如果您对骨科疾病生信临床研究感兴趣,请为小骨点点关注,持续解读骨科前沿生信文献和思路。如果您需要定制化服务,欢迎扫码联系小骨~
文章标题:Diffusion-weighted MRI radiomics of spine bone tumors: feature stability and machine learning-based classification performance
中文标题:脊柱骨肿瘤的弥散加权 MRI 影像组学:特征稳定性和基于机器学习的分类性能
发表期刊:Radiol Med
发表时间:2022年5月
影响因子:9.7/Q1
研究目的
使用弥散和 T2 加权磁共振成像 (MRI) 评估脊柱骨肿瘤放射组学特征的稳定性和基于机器学习的分类性能。
研究方法
这项回顾性研究包括 101 例经组织学证实的脊柱骨瘤患者 (22 例良性;38 例原发性恶性;41 例转移性)。所有肿瘤体积均在形态学 T2 加权序列上手动分割。使用相同的感兴趣区域 (ROI) 在 ADC 图上进行放射组学分析。共考虑了 1702 个放射组学特征。通过模拟多个手动描绘的 ROI 的小几何转换来评估特征稳定性。类内相关系数 (ICC) 量化特征稳定性。特征选择包括基于稳定性 (ICC > 0.75) 和基于显著性的选择 (通过减小 Mann-Whitney p 值对特征进行排名)。执行类平衡以对少数(即良性)类进行过采样。选定的特征用于训练和测试支持向量机 (SVM),以使用 10 倍交叉验证区分良性与恶性脊柱肿瘤。
研究结果
1.稳定性分析
共有 1300 个提取的放射组学特征 (76.4%) 对 ROI 的转化是稳定的。用于以下分析的放射组学特征的完整列表在补充材料“补充 2—特征 stability.xlsx”中进行了详细说明。
2.放射组学分类器验证
表中显示了 SVM 模型的质量指标,作为所选特征数量的函数。性能最好、特征数最少的模型是具有 8 个特征的模型,灵敏度为 0.78,特异性为 0.68,准确率为 0.76。最佳模型的 ROC 曲线如图 1 所示。其 ROC 曲线下面积 (AUC) 为 0.78。
3.平均 ADC 的判别能力
图中的箱线图
显示了平均 ADC 在不同肿瘤组(良性、原发性恶性和转移性)中的分布。良性肿瘤的平均 ADC 值为 1.30 ± 0.35 *10–3 mm2/s,转移为 1.17 ± 0.24 *10–3 mm2/s,原发性恶性肿瘤的平均 ADC 值为 1.08 ± 0.36 *10–3 mm2/s。Kruskal-Wallis 检验的 p 值为 0.02,事后比较显示良性恶性肿瘤和原发性恶性肿瘤之间的差异具有统计学意义 (p = 0.01),但良性肿瘤和转移之间没有差异 (p = 0.38)。良性肿瘤与恶性肿瘤的平均 ADC 的 AUC 为 0.66。

文章小结
该研究基于从 T2 和弥散加权成像中提取的放射组学特征的 SVM 分类器与 ADC 图有望用于脊柱骨肿瘤的分类。脊柱骨肿瘤的放射组学特征显示出良好的可重复性。如果您对生信分析和公共数据库挖掘感兴趣,但时间和精力有限或者缺乏相关经验,小骨非常乐意为您提供如下服务:免费思路评估、付费方案设计和生信分析等,有意向的老师欢迎联系小骨哦!