线；(d)Clinical_RAD_DL 特征模型的 ROC 曲线 Fig.4 ROC curve of four characteristic models.The abscissa is fpr(false positive rate)and the ordinate is tpr(true positive rate).The four classifiers are SVM,adaboost(ADAboost),randomforest(Random Forest)and logistic(Logistic).(a)ROC curve used by RAD feature model;(b)ROC curve of DL feature model;(c)ROC curve of RAD_DL feature model;(d)ROC curve of Clinical _RAD_DL feature model 本文基于深度学习构建的多源特征模型准确率最高可达 0.923 1，AUC 值达 0.912 6，高于 Liang 等16将影像组学-DL 评分和影像学特征纳入到融合的 SCN 鉴别诊断模型当中的准确率（0.856 0），以及 Wang 等17基于深度学习特征和影像组学特征构建的腋淋巴结（ALN）诊断模型中 SVM 分类器最高的 AUC 值（0.87）.主要的原因是，本研究结合了 3 种不同来源的 PCN 的特征，即临床特征、深度学习特征和影像组学特征，以此构建的多源特征模型有更丰富的特征信息，能够更全面的评估 PCN；其次，本文对多个分类器都做了调参优化，并对多个分类器进行比较分析；最后，本文选取的深度学习特征提取网络是 ResNet50 网络，并在训练过程中加入迁移学习和残差模块，缓解深层网络出现的梯度消失问题，减小训练误差 Delong 检验如表 4 所示，结果显示 Clinical_RAD_DL 特征模型仅相对于 DL 特征模型（p=0.029）有统计学意义上的更高效能，与 RAD_DL 特征模型（p=0.069）、RAD 特征模型（p=0.051）之间没有统计学意义上的显著差异Clinical_RAD_DL 特征模型的分类效能需要进一步检验，后续采取校准曲线和决策曲线综合评价 Clinical_RAD_DL 特征模型的分类效能(a)(b)(c)(d)01.00.80.60.4tpr0.201.00.80.60.40.2fpr01.00.80.60.4tpr0.201.00.80.60.40.2fpr01.00.80.60.4tpr0.201.00.80.60.40.2fpr01.00.80.60.4tpr0.201.00.80.60.40.2fpr第 1 期 27 徐真顺等：基于深度学习的胰腺黏液性和浆液性囊性肿瘤的多源特征分类模型 表表 4 比较比较 Clinical_RAD_DL 特征模型和不同模型效能差异的特征模型和不同模型效能差异的 Delong 检验的检验的 p 值值 Table 4 Perform a Delong test to compare the performance differences between the Clinical_RAD_DL feature model and other models and obtain the p-value Clinical_RAD_DL 与 RAD-DL Clinical_RAD_DL 与 DL Clinical_RAD_DL 与 RAD MCN 和 SCN 分类 0.069 0.029 0.051 单因素逻辑回归分析和多因素逻辑回归分析获取了差异较大的临床特征，基于 LASSO 算法获得了最佳的深度学习特征和影像组学特征，使用这些临床特征、深度学习特征和影像组学特征绘制了如图 5 所示的校准曲线和决策曲线，以便于观察模型的拟合效果和临床价值 图 5 校准曲线和决策曲线.(a)RAD、DL、RAD_DL 和 Clinical_RAD_DL 特征模型的校准曲线.横坐标表示 PCN 分类模型的预测概率（PCN-predicted Probability），纵坐标表示实际概率（Observed Probability）；(b)RAD、DL、RAD_DL 和Clinical_RAD_DL 特征模型的决策曲线.横坐标表示高风险阈值（High Risk Threshold），纵坐标表示模型的净收益（Net Benefit），All 曲线表示全部预测成 MCN 的净收益，None 曲线表示全部预测成 SCN 的净收益 Fig.5 Calibration curves and decision curves.(a)Calibration curves of RAD,DL,RAD_DL,and Clinical-RAD_DL feature model.The abscissa represents the PCN-predicted probability of PCN classification model,and the ordinate represents the observed probability;(b)Decision curves used by RAD,DL,RAD_DL,and Clinical-RAD_DL feature model.The abscissa represents the high risk threshold,and the ordinate represents the net benefit of the model,the All curve represents the net benefit predicted as MCN,and the None curve represents the net benefit predicted as SCN 在校准曲线中，C 值用来度量各模型对 MCN 预测值与实际值一致性的比例，取值范围是 0 到 1 之间，其中 1 表示完美的一致性，0.5 表示随机预测C 值越高，表明该模型的分类准确率越高，参与分类的特征和机器学习分类器的拟合度越高，分类性能越好 结果显示，DL 特征模型（C=0.78，95%CI=0.71,0.85），RAD 特征模型（C=0.89，95%CI=0.84,0.94），RAD_DL 特征模型（C=0.93，95%CI=0.90,0.97），Clinical_RAD_DL 特征模型（C=0.94，95%CI=0.90,0.97），这表明 Clinical_RAD_DL 特征模型的特征拟合度最优，模型对 MCN 和 SCN 分类的准确度最好在决策曲线中，阈值范围在 0.060.98 内，4 个分类模型的净效益均高于完全预测成 MCN 或者完全预测成 SCN并且 Clinical_RAD_DL 特征模型的决策曲线最靠近坐标轴的右上方，从图 5