基于T2WI的影像组学模型预测胶质母细胞瘤Ki-67的表达水平

目的探讨基于T2WI建立的影像组学模型术前预测胶质母细胞瘤Ki-67表达水平的价值.材料与方法回顾性分析经病理确诊的96例胶质母细胞瘤(glioblastoma,GBM)患者的术前MRI影像,根据Ki-67表达水平分为低表达组(Ki-67<50％)和高表达组(Ki-67≥50).在T2WI轴位图像上手动勾画感兴趣体积(volume of interest,VOI)并提取影像组学特征,所有病例按照70％:30％分为训练组和测试组,训练组用于特征筛选和建立机器学习模型,特征筛选由t检验和最小绝对收缩与选择算子(least absolute shrinkage and selection operator,LASSO)完成,特征筛选后的数据建立随机森林(random forest,RF)、Logistic回归和支持向量机(support vector machine,SVM)三种机器学习模型;测试组用于验证建立的模型并绘制ROC曲线,结果表示为准确度、敏感度、特异度和AUC.结果Ki-67低表达组和高表达组的年龄、性别差异无统计学意义;三种机器学习模型中,RF模型的诊断效能最高,准确度、敏感度、特异度和AUC分别为0.72、0.67、0.76、0.72,Logistic回归模型综合诊断效能最低,SVM模型介于二者之间.结论基于T2WI建立的影像组学模型对术前预测胶质母细胞瘤Ki-67表达水平具有一定的价值,其中RF模型预测效能最好.

Prediction of Ki-67 expression level in glioblastoma by radiomics model based on T2WI