• <input id="m0kks"><samp id="m0kks"></samp></input>
  • 前沿研究

    基于多模態影像組學方法在腦膠質瘤高低分級中的應用價值

    發布時間:2024-02-27 10:06:37      瀏覽  次

    作者:葉姣,賓芳,魯波,蔡澤潤,胡玲(通信作者)

    單位:湘潭市中心醫院 (湖南湘潭 411100)

    〔關鍵詞〕影像組學;腦膠質瘤;機器學習

    〔中圖分類號〕R737.33  〔文獻標識碼〕B

    〔文章編號〕1002-2376(2024)01-0025-04

    腦膠質瘤是常見的腦部原發性腫瘤,世界衛生組織將其分為Ⅰ ~ Ⅳ級,其中Ⅰ級和Ⅱ級為低級別腦膠質瘤(low-grade gliomas,LGGs),Ⅲ級和 Ⅳ 級 為 高 級 別 腦膠 質 瘤(high-grade gliomas,HGGs)[1]。研究證實,不同級別的腦膠質瘤患者的治療方法和預后差異較大。手術切除為 LGGs 的首選治療方法,化療和輔助放療是 HGGs 治療的必要方法 [2-3]。研究表明,腦膠質瘤分級級別越高,術后復發率越高,患者生存率越低 [4]。MRI 是診斷腦膠質瘤的常用方法,其具有軟組織對比度高等優點,但其診斷精度仍有待提高 [5]。近年來,影像組學方法已廣泛應用于癌癥的診斷分級、療效評估及生存期進展預測等領域,為腦膠質瘤的分級提供了思路 [6-10]。本研究擬提取腦膠質瘤多模態 MRI 的影像組學特征,并對其特征進行分析,旨在建立 3 種機器學模型,以提高腦膠質瘤分級的精度。

    1  資料與方法

    1.1  數據獲取及預處理

    本研究采取公開可獲取的 BraTS2018 訓練數據集作為研究資料,其包括 T1、T2、T1ce、Flair 4 個序列 MRI 圖像及增強腫瘤區域、浮腫和壞疽 3 個區域的掩膜文件。本研究僅采用增強腫瘤區域作為感興趣區域(regions of interest,ROI),用于后續影像組學特征的提取。將 4 個序列的 MRI 三維體素間距插值為 1 mm×1 mm×1 mm,調整每個序列圖像大小為 240×240×155,并使用 Z-score 方法進行標準化處理。經處理后,數據集包括腦膠質瘤258 例,其中高分化腦膠質瘤 210 例,低分化腦膠質瘤 48 例,依據 9‥1 的比例分配為訓練集 233 例和測試集 25 例。

    1.2  影像組學特征提取

    影像組學特征提取是指從 ROI 中計算大量特定參數的過程。采用基于 Python 3.7 平臺的 Pyradiomics 開源包提取腦膠質瘤影像組學特征。提取的影像組學特征包括一階及 3 類。一階統計特征反映所測 ROI 的對稱性、均勻性及局部強度分布變化;形狀定量描述 ROI 的三維大小和形態信息;紋理特征反映了 ROI灰度間的空間排列關系。每個模態 MRI 影像均提取107 個影像組學特征,共提取 428 個影像組學特征。

    1.3  特征篩選及模型建立

    首先,對所有特征進行最大最小標準化處理,使標準化后的特征數值處于(0,1)。其次,使用Spearman 系數計算特征間的相關性,并保留任意2 個特征間相關系數 > 0.9。使用 LASSO 算法篩選最終用于構建影像組學模型的特征,根據權值 λ 調整 LASSO 回歸復雜度,λ 值越大,對變量較多的線性模型懲罰力度越大。訓練集進行 10 倍交叉驗證,找到交叉驗證誤差最小的 λ 值,篩選出 λ 值不為 0 的特征,并計算特征權重,將最后得到 21 個特征組成的融合子集作為后續分類模型的基礎。

    1.4  機器學習分類模型

    完成特征篩選后,構建 3 種機器學習分類模型:對數幾率回歸(Logistic regression,LR)、支持向量 機(support vector machine,SVM) 和 多 層 感 知機(multi-layer preceptron,MLP)。LR 是一種線性模型,通過線性決策邊界將數據分成 2 類。SVM是一種非線性模型,其使用核函數將數據映射至高維空間,并使用線性決策邊界分離數據。MLP 是一種深度學習模型,其由多個神經元層組成,并在神經元層后添加激活函數,使 MLP 可用于非線性分類任務中。所有模型均采用網格搜索方法進行訓練,對各類模型予必要的參數調整,得到訓練集各分類模型的最佳參數。

    1.5  統計學處理

    采用 Python 3.7 對數據進行統計分析。計算各預測模型腦膠質瘤高低分化的準確率、曲線下面積(area under curve,AUC)、靈敏度、特異度,并繪制采用受試者特征曲線(receiver operating characteristic curve,ROC)與決策曲線(decision curve analysis,DCA)評估預測模型效能。

    2  結果

    2.1  特征選擇

    使用斯皮爾曼相關系數去除冗余特征后篩選出 136 個特征,使用 LASSO 算法篩選最終用于構建影像組學模型的特征,見圖 1。最佳懲罰系數λ = 0.0168。經選擇后,最終保留 22 個系數值不為 0 的特征,用于機器學習模型的訓練測試,各特征權重見圖 2。

    圖 1 10 倍交叉驗證選擇最佳懲罰系數 λ

    圖 2 篩選出影像組學特征權重

    2.2  模型分類結果

    表 1 為 LR、SVM、MLP 3 種機器學習算法構建影像組學模型預測腦膠質瘤高低分化的結果。圖 3為 3 種模型下訓練集和驗證集的 ROC 曲線。所有模型在訓練集的 AUC 均 >0.95,測試集的AUC均 >0.90。LR 在 測 試 集 中 的 準 確 率、AUC 和特異度均為最高,敏感度低于 SVM 模型。圖 4 為 3 種模型下的 DCA 曲線。DCA 曲線表明,3 個模型均具有較好的臨床收益,但 LR 的凈收益高于 SVM 和MLP,因此,在影像組學模型中,LR 為最優預測模型。

    表 1 影像組學模型預測腦膠質瘤高低分化的結果

    注:LR 為對數幾率回歸,SVM 為支持向量機,MLP 為多層感知機,AUC 為曲線下面積

    注:(a)對數幾率回歸模型,(b)支持向量機模型,(c)多層感知機模型,AUC為曲線下面積

    圖 3 3 種模型下訓練集和測試集的 ROC 曲線

    注:LR 為對數幾率回歸,SVM 為支持向量機,MLP 為多層感知機,DCA 為決策曲線

    圖 4 LR、SVM、MLP 模型下的 DCA 曲線

    3  討論

    本研究利用影像組學預測腦膠質瘤患者高低分級的診斷效能,提取 Flair、T1、T1ce 和 T2 4 個模態 MRI 的影像組學特征并進行數據融合,使用 Spearman 和 LASSO 回歸篩選特征,建立 LR、SVM、MLP 3 種機器學習模型進行分類預測。ROC曲線分析顯示,3 種模型均具有較好的診斷效能,在訓練集和測試集上AUC均 > 0.9,最高為 0.976,且靈敏度和特異度相對穩定。DCA 分析顯示,3 種模型曲線在 0.2 ~ 1.0 閾值下處于干預和無干預曲線上方,在相同閾值下的凈收益更高,表明 3 種模型均具有較好的臨床收益。

    本研究對腦膠質瘤高、低分化的影像組學研究發現,4 種模態特征聯合 LR 機器學習模型在測試集中的AUC值最高,具有最佳的診斷效能。

    傳統 MRI 影像診斷模式診斷結果差異性較大,無法滿足臨床精確診斷的需求。目前大量研究將影像組學方法用于腦膠質瘤的分級診斷中。Zhou等 [11] 使用 T1 增強 MRI 影像組學預測腦膠質瘤分級,AUC為 0.95。阮君等 [12] 使用 T1、T2、T1 加權增強和彌散加權成像 4 個模態 MRI 影像組學特征評估腦膠質瘤高低分級,結果顯示,基于 T1、T2 和 DWI 影像組學特征模型的 AUC均 > 0.9[12]。戴宏等 [13] 嘗試對腦膠質瘤Brats19 公開數據集分級,并使用集成學習投票機制綜合 3 種機器學習算法模型分類,其集成模型在測試集上的 AUC、準確度、靈敏度分別為 0.933、0.886 和 0.872。本研究 LR 模型的AUC、準確度、靈敏度分別為 0.976、0.905 和 1.000,說明 LR 模型對腦膠質瘤分化的識別準確度更佳。

    綜上所述,基于多模態 MRI 影像組學特征可快速、準確預測腦膠質瘤的高低分化,為臨床醫師對腦膠質瘤的分級診斷提供參考依據。

    【參考文獻】

    [1]Louis DN, Perry A, Reifenberger G, et al. The 2016 World Health Organization classification of tumors of the central nervous system: a summary[J]. Acta Neuropathologica, 2016, 131: 803-820.

    [2]Bush NAO, Hervey-Jumper SL, Berger MS. Management of g lioblastoma , present a nd future [J ]. World Neurosurgery, 2019, 131: 328-338.

    [3]韓夢婷,孫振亮 . 腦膠質瘤的治療現狀 [J]. 中國基層醫藥,2021,28(10):1596-1600.

    [4]王偉,沈龍山,程雯,等 . 基于常規 MRI 的影像學特征聯合 MRS 在腦膠質瘤術前分級評估及預測術后復發的應用研究 [J].中國 CT 和 MRI 雜志,2023,21(7):15-18.

    [5]Zhang L, Yang L, Wen L, et al. Noninvasively evaluating the grading of glioma by multiparametric magnetic resonance imaging[J]. Acad Radio, 2021, 28(5): e137-e146.

    [6]李潔,劉光耀,樊鳳仙,等.深度學習和影像組學在腦膠質瘤中的研究進展 [J]. 磁共振成像,2022,13(4):158-161.

    [7]魏煥煥,楊燕,付芳芳,等 . 基于多模態 MRI 影像組學與深度學習的腦膠質瘤診斷及預后預測研究進展 [J]. 磁共振成像,2023,14(5):175-180.

    [8]Sahli H, Ben Slama A, Zeraii A, et al. ResNet-SVM: Fusion based glioblastoma tumor segmentation and classification[J]. J Xray Sci Technol, 2023, 31(1): 27-48.

    [9]Alhasan AS. Clinical applications of artificial intelligence, machine learning, and deep learning in the imaging of gliomas: a systematic review[J]. Cureus, 2021, 13(11): e19580.

    [10]He J, Ren J, Niu G, et al. Multiparametric MR radiomics in brain glioma: models comparation to predict biomarker status[J]. BMC Med Imaging, 2022, 22(1): 137.

    [11]Zhou H, Xu R, Mei H, et al. Application of enhanced T1WI of MRI Radiomics in Glioma grading[J]. Int J Clin Pract, 2022: 3252574.

    [12]阮君,張曉琦,劉文濤,等 . 基于多模態 MRI 影像組學在膠質瘤分級預測中的應用:多中心驗證研究 [J]. 臨床放射學雜志,2022,41(8):1408-1415.

    [13]戴宏,符冉迪,金煒 . 基于影像組學與集成學習的腦膠質瘤分級預測 [J]. 寧波大學學報(理工版),2021,34(4):28-34.

    內容來源于《醫療裝備》雜志,如需轉載請注明出處。

    投稿系統

    本系統為《醫療裝備》唯一投稿平臺,以方便作者在線投稿、查詢、繳費等;《醫療裝備》未授權其他任何單位、個人進行網站建設或收稿、收費等行為!

    官方信息

    • 歡迎關注《醫療裝備》官方公眾號

    《醫療裝備》雜志社有限責任公司   版權所有   Copyright(c)2001-2017
    ylzbzz.org.cn All Right Reserved    京ICP備17008523號-1   網站構建:Blovemedia
    久久久久人妻精品一区三寸|久久国产精品中文字幕|亚洲熟女一区二区三区|国产超碰人人爽人人做不卡
  • <input id="m0kks"><samp id="m0kks"></samp></input>