文章目录

1 资料和方法

1.1 临床资料

1.2 仪器与方法

1.3 图像处理与分析

1.4 特征筛选与模型建立

2 结果

2.1 PA与WT的一般资料比较

2.2 分类模型的特征子集

2.3 3种放射组学分类模型的效能

3 讨论

文章摘要:目的:探讨基于计算机体层成像（computed tomography,CT）的放射组学模型在腮腺多形性腺瘤（pleomorphic adenoma,PA）与沃辛瘤（Warthintumor,WT）鉴别中的价值。方法:收集经病理学检查证实的28例PA与25例WT,使用MaZda软件提取CT平扫图像中肿瘤的直方图分析（histogram analysis,HA）、灰度共生矩阵（gray-level co-occurrence matrix,GLCM）、灰度游程矩阵（gray-level run length matrix,GLRLM）、绝对梯度（absolute gradient,AG）和自回归模型（autoregressive model,AR）5种放射组学特征。使用组内相关系数（intraclass correlation coefficient,ICC）分析组学特征,选取PA与WT组中ICC>0.75的特征,然后选取组间差异有统计学意义的特征参数,再使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）回归分析进一步析筛选,最后以筛选出的特征参数建立随机森林（random forest,RF）、逻辑回归（logistic regression,LR）与支持向量机（support vector machine,SVM）分类模型,并应用受试者工作特征（receiver operating characteristic,ROC）曲线评估模型的效能。结果:PA与WT之间差异有统计学意义的特征中,GLCM数量最多。最终筛选出11个特征参数作为子集建立RF、LR、SVM共3个模型,其中RF的效能最佳,准确度、灵敏度、特异度及曲线下面积（area under curve,AUC）分别为83.3%、78.6%、88.0%及0.882。结论:基于CT的放射组学模型具有良好的分类效能,可于术前有效地鉴别PA与WT。

文章关键词:

论文DOI:10.19732/j.cnki.2096-6210.2021.06.012

论文分类号:R730.44;R739.87