基于MR影像组学的胶质瘤分子分型多分类机器学习模型研究

目的 探讨基于临床常规 MR序列及表观扩散系数(ADC)图的三分类机器学习模型对成人型弥漫性胶质瘤分子分型的预测效能.方法 回顾性分析 150 例胶质瘤患者术前MRI图像,包括T2WI、T1WI、增强T1(CE-T1)和 ADC图,依照 2021 年第 5 版WHO《中枢神经系统肿瘤分类》标准将患者分为胶质母细胞瘤 75 例,星形细胞瘤 46 例,少突胶质细胞瘤 29 例.所有患者按照 7 ︰3分为训练集和测试集.使用多模态 MR序列T1WI、T2WI、ADC和CE-T1 进行特征筛选和模型构建,在测试集获得最优机器学习模型.通过模型准确性、宏平均受试者工作特征(ROC)曲线、曲线下面积(AUC)以及 F1-分数比较 ADC参数对最优模型效能的影响.结果 胶质瘤的分子亚型可通过影像组学和机器学习方法进行分类,logistic 回归(LR)为最佳的三分类预测模型,准确性为91.1％,AUC为 0.92,F1-分数为 0.885.未加入 ADC参数的 LR模型准确性为 82.2％,AUC 为 0.90,F1-分数为 0.789.结论 基于临床常规 MR序列的影像组学多分类机器学习模型对成人型弥漫性胶质瘤分子分型有较好的预测能力,其中 LR模型效能最佳,且 ADC能提升模型预测效能.