磁共振成像

2022, v.13;No.121(07) 55-60

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于MRI-T2WI影像组学列线图鉴别卵巢交界性与恶性上皮源性肿瘤
Differentiation of borderline and malignant epithelial tumors based on MRI-T2WI radiomics nomogram

丁聪;魏明翔;贾建业;周围;柏根基;

摘要(Abstract):

目的 建立基于MRI-T2WI影像组学列线图并评价其鉴别卵巢交界性上皮源性肿瘤(boderline epithelial ovarian tumors, BEOTs)及恶性上皮源性肿瘤(malignant epithelial ovarian tumors, MEOTs)的效能及临床应用价值。材料与方法 回顾性分析2016年1月至2021年5月间南京医科大学附属淮安第一医院经病理证实的上皮源性卵巢肿瘤患者的临床及影像资料,共计192例,其中BEOTs 72例,MEOTs 120例,按8∶2比例随机分为训练集(n=153)及测试集(n=39),从每个患者的轴位T2WI图像中手动勾画感兴趣区并提取影像组学特征。使用Mann-Whitney U检验、相关性分析及最小绝对收缩选择算子(least absolute shrinkage and selection operator, LASSO)回归进行特征选择,并构建影像组学模型及计算影像组学评分Radscore。结合临床因素及Radscore,采用多元logistic回归模型构建影像组学列线图模型。最后通过ROC曲线、校准曲线及决策曲线分析评价列线图模型的临床应用价值。结果 经特征筛选后最终保留10个影像组学特征。结合HE4和Radscore的影像组学列线图在训练集及测试集中的曲线下面积值(area under the cure, AUC)(训练集:0.947,测试集:0.914)均大于单一的影像组学模型(训练集:0.925,测试集:0.819)。ROC曲线及决策曲线分析结果显示,影像组学列线图模型更具优势。结论 结合MRI-T2WI影像组学特征和临床因素的影像组学列线图模型可直观、准确地鉴别BEOTs及MEOTs,并为下一步的临床决策提供指导。

关键词(KeyWords): 卵巢肿瘤;影像组学;机器学习;列线图;磁共振成像;T2加权成像

Abstract:

Keywords:

基金项目(Foundation): 北京医卫健康公益基金(编号:B20240ES)~~

作者(Authors): 丁聪;魏明翔;贾建业;周围;柏根基;

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享