Page 87 - 南京医科大学学报自然科学版

第44卷第3期 刘志鹏，降建新，吴琪炜，等. 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
2024年3月 预测研究［J］. 南京医科大学学报（自然科学版），2024，44（3）：372-379 ·377 ·

A B
mRMR RF⁃RFE SVM⁃RFE
T1
Validation
T2
0.960
SVM 0.957 0.958 0.996 T1c
0.980
Flair
LR 0.965 0.960 0.995
T1+T2 0.900
0.960 T1+T1c
RF 0.949 0.967 0.957
T1+Flair
0.940 T2+T1c 0.840
XGBoost 0.951 0.956 0.965
T2+Flair
DT 0.905 0.923 0.878 0.920 T1c+Flair
0.780
T1+T2+T1c
KNN 0.987 0.980 0.979
0.900 T1+T2+Flair
T1+T1c+Flair
NB 0.947 0.923 0.927 0.720
T2+T1c+Flair
0.880 0.976 0.988 0.932 0.920
mRMR RF⁃RFE T1+T2+T1c+Flair AUC ACC SEN SPE YI
SVM⁃RFE
（ Positive label： ） 0.8 （ Positive label： ） 0.8
C 1 1.0 D 1 1.0

0.6
0.6
True positive rate 0.4 ROC fold 0（AUC=0.991） True positive rate 0.4 ROC（AUC=0.986）
ROC fold 1（AUC=0.998）
ROC fold 2（AUC=0.993）
ROC fold 3（AUC=1.000）
ROC fold 4（AUC=0.998）
0.2
0.2
Chance
Mean ROC（AUC=0.996 ± 0.004）
0
0.6
0 0.2 0.4 ± 1 std.dev. 0.8 1.0 0 0 0.2 0.4 0.6 0.8 1.0
False positive rate（Positive label：1） False positive rate（Positive label：1）
A：AUC results of seven machine learning models and three feature screening methods on the validation set. B：Summary of the optimal results for
all sequences on the validation set. C：Five⁃fold cross⁃validation results of the optimal model on the verification set. D：Results of optimal model test set.
图4 DLR特征实验结果
Figure 4 The results of DLR features
A B
Flair_gradient_firstorder_90percentile High +0.08
T2_wavelet⁃LLH_glszm_Size Zone Non Uniformity +0.03
Flair_wavelet⁃HLL_firstorder_Minimum +0.02
Flair_wavelet⁃HLH_firstorder_Maximum +0.02
Flair_wavelet⁃HHH_glszm_Zone Entropy +0.02
Flair_original_shape_Least Axis Length +0.01
T1c_diagnostics_Mask⁃orighinal_Volume Num +0.01
T2_diagnostics_Mask⁃orighinal_Volume Num +0.01
T1c_gradient_glszm_Low Gray Level Zone Emphasis +0.01
T1c_logarithm_glrlm_Run Entropy +0.01
Flair_wavelet⁃LLH_glszm_Gray Level Non Uniformity Feature value +0.01
T2_wavelet⁃LHL_glcm_ldmn +0.01
T2_wavelet⁃HHH_glszm_Large Area Low Gray Level Emphasis +0.01
Flair_original_gldm_Dependence Entropy +0.01
Flair_dtl_981 +0.01
T2_dtl_467 +0.01
T1c_square_glszm_Gray Level Non Uniformity Normalized +0.01
Flair_dtl_712 +0.01
T1c_original_gldm_Small Dependence Low Gray Level Emphasis +0
T2_dtl_919 +0
Sum of 40 other features +0.09
Low
-0.6 -0.4 -0.2 0 0.2 0 0.02 0.04 0.06 0.08
SHAP value Mean（SHAP value）
（impact on model output）
图5 SHAP特征权重分布蜂图（A）及权重均值直方图（B）
Figure 5 SHAP feature weight distribution swarm plot（A）and weight mean histogram（B）
接影响治疗方案及患者预后 ［13］ 。因此，术前无创准 治疗计划具有重要意义。本研究建立基于多序列
确地预测胶质瘤分级，对制定手术方案和实施后续 MRI 的 HCR 和 DTL 特征的 ML 模型，其中最优的模