基于影像組學(xué)的機(jī)器學(xué)習(xí)模型鑒別孤立性纖維性腫瘤與血管瘤型腦膜瘤

畢玉珍，白潔，白培瑞，李向榮，付圣莉，王鍵，任延德*

0 前言

孤立性纖維性腫瘤（solitary fibrous tumor,SFT）是一種罕見的間葉性非腦膜上皮源性腫瘤[1]。血管瘤型腦膜瘤（angiomatous meningioma, AM）是腦膜瘤的一種組織學(xué)亞型。兩者具有十分相似的臨床表現(xiàn)與影像學(xué)特征[2-3]，但在生物學(xué)行為和治療等方面存在顯著差異。SFT 具有明顯的侵襲性、較高的局部復(fù)發(fā)率和顱外轉(zhuǎn)移[4]，根治性全切術(shù)后輔以放射治療可有效提高患者生存率[5-6]。AM具有良性腦膜瘤的特點(diǎn)，單純手術(shù)切除即可獲得良好的預(yù)后[7-8]。因此，術(shù)前準(zhǔn)確鑒別SFT 與AM 對(duì)制訂治療方案、改善患者預(yù)后具有重要意義。

研究證明常規(guī)MRI的影像學(xué)特征有助于術(shù)前鑒別SFT 與AM，如腫瘤大小、信號(hào)強(qiáng)度以及與硬腦膜關(guān)系等[9-11]，但這些定性特征易受到觀察偏差的影響，臨床誤診率較高[12-13]?；诔Ｒ?guī)MRI 圖像的紋理分析研究表明，表觀擴(kuò)散系數(shù)（apparent diffusion coefficient,ADC）圖、T2 加權(quán)成像（T2-weighted imaging, T2WI）及T1加權(quán)成像（T1-weighted imaging, T1WI）增強(qiáng)圖像的定量成像特征可以作為鑒別 SFT與AM的有效標(biāo)記物[14-17]，但迄今為止，此類研究多缺乏有效驗(yàn)證，且模型僅體現(xiàn)了簡(jiǎn)單的相關(guān)性，因此臨床應(yīng)用價(jià)值有限。

影像組學(xué)從醫(yī)學(xué)圖像中高通量地提取定量特征，通過(guò)量化分析進(jìn)行診斷和預(yù)測(cè)，具有客觀、非侵入、可挖掘的特點(diǎn)，已被應(yīng)用于鑒別SFT 與AM[18]。機(jī)器學(xué)習(xí)可以輔助醫(yī)師深度挖掘腦腫瘤MRI 影像數(shù)據(jù)中的規(guī)律，在腦腫瘤術(shù)前分割和輔助診斷、術(shù)中位置分析以及術(shù)后預(yù)測(cè)中具有重要應(yīng)用價(jià)值[19]。

既往研究表明基于不同機(jī)器學(xué)習(xí)算法、不同MRI序列建立的模型的預(yù)測(cè)性能不同[20-21]。已有學(xué)者使用基于影像組學(xué)的機(jī)器學(xué)習(xí)模型鑒別SFT與AM，但均采用單一機(jī)器學(xué)習(xí)算法或單一常規(guī)MRI 序列構(gòu)建模型[22-23]，尚未對(duì)不同算法和序列的分類效能進(jìn)行比較，且研究數(shù)據(jù)來(lái)自單中心。Logistic 回歸（logistic regression, LR）是一種成熟的二元分類模型，具有較強(qiáng)的可解釋性和實(shí)用性[24]。隨機(jī)森林（random forest, RF）是基于決策樹的集成學(xué)習(xí)算法，泛化能力強(qiáng)，分類效能好[25]。支持向量機(jī)（support vector machine, SVM）是一種二分類模型，可以處理線性或非線性數(shù)據(jù)[25]。因此，我們收集了兩個(gè)中心的數(shù)據(jù)，使用LR、RF、SVM 結(jié)合常規(guī)MRI 圖像構(gòu)建預(yù)測(cè)模型，旨在探究不同機(jī)器學(xué)習(xí)算法及MRI 序列在鑒別SFT 與AM中的價(jià)值。

1 材料與方法

1.1 研究對(duì)象

回顧性分析青島大學(xué)附屬醫(yī)院、廣西醫(yī)科大學(xué)第一附屬醫(yī)院2015 年6 月至2020 年9 月收治的SFT與AM 患者病例共127 例，其中SFT 患者73 例，AM 患者54 例。納入標(biāo)準(zhǔn)：（1）病理診斷為SFT 或AM；（2）術(shù)前行常規(guī)MRI 檢查；（3）首次接受手術(shù)治療且術(shù)前未接受任何治療。排除標(biāo)準(zhǔn)：（1）圖像質(zhì)量較差；（2）既往有顱腦手術(shù)或活檢史；（3）既往有其他顱內(nèi)疾病史。2 例SFT 患者和4 例AM 患者因圖像質(zhì)量較差被排除，3 例SFT 患者和3 例AM 患者因既往行顱腦手術(shù)被排除，6 例AM 患者因腦梗死、蛛網(wǎng)膜下腔出血被排除。最終109 例患者（68 例SFT，41 例AM）被納入本次研究。本研究遵守《赫爾辛基宣言》，經(jīng)青島大學(xué)附屬醫(yī)院倫理委員會(huì)（批準(zhǔn)文號(hào)：QYFY WZLL 27236）、廣西醫(yī)科大學(xué)第一附屬醫(yī)院倫理委員會(huì)[批準(zhǔn)文號(hào)：2021（KY-E-201）]批準(zhǔn)，免除受試者知情同意。

1.2 MR圖像采集

使用美國(guó)GE Signa HDX 3.0 T 及德國(guó)Siemens SKYRA 3.0 T 掃描儀采集圖像。美國(guó)GE Signa HDX 3.0 T 掃描參數(shù)：T1WI 序列，TR 1800 ms，TE 24 ms；液體衰減反轉(zhuǎn)恢復(fù)（fluid-attenuated inversion recovery, FLAIR）序 列，TR 8000 ms，TE 165 ms；T1WI增強(qiáng)序列，TR 2250 ms，TE 24 ms；層厚5 mm，層間 距1 mm，F(xiàn)OV 230 mm×230 mm。德 國(guó)Siemens SKYRA 3.0 T 掃描參數(shù)：T1WI 序列，TR 1800 ms，TE 8.5 ms；FLAIR 序列，TR 9000 ms，TE 85 ms；T1WI 增強(qiáng)序列，TR 1800 ms，TE 8.5 ms；層厚5 mm，層間距1 mm，F(xiàn)OV 230 mm×230 mm。經(jīng)肘靜脈團(tuán)注0.2 mL/kg德國(guó)拜耳先靈的釓噴酸葡胺后行增強(qiáng)掃描，流率為2～3 mL/s。MR圖像通過(guò)影像存檔與通信系統(tǒng)以醫(yī)學(xué)數(shù)字成像和通信（digital imaging and communications in medicine, DICOM）格式導(dǎo)出，并抹除患者隱私。

1.3 感興趣區(qū)的勾畫與特征提取

由兩名年資7 年以上的神經(jīng)影像醫(yī)師在雙盲的情 況 下 使 用3D Slicer（Version：4.8.1，http://www.slicer.org/）軟件協(xié)商勾畫感興趣區(qū)（region of interest, ROI），分別于T1WI 增強(qiáng)、T1WI 及FLAIR圖像上沿腫瘤邊界逐層勾畫，勾畫區(qū)域包括腫瘤全部成分，即腫瘤實(shí)質(zhì)及內(nèi)部出血、壞死、囊變區(qū)，不包含周圍水腫區(qū)。

為降低掃描儀及采集參數(shù)差異造成的影響，在提取特征前對(duì)MRI 圖像進(jìn)行預(yù)處理，包括重采樣、降噪及小波變換，重采樣到1 mm×1 mm×1 mm 的體素大小，并進(jìn)行高斯濾波，sigma 值分別為0.5、1.0、1.5[26]。使用3D Slicer軟件提取影像組學(xué)特征，共提取1166 個(gè)定量參數(shù)，其中形態(tài)特征14 個(gè)、一階特征222 個(gè)、灰度共生矩陣（gray level co-occurrence matrix, GLCM）特 征294 個(gè)、灰 度 相 關(guān) 矩 陣（gray level dependence matrix, GLDM）特征174 個(gè)、灰度行程長(zhǎng)度矩 陣（gray level run length matrix,GLRLM）特征198 個(gè)、灰度區(qū)域大小矩陣（gray level size zone matrix, GLSZM）特征198 個(gè)和鄰域灰度差矩陣（neighboring gray tone difference matrix,NGTDM）特征66個(gè)。

1.4 影像組學(xué)特征的選擇和降維

將影像組學(xué)特征導(dǎo)入Python（版本3.8.13）軟件包進(jìn)行標(biāo)準(zhǔn)化處理；然后通過(guò)t檢驗(yàn)剔除差異無(wú)統(tǒng)計(jì)學(xué)意義的參數(shù)；最后選取最小絕對(duì)收縮和選擇算子（least absolute shrinkage and selection operator, LASSO）對(duì)數(shù)據(jù)進(jìn)行降維，在十折交叉驗(yàn)證中，采用lambda.min 的標(biāo)準(zhǔn)選擇懲罰系數(shù)lambda。聯(lián)合T1WI、FLAIR及T1WI增強(qiáng)選擇多參數(shù)MRI序列的最佳影像組學(xué)特征。

1.5 機(jī)器學(xué)習(xí)模型的構(gòu)建與驗(yàn)證

將降維后的特征導(dǎo)入Pycaret 軟件，基于T1WI、FLAIR、T1WI 增強(qiáng)以及多參數(shù)MRI 序列建立LR、RF、SVM 模型。按照7∶3 的比例將患者隨機(jī)分為訓(xùn)練集（76 例）與測(cè)試集（33 例），利用十折交叉驗(yàn)證進(jìn)行訓(xùn)練，在測(cè)試集中進(jìn)行驗(yàn)證，并繪制受試者操作特征（receiver operating characteristic, ROC）曲線，計(jì)算ROC 曲線下面積（area under the curve, AUC）、準(zhǔn)確度、敏感度及特異度。

1.6 統(tǒng)計(jì)學(xué)方法

應(yīng) 用R 軟 件（Version：3.5.1，https://www.Rproject.org）和IBM SPSS Statistics 22.0 進(jìn)行統(tǒng)計(jì)分析。正態(tài)分布的計(jì)量資料以（±s）表示，組間比較采用獨(dú)立樣本t檢驗(yàn)。計(jì)數(shù)資料以頻數(shù)表示，組間比較采用Fisher 確切概率法。P＜0.05 為差異有統(tǒng)計(jì)學(xué)意義。

本研究SFT 與AM 的發(fā)病年齡采用兩獨(dú)立樣本t檢驗(yàn)，性別采用Fisher確切概率法。LASSO回歸模型及LR、RF、SVM 分類器均通過(guò)“sklearn”程序包運(yùn)行。AUC＜0.7 時(shí)模型效能較低，0.7≤AUC≤0.9 時(shí)模型效能中等，AUC＞0.9 時(shí)模型效能較高。使用DeLong檢驗(yàn)比較不同模型的AUC差異。

2 結(jié)果

2.1 SFT和AM患者臨床資料比較

AM組患者平均年齡明顯高于SFT組，差異具有統(tǒng)計(jì)學(xué)意義（P＜0.001），兩組性別組成差異無(wú)統(tǒng)計(jì)學(xué)意義（P=1.000）（表1）。

表1 SFT和AM患者臨床資料比較Tab.1 Comparison of clinical data of patients with SFT and AM

2.2 最佳影像組學(xué)特征的篩選

經(jīng)特征選擇后（圖1、2），T1WI 篩選出22 個(gè)最佳影像組學(xué)特征，其中一階特征6 個(gè)，形態(tài)特征2 個(gè)，GLCM 特征3 個(gè)，GLDM 特征3 個(gè)，GLRLM 特征4 個(gè)，GLSZM特征3 個(gè)，NGTDM 特征1 個(gè)；FLAIR 獲得12 個(gè)特征，其中一階特征4個(gè)，形態(tài)特征1個(gè)，GLCM特征3個(gè)，GLRLM特征2 個(gè)，GLSZM 特征2 個(gè)；T1WI 增強(qiáng)獲得12 個(gè)特征，其中一階特征3 個(gè)，形態(tài)特征1 個(gè)，GLCM 特征6 個(gè)，GLSZM特征2個(gè)；多參數(shù)MRI序列獲得65個(gè)特征，其中一階特征11 個(gè)，形態(tài)特征3 個(gè)，GLCM 特征16 個(gè)，GLDM特征9 個(gè)，GLRLM 特征4 個(gè)，GLSZM 特征16 個(gè)，NGTDM 特征6個(gè)。

圖1 二項(xiàng)式偏差隨參數(shù)λ變化曲線圖（多參數(shù)MRI序列）。使用LASSO回歸模型篩選最佳影像組學(xué)特征，利用十折交叉驗(yàn)證選擇最優(yōu)參數(shù)λ。圖2 65個(gè)特征的LASSO 系數(shù)曲線（多參數(shù)MRI序列）。隨著log(λ)的增大，多數(shù)特征的系數(shù)被壓縮為0。LASSO：最小絕對(duì)收縮和選擇算子。Fig.1 The curve of binomial deviance changing with parameter λ(Multi-parameter MRI).LASSO regression model was used to screen the optimal radiomics features, and the optimal parameter λ was selected by 10-fold cross validation.Fig.2 The LASSO coefficient curve of the 65 radiomics features(Multi-parameter MRI).As the log(λ) increases, the coefficients of most features are compressed to 0.LASSO: least absolute shrinkage and selection operator.

2.3 機(jī)器學(xué)習(xí)模型的診斷效能

2.3.1 基于單一MRI序列機(jī)器學(xué)習(xí)模型的診斷效能

基于T1WI 的LR、RF、SVM 模型的訓(xùn)練集AUC 分別為0.99、1.00、0.99，測(cè)試集AUC 分別為0.93、0.94、0.91（表2，圖3A），均大于0.9，診斷效能較高。

圖3 基于MRI圖像三種機(jī)器學(xué)習(xí)模型鑒別診斷SFT 與AM 的測(cè)試集ROC 曲線。3A：基于T1WI三種機(jī)器學(xué)習(xí)模型的測(cè)試集ROC 曲線；3B：基于液體衰減反轉(zhuǎn)恢復(fù)序列三種機(jī)器學(xué)習(xí)模型的測(cè)試集ROC 曲線；3C：基于T1WI增強(qiáng)三種機(jī)器學(xué)習(xí)模型的測(cè)試集ROC 曲線；3D：基于多參數(shù)MRI序列三種機(jī)器學(xué)習(xí)模型的測(cè)試集ROC曲線。SFT：孤立性纖維性腫瘤；AM：血管瘤型腦膜瘤；ROC：受試者工作特征；AUC：受試者工作特征曲線下面積。Fig.3 The ROC curves of three machine learning models based on MRI in differentiating SFT from AM in the test group.3A: The ROC curves of three machine learning models based on T1WI in the test group; 3B: The ROC curves of three machine learning models based on fluid-attenuated inversion recovery sequence in the test group; 3C: The ROC curves of three machine learning models based on contrast-enhanced T1WI in the test group; 3D: The ROC curves of three machine learning models based on multi-parameter MRI in the test group.SFT: solitary fibrous tumor; AM: angiomatous meningioma; ROC: receiver operating characteristic; AUC: area under the curve.

表2 12種機(jī)器學(xué)習(xí)模型鑒別SFT和AM的效能Tab.2 The effectiveness of 12 machine learning models in differentiating SFT from AM

基于FLAIR 的LR、SVM 模型的訓(xùn)練集與測(cè)試集AUC 均大于0.9，診斷效能較高。RF 模型的測(cè)試集AUC為0.85（表2，圖3B），診斷效能中等。

基于T1WI 增強(qiáng)的三種模型中，LR 模型的診斷效能最高，測(cè)試集AUC、準(zhǔn)確度、敏感度、特異度分別為0.92、84%、88%、59%，SVM 模型效能最低，訓(xùn)練集及測(cè)試集AUC分別為0.97、0.69（表2，圖3C）。

T1WI、FLAIR 模型的AUC 均大于相應(yīng)的T1WI 增強(qiáng)模型的AUC（表2）。T1WI 結(jié)合RF 模型的AUC 大于FLAIR 結(jié)合RF 模型的AUC，經(jīng)DeLong 檢驗(yàn)，LR、SVM 模型的AUC無(wú)顯著差別（P均＞0.05）。

2.3.2 多參數(shù)MRI序列機(jī)器學(xué)習(xí)模型診斷效能

多參數(shù)MRI序列模型診斷效能優(yōu)于單序列模型，其中SVM 模型效能最高，其測(cè)試集AUC、準(zhǔn)確度、敏感度、特異度分別為0.99、97%、96%、100%（表2，圖3D）。

3 討論

在本研究中，我們建立并驗(yàn)證了基于MRI影像組學(xué)特征的機(jī)器學(xué)習(xí)模型，以期術(shù)前鑒別SFT與AM。結(jié)果發(fā)現(xiàn)不同MRI序列及分類器的診斷效能不同，多參數(shù)MRI序列模型的效能較好，LR分類器具有較高的效能及穩(wěn)定性。這些發(fā)現(xiàn)表明，基于MRI影像組學(xué)的機(jī)器學(xué)習(xí)模型可有效鑒別SFT 與AM，為臨床決策提供參考。

3.1 術(shù)前鑒別SFT與AM的研究現(xiàn)狀

SFT 與AM 影像學(xué)表現(xiàn)相似，生物學(xué)行為顯著不同。與AM 相比，SFT 侵襲性更高，復(fù)發(fā)和遠(yuǎn)處轉(zhuǎn)移的傾向更大[27]。因此，術(shù)前鑒別SFT與AM對(duì)制訂治療方案與評(píng)估預(yù)后具有重要價(jià)值。MRI是術(shù)前鑒別SFT與AM 的首選方法，我們之前的研究[28]發(fā)現(xiàn)SFT 與AM 在MRI 征象上存在顯著差異，SFT 病灶較AM 體積大，形態(tài)不規(guī)整，血管流空效應(yīng)明顯，并可見骨質(zhì)破壞，但傳統(tǒng)MRI特征因缺乏客觀性和定量性分析，易受醫(yī)師經(jīng)驗(yàn)影響。FAN 等[23]基于年齡及MRI 征象，采用多因素logistic回歸分析構(gòu)建了鑒別SFT與AM的臨床模型，測(cè)試集AUC 為0.79，預(yù)測(cè)效能顯著低于融合影像組學(xué)模型。MRI 紋理分析通過(guò)量化圖像的微觀差異來(lái)客觀評(píng)估腫瘤的異質(zhì)性，提高了對(duì)SFT 與AM 的鑒別診斷效能[3,29-30]，但此類研究多缺乏有效驗(yàn)證，且模型僅體現(xiàn)了簡(jiǎn)單的相關(guān)性，因此臨床應(yīng)用價(jià)值有限。

影像組學(xué)是一種定量描述腫瘤特征的方法，我們先前研究[31]結(jié)果表明多參數(shù)MRI 影像組學(xué)特征模型能較好地鑒別SFT與AM，與傳統(tǒng)影像學(xué)方法相比更具客觀性。機(jī)器學(xué)習(xí)可輔助醫(yī)師深度挖掘多維影像學(xué)信息，實(shí)現(xiàn)精準(zhǔn)診斷及預(yù)測(cè)。基于影像組學(xué)的機(jī)器學(xué)習(xí)模型可以為臨床決策支持提供有價(jià)值的信息[32]。目前已有國(guó)內(nèi)外學(xué)者應(yīng)用影像組學(xué)結(jié)合機(jī)器學(xué)習(xí)的方法對(duì)SFT 與AM 進(jìn)行了研究。FAN 等[23]基于T1WI 增 強(qiáng)、T2WI 及T1WI 增 強(qiáng)-T2WI 結(jié) 合 序 列，運(yùn) 用SVM 構(gòu)建模型鑒別SFT 與AM，其中T1WI 增強(qiáng)-T2WI 結(jié)合模型預(yù)測(cè)效能最高，AUC達(dá)0.90。KONG等[22]基于多參數(shù)MRI 序列，比較了線性判別分析（linear discriminant analysis, LDA）、神經(jīng)網(wǎng)絡(luò)(neural network, NN)、SVM 及LR 在鑒別SFT 與AM 中的效能，結(jié)果表明不同的算法對(duì)模型性能的提高是有限的。以上研究?jī)H采用單一機(jī)器學(xué)習(xí)算法或單一常規(guī)MRI序列構(gòu)建模型，且數(shù)據(jù)來(lái)自單中心，還需多中心數(shù)據(jù)來(lái)驗(yàn)證模型的泛化性。為進(jìn)一步探究不同算法及MRI 序列在鑒別SFT 與AM 中的價(jià)值，我們納入了兩個(gè)中心的數(shù)據(jù)，使用LR、RF、SVM 結(jié)合常規(guī)MRI 序列構(gòu)建預(yù)測(cè)模型并進(jìn)行性能比較。

3.2 主要研究結(jié)果分析

研究結(jié)果顯示LR模型的AUC均大于0.9，表明LR模型在鑒別SFT 和AM 中具有較高的效能及穩(wěn)定性，這與劉紅枝等[33]研究結(jié)果一致。LR 是一種廣義線性回歸模型，主要用于解決分類問(wèn)題，其結(jié)果可解釋性強(qiáng)，在疾病診斷中具有重要價(jià)值。然而，基于T1WI增強(qiáng)的SVM 模型的訓(xùn)練集及測(cè)試集AUC 分別為0.97、0.69，二者差距較大，可能存在過(guò)擬合現(xiàn)象[33]，表明該模型在應(yīng)用中穩(wěn)定性較差。

對(duì)于同一機(jī)器學(xué)習(xí)算法，結(jié)合不同單一序列建立的模型的診斷效能不同。T1WI 和FLAIR 模型的AUC 大于相應(yīng)的T1WI 增強(qiáng)模型的AUC，這與HAN 等[34]的研究結(jié)果一致，可能是由于對(duì)比劑增強(qiáng)會(huì)干擾腫瘤原始圖像的真實(shí)灰度、對(duì)比度、均勻度、紋理深度及粗細(xì)度，導(dǎo)致其不能很好地反映體素單元之間真實(shí)的屬性，而平掃M(jìn)RI 序列可以更真實(shí)地反映病理變化。

基于多參數(shù)MRI 序列的SVM 模型的診斷效能最好，測(cè)試集AUC 高達(dá)0.99，可能由于SVM 算法是建立在支持向量和結(jié)構(gòu)化最優(yōu)的統(tǒng)計(jì)學(xué)意義之上，通過(guò)構(gòu)建最優(yōu)超平面，使得學(xué)習(xí)機(jī)的風(fēng)險(xiǎn)及泛化誤差減小[35]，其數(shù)學(xué)理論完備，使得該方法對(duì)于小樣本量數(shù)據(jù)具有很好的處理能力。劉哲等[36]在鑒別高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤的研究中發(fā)現(xiàn)，SVM 模型的診斷效能最好，與本研究結(jié)果一致。多參數(shù)MRI序列結(jié)合了不同序列的特點(diǎn)，具有更高的鑒別診斷效能[37-38]，因此多參數(shù)MRI 序列模型的診斷效能均較高。但由于本研究未使用外部驗(yàn)證，模型的可靠性和泛用性尚不明確，結(jié)果有待進(jìn)一步驗(yàn)證。

本研究中，基于多參數(shù)MRI序列篩選出的特征大多和單序列特征重疊，其中GLCM 的權(quán)重及特征數(shù)目明顯高于其他特征。GLCM 通過(guò)描述兩個(gè)相鄰像素強(qiáng)度之間的關(guān)系，來(lái)反映病變的異質(zhì)性，從而對(duì)人眼不能分辨的圖像內(nèi)部特征進(jìn)行定量描述[39]，因此GLCM對(duì)于鑒別SFT 和AM 較敏感。張爍等[40]通過(guò)紋理分析鑒別SFT 與AM 時(shí)發(fā)現(xiàn)，GLCM 中的熵在鑒別兩種腫瘤中具有良好的診斷效能，AUC達(dá)0.765。

3.3 本研究的局限性

本研究仍存在一些局限性：（1）本研究為回顧性研究，可能存在選擇偏倚；（2）由于 SFT 及AM 為相對(duì)罕見腫瘤，病例收集難度較大，本研究沒(méi)有外部驗(yàn)證集，模型的泛化能力仍有待驗(yàn)證，后續(xù)需收集多中心數(shù)據(jù)進(jìn)行外部驗(yàn)證；（3）在后續(xù)研究中，我們將納入臨床及影像學(xué)特征進(jìn)行模型構(gòu)建，探究該模型與機(jī)器學(xué)習(xí)模型在鑒別SFT與AM中的效能差異。

4 結(jié)論

綜上所述，基于MRI圖像影像組學(xué)特征的機(jī)器學(xué)習(xí)模型可以在術(shù)前鑒別SFT 與AM，不同MRI 序列及分類器的效能不同，其中多參數(shù)MRI序列模型的效能較好，LR模型具有較高的效能及穩(wěn)定性。

作者利益沖突聲明：全體作者均聲明無(wú)利益沖突。

作者貢獻(xiàn)聲明：任延德設(shè)計(jì)本研究的方案，對(duì)稿件重要內(nèi)容進(jìn)行了修改，獲得了青島市醫(yī)藥衛(wèi)生科研計(jì)劃項(xiàng)目和青島市市南區(qū)科技計(jì)劃項(xiàng)目的基金資助；畢玉珍起草和撰寫稿件，獲取、分析或解釋本研究的數(shù)據(jù)；白潔、白培瑞、李向榮、付圣莉、王鍵獲取、分析或解釋本研究的數(shù)據(jù)，對(duì)稿件重要內(nèi)容進(jìn)行了修改；全體作者都同意發(fā)表最后的修改稿，同意對(duì)本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠(chéng)信。