关键词:
胰腺癌
弥散加权成像
表观弥散系数
病理分期
纹理特征
机器学习
摘要:
目的基于胰腺癌患者术前弥散加权成像(DWI)的表观弥散系数(ADC)图纹理特征参数构建机器学习模型,探讨其对胰腺癌病理分期的预测价值。方法2018年2月—2022年2月郑州大学第一附属医院诊治胰腺癌患者122例,依据美国癌症联合委员会(AJCC)分期分为早期组(Ⅰ期)75例和中晚期组(Ⅱ~Ⅲ期)47例。患者术前均行腹部MRI检查,DWI选择单次激发平面回波序列,自动生成ADC图像,由2名放射科医师分别对所有患者图像进行独立分析;提取图像中直方图参数(8个)、灰度游程矩阵参数(7个)、灰度共生矩阵参数(11个)。2名医师测量参数的一致性评价采用组内相关系数,筛选出一致性良好的纹理特征参数;根据筛选出的纹理特征参数构建预测胰腺癌病理分期的支持向量机(SVM)、多元逻辑回归(MLR)、多任务学习(MTL)模型,绘制ROC曲线,评估3个模型预测胰腺癌病理分期的效能;绘制ROC曲线,评估MLR模型、ADC10、差熵预测胰腺癌病理分期的效能,AUC比较采用Delong检验。结果26个纹理特征参数中15个参数一致性良好(组内相关系数均≥0.75)。中晚期组直方图参数中均值、熵、ADC10[3.49(3.38,3.67)、4.41(4.27,4.86)、1.12(0.91,1.22)],灰度游程矩阵参数中长游程补偿、游程百分比[73.65(34.87,85.66)、0.82(0.41,0.84)],灰度共生矩阵参数中和熵、联合熵、差熵、对比度[5.65(3.81,6.19)、7.15(4.75,8.83)、3.76(3.22,4.12)、59.39(31.68,66.85)]均高于早期组[3.17(3.21,3.52)、3.85(3.36,4.13)、0.87(0.65,0.92)、53.22(32.51,76.83)、0.65(0.33,0.78)、4.27(3.74,5.36)、6.16(4.27,7.83)、3.34(3.12,3.94)、41.75(26.52,51.68)](Z=2.685~8.369,P均<0.05),灰度游程矩阵参数中短游程补偿[27.48(14.62,36.54)]、灰度共生矩阵参数中逆方差[3.52(3.38,4.17)]均低于早期组[33.21(18.29,41.47)、3.89(3.43,4.97)](Z=2.174,P=0.032;Z=2.109,P=0.037)。根据直方图、灰度游程矩阵、灰度共生矩阵中一致性良好的纹理特征参数构建预测胰腺癌病理分期的SVM、MLR、MTL模型,3个模型中选择频率前4位的参数均包含ADC10和差熵。ROC曲线分析结果显示,SVM、MLR、MTL模型以18.521、9.844、12.117为最佳截断值,预测胰腺癌病理分期的AUC分别为0.756(95%CI:0.717~0.814,P=0.018)、0.769(95%CI:0.729~0.836,P=0.011)、0.749(95%CI:0.711~0.803,P=0.024),灵敏度分别为73.60%、75.30%、74.10%,特异度分别为75.40%、73.80%、74.80%;MLR模型预测胰腺癌病理分期的AUC均大于SVM模型、MTL模型(Z=2.858,P=0.015;Z=3.461,P=0.012)。MLR模型、ADC10、差熵以9.844、0.966、3.502为最佳截断值,预测胰腺癌病理分期的AUC分别为0.769(95%CI:0.729~0.836,P=0.011)、0.681(95%CI:0.627~0.695,P=0.035)、0.655(95%CI:0.618~0.676,P=0.039),灵敏度分别为62.79%、75.30%、56.52%,特异度分别为74.68%、73.80%、72.37%;MLR模型预测胰腺癌病理分期的AUC均大于ADC10、差熵(Z=3.852,P=0.007;Z=4.133,P=0.002)。结论根据DWI的ADC图纹理特征参数构建的SVM、MLR、MTL模型均包含ADC10、差熵,MLR模型较SVM、MTL模型及ADC10、差熵预测胰腺癌病理分期的效能更高。