基于T2WI与RS-EPI DWI影像组学特征的自动化机器学习模型预测直肠癌术前T分期的价值

目的 探讨基于磁共振T2加权成像(T2 weighted image,T2WI)和分段读出平面回波成像(readout-segmented EPI,RS-EPI)与扩散加权成像(diffusion weighted image,DWI)的影像组学特征,通过开发和验证自动化机器学习模型,预测直肠癌术前病理T分期的价值.方法 回顾性分析2016年10月?2018年12月经手术病理结果证实为直肠癌且在我院行术前直肠磁共振的患者131例.采用ITK-SNAP软件从T2WI和RS-EPI DWI图像中手动分割出肿瘤区域.使用PyRadiomics包提取出200个特征〔100个特征来自于T2WI,100个特征来自RS-EPI DWI的表观弥散系数(apparent diffusion coefficient,ADC)图〕.使用mwmote与neater重采样均衡数据,加入13例T1-2期模拟数据.根据3:1的比例将总体数据分割成训练集111例和测试集37例.在训练集上使用Tree-based Pipeline Optimization Tool(TPOT)最优化模型参数并选取最重要的组学特征建模,得到5个互相独立的T分期模型.使用准确率和受试者工作特征(ROC)曲线下面积(area under the curve,AUC)筛选出最优模型.在测试集和原数据集上预测直肠癌T分期.结果 自动化机器学习推荐的5个T分期模型,在训练集上的准确率为0.802～0.838,敏感度为0.762～0.825,特异度为0.833～0.896,AUC范围为0.841～0.893,average precision(AP)范围为0.870～0.901.经过对比后,最终选择的模型的敏感度、特异度、AUC,在训练集上为0.810、0.875、0.893,在测试集上为0.810、0.813、0.810,在原始数据集上为0.810、0.830、0.860.结论 基于T2WI和RS-EPI DWI的影像组学数据,通过自动化机器学习建立的模型在预测直肠癌T分期上有较高的准确率.