Page 119 - 南京医科大学自然版

第44卷第12期 夏志伟，苏春秋，王彬彬，等. 基于T2WI和DWI影像组学在术前预测垂体腺瘤质地中的应用价值［J］.
2024年12月 南京医科大学学报（自然科学版），2024，44（12）：1729-1734 ·1733 ·

A 1 1.0 B 1 1.0
（Positive class：） 0.8 （Positive class：） 0.8

0.6
0.6
Fraction of positives 0.4 Fraction of positives 0.4

0.2
0.2
SVM
SVM
0 Perfectly calibrated 0 Perfectly calibrated
00 0.2 0.4 0.6 0.8 1.0 00 0.2 0.4 0.6 0.8 1.0
Mean predicted probability（Positive class：1） Mean predicted probability（Positive class：1）
A：The training set. B：The validation set.
图3 联合T2WI和DWI影像组学模型校准曲线
Figure 3 Calibration curves of the combined T2WI and DWI radiomics model

表2 临床及影像组学模型在训练组和验证组的预测效能 的信息。Cuocolo等 ［20］ 基于T2WI 图像构建的预测模
Table 2 Predictive performance of clinical and radiomics 型效能较高（AUC=0.99），但其样本量较小，AUC 值
models in the training and validation sets
过高，模型再现性及过拟合可能存在问题。
Model Sets AUC Acc Sen Spe
本研究存在以下局限性。①手动勾画VOI可能
Clinical model Training 0.82 0.733 0.704 0.810
存在差异。但本研究VOI包含整个肿瘤的实质区可
Validation 0.63 0.545 0.542 0.556
以减小由于选择单一层面带来的误差，能够更加全面
T2WI model Training 0.85 0.693 0.648 0.810
地反映肿瘤内部的异质性特征。②本研究为回顾性
Validation 0.52 0.667 0.792 0.333
研究，样本量相对较小。本研究通过采用合成少数过
DWI model Training 0.85 0.733 0.759 0.667
采样技术来避免两组间的样本量不平衡带来的数据
Validation 0.75 0.758 0.875 0.444
T2WI+DWI model Training 0.89 0.840 0.907 0.667 偏倚，下一步将联合其他研究中心做更广泛、更深入
Validation 0.80 0.818 0.917 0.556 的研究。③由于缺乏对肿瘤胶原蛋白的定量分析，本
研究未对病理学和影像组学结果进行分析比较。
本研究基于影像组学方法，高通量挖掘图像的 综上所述，基于 T2WI 和 DWI 影像组学有助于
定量特征，使许多肉眼无法识别的信息被充分挖 预测垂体腺瘤的质地，为临床决策提供支持。
掘，从不同层面揭示了肿瘤的异质性。本研究提取 ［参考文献］
了丰富的影像组学特征，并利用SVM及网格搜索进
［1］ LOPES M B S. The 2017 World Health Organization clas⁃
行模型建立。在机器学习中，SVM 是用来解决二分
sification of tumors of the pituitary gland：a summary［J］.
类问题的有效监督学习算法。其从本质上避开了 Acta Neuropathol，2017，134（4）：521-535
从归纳到演绎的传统过程，更为高效地完成从训练 ［2］ MOLITCH M E. Diagnosis and treatment of pituitary ade⁃
样本到验证样本的“工作流程”。网格搜索又称超 nomas：a review［J］. JAMA，2017，317（5）：516-524
参数搜索，其核心是遍历这个参数网格中的所有可 ［3］ CERNY M，SEDLÁK V，LESÁKOVÁ V，et al. Methods of
能的参数组合。对于每种组合，模型都会被训练并 preoperative prediction of pituitary adenoma consistency：
评估其性能，最终找到在验证集上精度最高的参 a systematic review［J］. Neurosurg Rev，2022，46（1）：11
［4］ CHEN X Y，DING C Y，YOU H H，et al. Relationship be⁃
数，显著提高了模型的准确性。SVM和网格搜索对
tween pituitary adenoma consistency and extent of resec⁃
小样本数据分类有很好的预测效果，目前广泛用于
tion based on tumor/cerebellar peduncle T2⁃weighted im⁃
其他领域的影像组学研究 ［18］ 。本研究的联合模型
aging intensity（TCTI）ratio of the point on preoperative
预测效能优于Zeynalova等 ［19］ 基于T2WI图像直方图 magnetic resonance imaging（MRI）corresponding to the
分析（AUC=0.710），这可能是由于直方图提供的定 residual point on postoperative MRI［J］. Med Sci Monit，
量特征有限，难以反映图像的细微差别和更深层次 2020，26：e919565