《临床放射学杂志》发表论文赏析
作者:安鹏, 叶颖剑, 郭婷婷
单位:441000 襄阳,湖北医药学院附属襄阳市第一人民医院放射科(安 鹏、叶颖剑); 435000 黄石,黄石市中心医院(湖北理工学院附属医院)核医学科(郭婷婷); 435000 黄石,脑血管病影像与人工智能黄石市重点实验室(郭婷婷)
摘要:目的探讨多参数增强MRI常规影像特征及放射组学特征联合机器学习算法预测弥漫性大B细胞淋巴瘤(DLBCL)Ki-67分级的价值。方法回顾性搜集320例经病理证实的DLBCL患者(Ki-67指数<75%组170例,Ki-67指数≥75%组150例),按6∶4比例划分为训练集和测试集。在术前增强MRI(T<sub>1</sub>WI、T<sub>2</sub>WI、增强T<sub>1</sub>WI)图像上手动勾画感兴趣区,提取常规特征(如T<sub>1</sub>WI信号、坏死、多组织受累、强化方式、ADCmean等)及放射组学特征(Delta radscore、T<sub>2</sub> radscore)。在训练集中结合这些特征,应用多种机器学习模型(SVM、KNN、XGBoost等)和逻辑回归建立预测模型,在测试集中验证效能,并通过<em>DeLong</em>检验、决策曲线分析(DCA)、SHAP图、列线图及校准曲线进行评估。结果多因素分析证实Delta放射组学、T<sub>2</sub>放射组学、T<sub>1</sub>WI信号、ADCmean及坏死是DLBCL患者Ki-67分级的独立因素。XGBoost模型具有最佳的鉴别效能(训练集AUC 0.98,测试集AUC 0.88),DCA显示其具有高临床净获益。SHAP图分析显示,Delta放射组学、T<sub>2</sub>放射组学、T<sub>1</sub>WI信号、ADCmean为模型关键贡献特征,据此构建的列线图校准度良好。结论融合多参数增强MRI常规特征(特别是T<sub>1</sub>WI信号)与放射组学特征(Delta radscore),应用XGBoost机器学习算法,可在放化疗前有效预测DLBCL患者Ki-67分级。基于上述关键特征构建的列线图,可为临床决策提供有价值的辅助工具。
关键词:弥漫性大B细胞淋巴瘤,磁共振成像,放射组学,机器学习,Ki-67分级
基金资助:本研究系2025年湖北省自然科学基金面上项目(编号:2025AFB885); 湖北省自然科学基金-黄石创新发展联合资助项目(编号:2025AFD015)
2026年6期其他文献查阅:
基于蚁群优化神经网络联合MRI影像组学预测局部晚期鼻咽癌诱导化疗疗效的研究
基于CT生境分析联合临床指标预测中晚期肝细胞癌TACE后肿瘤反应
基线IVIM-DWI联合临床-免疫炎症参数模型对肝细胞癌经肝动脉化疗栓塞术抵抗的预测价值
基于机器学习的MRI影像组学联合临床模型在临床显著性前列腺癌的诊断价值
良性与交界性/恶性卵巢Brenner瘤的影像学特征及鉴别诊断
基于双能量CT图像联合临床指标构建多发性骨髓瘤R-ISS分期可解释性随机森林算法预测模型的研究
基于多参数扩散MRI及影像组学构建并验证儿童过敏性紫癜肾炎的诊断模型
多参数增强MRI特征及放射组学结合机器学习预测弥漫性大B细胞淋巴瘤Ki-67分级
基于心率分层采集窗口优化的无心电门控冠状动脉CT血管成像临床应用研究
基于食管癌的光子计数CT低keV量子迭代重组图像与传统CT图像质量的对比研究
MRI-质子密度脂肪分数方法测定青少年发病成人型糖尿病2型患者体内脂肪分布
T2 mapping评估葡聚糖硫酸钠诱导溃疡性结肠炎大鼠模型炎症活动度及纤维化的初步研究