Page 88 - 南京医科大学学报自然科学版
P. 88
第44卷第3期
·378 · 南 京 医 科 大 学 学 报 2024年3月
型在训练集和验证集均能有效预测脑胶质瘤的高 序列（T1、T2、ADC、T1c 和 3D ⁃动脉自旋标记）中提
低分级，通过决策曲线筛选出获益率最高的特征， 取放射组学特征，并使用 SVM 分类器进行分级预
并对模型进行了归因分析，表明该模型在脑胶质瘤 测，多模态 MRI 模型的 AUC 和准确率分别为 0.987
分级预测中具有巨大应用潜能。 和96.8%。本研究最优模型在训练组和验证组中的
MRI成像技术具有分辨率高、软组织结构清晰、 性能类似，在验证集上，AUC 达到 0.996，准确率为
无辐射等优点，根据不同的成像条件，不同的 MRI 97.6%，均能较好预测脑胶质瘤分级，具有良好的鲁
序列反映不同的肿瘤组织特征并互相补充，是诊断 棒性，优于Tian等 的模型。
［15］
脑胶质瘤可信度极高的成像技术 ［14］ 。T1 序列可以 通过 DL 方法提取的 DLR 特征很难解释，不可
显示组织的形态和大小，T1c 序列是 T1 序列的一种 解释性会阻碍其在胶质瘤临床实践中的应用。
增强版本，通过注射对比剂来增强肿瘤和血管等组 SHAP 值用于评估预测模型中每个特征的贡献，这
织的成像效果，在检测脑部肿瘤和血管病变等方面 是解释 ML 模型的最先进方法。这种方法源于博
更具优势。T2 序列更适合显示组织的水含量和炎 弈论的 Shapley 值，它量化了每个参与者对结果的
症程度，Flair 序列是一种增强的 T2 序列，可以显示 贡献 ［22］ 。因此本研究采用SHAP法对模型的特征进
炎症和肿瘤周围的水肿区域，对于检测脑部肿瘤具 行解释，可以发现，贡献较大的特征来自 Flair 序列
有很高的诊断价值。因此本研究对多序列（T1、T2、 最多，其次为T2及T1c序列，这与上述T2+T1c+Flair
T1c和Flair）的MRI进行了研究。通过随机2种序列 序列融合为最优模型的结果相符。
融合、随机 3 种序列融合以及 4 种序列全部融合的 本研究构建的最优模型在准确性和临床实用
方法，最终产生15种影像序列融合方式。 性上都有一定优势，但仍有一些局限。首先，本研
影像组学通常指以高通量方式从成像图像中 究使用的数据均为小样本公共数据集，缺少对应的
提取大量图像信息，以实现肿瘤分割、特征提取和 外部数据集进行验证，所以模型的泛化能力无法验
模型构建 ［15］ 。然而，影像组学分析需要手动描绘 证。未来应继续扩大样本量，进一步收集多个医疗
ROI以实现肿瘤分割，这可能影响特征值的提取 。 机构的高质量数据，整理形成多中心的大样本数据
［16］
DL已经广泛应用于医学影像领域，因此本研究首先 集进行研究。其次，本研究仅用了 4 种常规 MRI 序
比较了 HCR 特征、DTL 特征和两者组合的 DLR 特 列对脑胶质瘤的高、低级别进行分类预测，应用范
征，结果表明 DLR 作为输入特征建模时，表现出具 围相对局限，后续还应结合更多序列进行研究。其
有竞争力的分类效能。同样，在多数研究中，基于 他组学内容也应纳入研究，如病理组学、基因组学等，
DLR特征构建的ML模型均表现出最优效能 ［17-18］ 。 分类也应更加深入。最后，基因突变和生存周期预测
为了探索适合脑胶质瘤分级预测的最佳ML模 的研究未来仍需进一步探索。
型，本研究采用 3 种特征筛选方法和 7 种 ML 算法， 综上所述，基于 MRI 的 DLR 模型可有效预测
最终每种特征均各自构建了 15 个序列共 135 种 ML 脑胶质瘤肿瘤分级，其中T2+T1c+Flair序列组合，且
模型，并对每种模型的性能进行评估，以选出最优 基于SVM⁃RFE 的特征筛选方法和SVM分类器的模
的模型组合。RFE通过迭代训练ML模型，每轮训练 型获得最好效果，可为脑胶质瘤患者术前预测分
后，将权重（或系数）最小的特征进行剔除，直到得到 级，制定个体化的诊疗方案提供有力支持。
最优特征子集 ，本研究显示，采用SVM⁃RFE法筛选
［19］
［参考文献］
特征后，T2+T1c+Flair 序列组合的 SVM 分类器模型
效能最优。SVM 是一种常用的 ML 二元分类算法， ［1］ SUNG H，FERLAY J，SIEGEL R L，et al. Global cancer
statistics 2020：GLOBOCAN estimates of incidence and
Siakallis等 ［20］ 在HGG监测中提出了一种结合MRI特
mortality worldwide for 36 cancers in 185 countries［J］.
征的 SVM 分类器，可以提高分类性能，优于放射科
CA A Cancer J Clinicians，2021，71（3）：209-249
医生的分类。既往采用 SVM 分类器预测脑胶质瘤
［2］ OSTROM Q T，CIOFFI G，GITTLEMAN H，et al. CB⁃
分级的研究，均取得了较好的效能。Chen 等 ［21］ 回
TRUS statistical report：primary brain and other central
顾性分析了 220 例 HGG 患者和 54 例 LGG 患者的 nervous system tumors diagnosed in the United States in
MRI图像，SVM构建的胶质瘤分级预测模型准确率为 2012⁃2016［J］. Neuro⁃oncology，2019，21（Suppl 5）：1-
91.27%。Tian 等 ［15］ 收集了 153 例胶质瘤患者（42 例 100
LGG 和 111 例 HGG）的术前 MRI 图像。他们从多个 ［3］ ZHANG Y，XIAO Y，LI G C，et al. Long non ⁃ coding
