Page 82 - 南京医科大学学报自然科学版

南京医科大学学报（自然科学版） 第44卷第3期
·372 · Journal of Nanjing Medical University（Natural Sciences） 2024年3月

·影像医学研究·

基于多序列 MRI 影像组学与深度迁移学习特征的脑胶质瘤分

级预测研究

刘志鹏 ，降建新 ，吴琪炜 ，周 炎 ，卞雪峰 ，朱银杏 4*
2
1
3
1
3
南京医科大学附属泰州人民医院信息处，神经外科，影像科，江苏 泰州 225300；南京医科大学泰州临床医学院，江苏
1 2 3 4
泰州 225300
［摘 要］ 目的：探讨基于多序列磁共振成像（magnetic resonance imaging，MRI）手工影像组学（hand⁃crafted radiomic，HCR）和
深度迁移学习（deep transfer learning，DTL）特征的机器学习（machine learning，ML）模型在术前预测脑胶质瘤分级的效能。方
法：选取BraTS2019数据集中332例患者的影像数据［高级别胶质瘤（high⁃grade glioma，HGG）258例，低级别胶质瘤（low⁃grade
glioma，LGG）74例］，随机抽取30例HGG和8例LGG作为测试数据集，其余294例作为训练集和验证集。从T1、T2 、T1c和Flair
序列中提取病灶的HCR特征和DTL特征，并筛选出影响力前10的特征子集，基于HCR特征、DTL特征和两者组合的深度学习
影像组学（deep learning radiomics，DLR）特征，分别建立7种ML模型，评估模型预测HGG和LGG的效能。选择最佳模型后，使
用SHAP法对模型特征重要性进行量化及归因分析。结果：基于HCR和DTL组合的DLR特征构建的ML模型预测效能最高，
当使用支持向量机的递归特征消除（support vector machine⁃recursive feature elimination，SVM⁃RFE）筛选特征后，使用T2+T1c+
Flair序列组合的支持向量机（support vector machine，SVM）分类器的预测模型效果最佳。在验证集上，受试者工作特征曲线下
面积达到0.996（95% CI：0.991~1.000），约登指数、准确度、灵敏度和特异度分别为 0.920、0.976、0.988和0.932，在测试集上同样
具有较高的分级预测效能。SHAP特征权重分析显示Flair序列的特征贡献较大，其次为T2及T1c序列，HCR和DTL特征均有
重要贡献。结论：基于多序列MRI的DLR特征构建的ML模型可有效预测脑胶质瘤的肿瘤分级，其中经过SVM⁃RFE筛选后的
T2+T1c+Flair序列组合的SVM分类器模型效能最佳。
［关键词］ 脑胶质瘤；磁共振成像；手工影像组学；深度迁移学习；深度学习影像组学；预测模型
［中图分类号］ R739.41 ［文献标志码］ A ［文章编号］ 1007⁃4368（2024）03⁃372⁃08
doi：10.7655/NYDXBNSN230893

Prediction of glioma grading based on multi⁃sequence MRI radiomics and deep transfer
learning features

3
1
2
1
3
LIU Zhipeng ，JIANG Jianxin ，WU Qiwei ，ZHOU Yan ，BIAN Xuefeng ，ZHU Yinxing 4*
Department of Information，Department of Neurosurgery，Department of Imaging，Taizhou People’s Hospital
1 2 3
Affiliated to Nanjing Medical University，Taizhou 225300；Institute of Clinical Medicine，Nanjing Medical
4
University，Taizhou 225300，China
［Abstract］ Objective：To explore the efficacy of a machine learning（ML）model utilizing multi ⁃ sequence MRI hand ⁃ crafted
radiomics（HCR）and deep transfer learning（DTL）features to predict preoperative glioma grading. Methods：Image data were selected
from 332 patients［258 cases of high⁃grade glioma（HGG），74 cases of low⁃grade glioma（LGG）］in the BraTS2019 dataset. A subset of
30 HGG and 8 LGG cases were randomly selected as test data set，while data from the remaining 294 cases were used as training and
validation sets. HCR and DTL features of the lesion were extracted from T1，T2，T1c and Flair sequences，and the top 10 features were
selected. Seven ML models were then constructed based on HCR features，DTL features，and a combination of both features of deep

［基金项目］ 泰州市第五期“311工程”第二层次培养对象资助科研项目（RCPY202129）；浦东新区科技发展基金事业单位民
生科研专项（PKJ2021⁃Y09）；泰州市中医药科技发展项目（TZ202301）；南京医科大学附属泰州人民医院培育项目
（TZKY20220104）；南京医科大学泰州临床医学院博士后科研资助项目（TZBSHKY202204）
∗
通信作者（Corresponding author），E⁃mail：zhuyinxing@njmu.edu.cn