| 基于多序列MRI影像组学评分及临床参数预测肝细胞癌微血管浸润的nomogram模型研究 |
| |
| 引用本文： | 刘小芳,汪清华,杨洪安,肖琼,廖建,高阳,谭永明.基于多序列MRI影像组学评分及临床参数预测肝细胞癌微血管浸润的nomogram模型研究[J].放射学实践,2023(8):1018-1025. |
| |
| 作者姓名： | 刘小芳 汪清华 杨洪安 肖琼 廖建 高阳 谭永明 |
| |
| 作者单位： | 336500江西新余，新余市人民医院影像中心（刘小芳、肖琼、廖建、高阳）；330006江西南昌，南昌大学第一附属医院影像科（汪清华、杨洪安、谭永明） |
| |
| 基金项目： | 江西省医学影像临床研究中心项目（20223BCG74001）；江西省研究生创新专项资金项目（YC2023-B078） |
| |
| 摘 要： | 目的:基于肝细胞癌(HCC)患者的临床资料及多模态肝脏影像组学分析建立机器学习模型，探讨此模型术前预测HCC微血管浸润(MVI)的价值。方法:回顾性分析2020年3月-2021年9月在本院经病理证实为原发性HCC的130例患者的术前肝脏MRI及临床资料。基于病理检查结果，将患者分为MVI阳性组及MVI阴性组。记录患者的各项术前临床资料。所有患者术前行MRI检查，检查序列包括T2WI、DWI和ADC以及Gd-EOB-DTPA对比增强动脉期、门脉期、延迟期和肝胆期T1WI共7个序列。由放射科医师评估肿瘤的常规影像特征。自7个序列的图像上分别提取影像组学特征并进行降维，然后采用线性支持向量机(SVM)方法构建预测MVI的预测模型。再将所有序列图像提取的特征整合，经降维分析后最终筛选出6个最佳组学特征并采用线性SVM方法构建多序列联合组学模型，然后基于此多序列联合组学模型计算每例患者的放射组学评分(Radscore)作为后续建模特征。最后共采用了5种机器学习算法对上述三类资料(即临床资料、常规影像特征、组学特征)中筛选出的特征进行综合模型的构建，包括...
|
| 关 键 词： | 影像组学 磁共振成像 肝细胞癌 微血管浸润 机器学习 预测模型 |
|
| 点击此处可从《放射学实践》浏览原始摘要信息 |
|
点击此处可从《放射学实践》下载全文 |
