基于CT平扫的影像组学机器学习模型鉴别长骨内生软骨瘤和非典型软骨肿瘤的研究.pdf

中文摘要

基于CT平扫的影像组学机器学习模型鉴别长骨内生软骨瘤和

非典型软骨肿瘤的研

摘要

目的：本研究基于CT平扫图像提取影像组学特征并分别使用13种

机器学习算法构建影像组学机器学习模型，旨在探讨基于CT平扫的影像

组学机器学习模型对长骨的内生软骨瘤（Enchondroma,EC）和非典型软

骨肿瘤（Atypicalcartilaginoustumour,ACT）的鉴别诊断价值和提高模型

性能的方法。

方法：回顾性收集经病理证实长骨的EC（59例）和ACT（53例）

患者的临床资料和术前CT平扫图像。对这些病例的术前CT平扫图像进

行三维的肿瘤感兴趣体积（Volumeofinterest,VOI）分割和图像预处理，

使用PyRadiomics插件从VOI中高通量地提取影像组学特征，使用组内

相关系数（Interclasscorrelationcoefficient,ICC）、t检验（T-test）和最小

绝对收缩率和选择算子（Leastabsoluteshrinkageandselectionoperator,

LASSO）回归进行特征筛选和降维。将经过筛选得到特征使用13种机器

学习算法构建影像组学机器学习模型，采用10折交叉验证来评估模型的

性能并绘制受试者特征曲线（Receiveroperatingcharacteristic,ROC）、精

度召回曲线（Precision-Recall,P-R）、混淆矩阵（Confusionmatrix）和特

征权重图（Featureimportanceplot），每次交叉验证均以7∶3的比例将数

据集随机划分为训练集（78例）和测试集（34例）。

结果：总共提取出1199个影像组学特征，经过筛选得到9个最具有

价值的特征并构建13个影像组学机器学习模型。13个模型中有11个模

型的ROC曲线下面积（Areaundercurve,AUC）达到0.8以上，有3个模

型的AUC值达到0.9以上。性能最好的模型是极端随机树模型（Extremely

RandomizedTrees,ERT）（AUC值0.9375±0.0884，准确率为0.8500±

0.1225），其次是自适应增强模型（AdaptiveBoosting,ADA）（AUC值

0.9188±0.1010，准确率为0.8732±0.0970）和线性判别分析模型

（LinearDiscriminantAnalysis,IDA）（AUC值0.9062±0.1459，准确

率为0.8500±0.1346）。

1

中文摘要

结论：基于CT平扫的影像组学机器学习模型对长骨的EC和ACT具

有良好的鉴别能力。通过使用滤波器深入挖掘原始图像的高阶特征和选择

合适的机器学习算法能够提高模型的预测性能。

关键词：影像组学，机器学习，CT，内生软骨瘤，非典型软骨肿瘤

2

目录

中文摘要···········································································································1

英文摘要···········································································································3

英文缩写·································