文献速递神经头颈MR

基于多参数MRI的机器学习模型预测脑膜瘤WHO分级

Multi-parametric MRI-based machine learning model for prediction of WHO grading in patients with meningiomas.
PubMed 文献 · Eur Radiol · 2023-10-09

回顾性纳入568例病理确诊脑膜瘤患者,从CE-T1、T2及1cm瘤脑界面(BTI)图像提取影像组学特征,用SVM建模并构建列线图。CE-T1+T2+BTI模型在训练组和测试组AUC分别为0.885和0.860,列线图AUC分别为0.912和0.896,校准良好,决策曲线显示临床有效性满意。

要点

  • CE-T1+T2+BTI三参数影像组学模型在7种模型中预测高级别脑膜瘤表现最佳。
  • 瘤周水肿体积和性别是预测脑膜瘤分级的独立危险因素。
  • 整合影像组学评分、瘤周水肿体积和性别的列线图AUC训练组0.912、测试组0.896。

核心结论

  • 作者认为该列线图简单有效,可用于区分脑膜瘤WHO分级,并可用于脑膜瘤患者的临床工作。

研究设计与样本

  • 回顾性研究,纳入2012年1月至2020年12月病理确诊脑膜瘤患者568例,来自武汉协和医院。
  • 按3:1分层随机分为训练组426例和独立测试组142例。
  • 使用1.5T或3.0T磁共振扫描仪,采集CE-T1和T2序列,CE-T1在注射钆喷酸葡胺或其他钆产品(0.2 mmol/kg)后200秒内采集。
  • 在CE-T1和T2图像上逐层手动勾画ROI,BTI为沿肿瘤轮廓内外各扩展0.5 cm形成的1 cm厚区域。
  • 参考标准为病理组织学WHO分级。

关键影像表现/征象

  • 高级别脑膜瘤患者男性比例高于低级别(p < 0.001),瘤周水肿体积大于低级别(p < 0.001)。
  • 高级别脑膜瘤患者白细胞计数和单核细胞计数高于低级别。
  • 肿瘤体积及血液指标在两组间无显著差异。
  • CE-T1、T2、BTI特征的观察者间ICC分别为0.923(95% CI 0.865–0.978)、0.881(95% CI 0.836–0.952)、0.909(95% CI 0.882–0.965)。

诊断标准与关键数值

  • CE-T1+T2+BTI影像组学模型预测高级别脑膜瘤的AUC在训练组为0.885(95% CI 0.821–0.946),测试组为0.860(95% CI 0.788–0.923)。
  • 列线图预测高级别脑膜瘤的AUC在训练组为0.912(95% CI 0.876–0.961),测试组为0.896(95% CI 0.822–0.946)。
  • 列线图校准的Hosmer–Lemeshow检验训练组p = 0.629、测试组p = 0.316。
  • 列线图包含影像组学评分、性别和瘤周水肿体积三个预测因子。

临床应用与阅片要点

  • 作者认为该列线图可准确、客观、无创地区分脑膜瘤WHO分级,可用于临床工作。
  • 列线图在决策曲线分析中较影像组学模型或临床模型显示出更好的临床有效性。
  • 作者指出高级别脑膜瘤需手术切除及详细辅助放疗方案,术前了解分级具有临床重要性。

局限性

  • 原文未报告局限性。
全文中译15 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2023 Oct 9;34(4):2468–79. doi: 10.1007/s00330-023-10252-8

引言

脑膜瘤是最常见的原发性良性颅内肿瘤,约占中枢神经系统肿瘤的36.1%。全球年发病率为每1,000,000人50.4至76.1例[1, 2]。脑膜瘤患者女性多于男性,且随年龄增长而增加。尽管脑膜瘤通常被认为是良性肿瘤,但一部分表现出侵袭性的生物学和临床行为。根据2021年CBTRUS报告,2014年至2018年间高级别脑膜瘤(WHO II级和III级)占所有新诊断脑膜瘤的19.9%[3]。高级别脑膜瘤与高复发率和不良预后相关,在10年随访期间复发率比低级别脑膜瘤高30–50%[4, 5]。此外,高级别与低级别脑膜瘤的手术方案和术后治疗存在显著差异。因此,术前了解脑膜瘤分级在临床上具有重要意义。

迄今为止,影像学检查仍是脑膜瘤术前诊断的关键手段。特别是磁共振成像(MRI),具有组织对比度好、无骨伪影和多方面成像的优势[6],目前是术前诊断及高级别与低级别脑膜瘤鉴别诊断的首选成像方案[7]。研究已揭示高级别与低级别脑膜瘤在常规MRI影像特征上存在不同程度的差异,如肿瘤位置、形态、大小、脑-肿瘤界面(BTI)、肿瘤坏死、肿瘤不均匀强化和瘤周水肿体积(PEV)[8–11]。先进成像技术,包括弥散加权MRI成像和正电子发射断层扫描,也具有前景[12, 13],然而这些研究中评估的特征是主观和定性标记的,高度依赖神经外科医生或神经放射学家的经验和专业知识,因而限制了在临床实践中的应用。因此,在这些情况下,客观和定量的方法可能更为可取。

放射组学是一种新兴的影像分析方法,可能克服这些局限性[14]。它可以通过应用强大的计算机图像处理能力和多种大数据挖掘方法来提取多维特征。尽管这些特征难以视觉获取,但它们保留了来自数字加密医学图像(CT、MRI和PET)的研究相关信息,如一阶、形状、纹理和滤波变换特征[15, 16]。这些客观特征能够准确量化表型并提供图像中感兴趣区域(ROI)的潜在病理生理信息,同时避免人工阅片造成的主观差异[17]。已有许多研究报告了放射组学在颅内肿瘤中的应用,例如用于预测肿瘤类型[6, 18]、肿瘤分级[19]、组织学亚型[20, 21]以及恶性肿瘤患者的无复发生存期[22]。同样,血液指标是脑膜瘤无创分级的诊断标志物[23, 24]。据我们所知,脑膜瘤分级仅使用临床特征、血液标志物或单参数MRI进行预测。Zhang等[25]发现,在不同模型中,整合MRI序列和性别的临床放射组学模型对脑侵犯具有最佳的预测能力。当然,PET也可能有助于脑膜瘤分级的无创预测。K Mariam等进行的一项荟萃分析探讨了PET在脑膜瘤分级中的作用。汇总数据显示,[18F]FDG PET中的标准化摄取值和肿瘤与正常组织比值可用于无创区分良性与恶性脑膜瘤[26]。即便如此,脑膜瘤是良性肿瘤,患者可通过普通MRI而非昂贵的PET进行诊断。迄今为止,很少有研究评估和比较用于预测脑膜瘤分级的多组学模型。

因此,本研究旨在评估多参数MRI模型的诊断性能,并开发一个用于临床应用的列线图,以区分高级别和低级别脑膜瘤。

材料与方法

研究人群

本回顾性研究按照《赫尔辛基宣言》进行,并经武汉协和医院机构审查委员会批准;由于研究的回顾性性质,患者知情同意被豁免。我们收集了2012年1月至2020年12月经病理确诊为脑膜瘤的患者。

所有患者均按照纳入和排除标准入组。纳入标准如下:(a)患者经病理诊断为脑膜瘤并经组织学明确分级;(b)术前MRI包括CE-T1和T2序列;(c)含病灶的图像层面数不少于三个;(d)术前2周内进行了血液检查,包括血常规检查和肝功能检查;(e)无明显感染征象。排除标准如下:(a)MRI数据不完整;(b)有脑外伤、脑肿瘤、手术、血液系统疾病或正在进行的感染性疾病史;(c)术前因任何原因接受过化疗、放疗或激素治疗。患者招募流程图见图1。

基线临床病理资料,包括年龄、性别和术前WHO分级,均来自医院电子病历系统。同时获取手术前2周内的血常规和肝功能检查结果。若有多项结果可用,则纳入手术前最近一次的结果,包括白细胞(WBC)、红细胞、血小板、中性粒细胞、淋巴细胞和单核细胞的绝对计数,以及白蛋白、纤维蛋白原和血红蛋白水平。

计算以下血液指标,如补充材料1所示:中性粒细胞与淋巴细胞比值(NLR)、衍生NLR、血小板与淋巴细胞比值、单核细胞与淋巴细胞比值、淋巴细胞与单核细胞比值、中性粒细胞与血小板比值、NPI和SII。这些指标是许多颅内肿瘤鉴别诊断或预后预测的生物标志物[27–29]。

图1 患者筛选流程图 查看原图 ↗

MRI采集与分割

包括对比增强T1加权(CE-T1)图像和T2加权(T2)图像在内的MRI均从我院PACS系统获取。这些图像使用1.5-T或3.0-T磁共振临床扫描仪配合标准头颈部线圈采集,扫描体位包括冠状位、矢状位和横断位。成像方案见补充材料2。CE-T1图像在注射钆喷酸葡胺或其他钆产品(0.2 mmol/kg)后200 s内采集。CE-T1和T2图像用于后续分析。

使用开源ITK-SNAP软件(宾夕法尼亚大学,www.itksnap.org)对所有患者的CE-T1和T2图像逐层手动勾画ROI。肿瘤由第一研究者(D.D.X.)在CE-T1图像上手动分割。第二研究者(Z.Z.)以同样方式在T2图像上手动勾画瘤周水肿。由于该区域也包含肿瘤,瘤周水肿体积(PEV)通过从该勾画区域总体积中扣除肿瘤大小来测量。同样,脑-肿瘤界面(BTI)的ROI也由Z.Z.沿CE-T1图像上的肿瘤轮廓手动勾画。在ITK-SNAP软件中设置1-cm刷宽沿肿瘤轮廓进行分割,使边界在肿瘤轮廓处向内外方向各扩展0.5 cm,形成1-cm厚的BTI ROI。BTI影像组学特征已被探索用于预测脑膜瘤侵袭,但尚未用于脑膜瘤分级。为确保分割数据的稳定性和准确性,首次分割后从整个样本中随机选取50例患者。随后,两名研究者再次交叉分割CE-T1和T2图像,以评估观察者间可靠性并计算观察者间相关系数(ICC)。若D.D.X.和Z.Z.对肿瘤边界不确定,由具有10年神经外科临床经验的第三研究者P.F.Y.确认分割。既往研究报道,勾画极小肿瘤区域时会引入无关信息。因此,本研究在肿瘤分割过程中剔除了肿瘤面积极小(< 10像素)的层面。

影像组学特征提取

特征提取过程使用名为pyradiomics的开源Python软件包(版本3.0.0,https://github.com/AIM-Harvard/pyradiomics)完成[30]。为尽量减少因不同扫描仪和MRI协议导致的数据集异质性影响,在特征提取前对图像进行了预处理,包括归一化、离散化以及重采样至1×1×1 mm各向同性体素大小。软件包开发者建议将这些步骤作为工作流程的一部分,以提高影像组学分析的可靠性和稳健性[31]。本研究从CE-T1、T2和BTI图像中为每位患者提取了1015个特征(表S1)。每个特征集包括14个形状特征、198个一阶特征和803个纹理特征。此外,使用pyradiomics软件包计算肿瘤体积和水肿勾画区域体积。有关该算法的详细信息见补充材料3。

特征选择方法

影像组学特征可能具有不同的量纲,因此特征值之间的差异可能很大[32]。从CE-T1、T2和BTI图像中提取的特征使用z分数进行归一化,以消除指标之间的量纲和值域差异。处理后数据的均值为0,标准差为1。转换公式如下:其中为变量X的转换特征值,为原始数据的均值,为原始数据的标准差。

纳入的患者通过分层随机抽样按3:1的比例分为训练组和测试组。高维特征可能包含无关或高度冗余的数据,这可能会延长模型训练时间、导致模型过拟合,并大幅降低机器学习分类器的性能。因此,特征选择是机器学习不可或缺的步骤。本研究采用方差选择法对CE-T1、T2、BTI、CE-T1+T2、CE-T1+BTI、T2+BTI和CE-T1+T2+BTI影像特征进行分析,筛选出p<0.05的特征。随后,采用最小绝对收缩和选择算子(LASSO)回归——该方法特别适用于大变量小样本量的情况——从CE-T1、T2、BTI、CE-T1+T2、CE-T1+BTI、T2+BTI和CE-T1+T2+BTI训练组中筛选出具有非零系数、最能预测高级别脑膜瘤的特征。采用五折交叉验证结合递归特征消除法探索对应于最低部分似然偏差的λ值。LASSO的数学公式见补充材料4。当λ较大时,特征系数被压缩。当λ达到一定值时,少数不重要的变量被压缩至0,表明该特征已从模型中被剔除。在图S1中,左图中从左向右下降的曲线随着λ增大而逐渐被压缩直至为0。因此,通过五折交叉验证选择平均误差最低的λ值来筛选右图中的特征。在所有模型中,使用所选特征的线性组合按其对应系数加权,为每位患者计算影像组学评分。

分类模型的构建

当使用机器学习分类器训练不平衡数据集时,分类结果存在一些偏差。此外,如果验证数据集不平衡,分类器的性能可能会被不切实际地评估。因此,我们应用了合成少数类过采样技术(SMOTE)来避免上述问题[33]。采用支持向量机(SVM)算法构建具有径向基核的影像组学模型,用于高级别脑膜瘤的风险预测。以五折交叉验证的最大曲线下面积(AUC)确定训练组中正则化参数的最优值。此外,计算AUC、准确率、敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV),以评估影像组学模型在训练组和测试组中定量预测高、低级别脑膜瘤的性能。CE-T1、T2和BTI模型分别基于CE-T1、T2和BTI特征构建。此外,还基于CE-T1、T2和BTI特征的不同组合构建了联合模型,包括CE-T1 + T2、CE-T1 + BTI、T2 + BTI和CE-T1 + T2 + BTI模型。

列线图的开发与验证

在训练组中进行逐步logistic回归,以寻找以下临床指标中的重要临床预测因子:年龄、性别、肿瘤体积、PEV和血液指标。采用Wald检验计算每个指标的p值。

在影像组学模型比较和临床指标筛选之后,在训练组中开发了包含影像组学评分和有意义的临床预测因子的个体化列线图,并在测试组中进行了验证。

采用校准曲线在训练组和测试组中评估列线图的判别性能,并使用Hosmer–Lemeshow检验评估高级别脑膜瘤预测风险与观察结果之间的一致性。此外,进行决策曲线分析(DCA)以评估列线图与其他模型在不同阈值概率下的临床实用性。图2显示了本研究的整体流程图。

图2 影像组学处理和列线图构建的整体工作流程 查看原图 ↗

统计分析

统计分析和图形可视化通过Python(版本3.7,http://www.python.org)和R(版本4.0.1;http://www.R-project.org)完成。Python用于完成图像归一化和影像组学特征提取。R用于筛选影像组学特征、构建和评估预测模型以及比较低级别和高级别脑膜瘤之间的临床指标。连续变量以均值±标准差或中位数和四分位间距表示,而分类变量以绝对频率和相对频率表示。采用非配对t检验或Mann–Whitney U检验的非参数检验对高级别和低级别脑膜瘤组之间的连续变量进行描述性比较,而采用卡方检验或Fisher精确检验对高级别和低级别脑膜瘤组之间的分类变量进行描述性比较。所有统计检验均为双侧检验,统计显著性水平设定为p < 0.05。

结果

患者特征

总体而言,共纳入568例患者,其中480例为低级别脑膜瘤(包括480例WHO I级患者),88例为高级别脑膜瘤(包括79例WHO II级和9例WHO III级患者)。平均年龄为52.8岁,434例患者为女性。其中,426例(54.3 ± 9.8岁,334例女性)和142例(52.6 ± 11.3岁,100例女性)患者分别被分配至训练组和独立测试组。训练组和测试组的临床特征见表1。

临床指标分析显示,在训练组和测试组中,性别、瘤周水肿体积、白细胞计数和单核细胞计数在高级别组与低级别组之间差异均有统计学意义。与低级别脑膜瘤患者相比,高级别脑膜瘤患者的男性比例更高(p < 0.001),瘤周水肿体积更大(p < 0.001)。此外,高级别脑膜瘤患者的白细胞和单核细胞计数高于低级别脑膜瘤患者。而就肿瘤体积而言,血液指标在两组之间未见显著差异。高级别和低级别脑膜瘤中临床指标的差异分布见图S2。

表1 脑膜瘤患者的基线特征 查看原表 ↗

特征选择

CE-T1、T2和BTI影像特征均获得了满意的观察者间可重复性。CE-T1、T2和BTI特征的ICC分别为0.923(95%置信区间(CI),0.865–0.978)、0.881(95% CI,0.836–0.952)和0.909(95% CI,0.882–0.965)。

在影像组学特征中,基于方差选择法,训练组中CE-T1图像特征数量从1015个减少至451个;T2图像特征从1015个减少至569个;BTI特征从1015个减少至328个;CE-T1 + T2图像特征从2030个减少至1020个;CE-T1 + BTI图像特征从2030个减少至779个;T2 + BTI图像特征从2030个减少至879个;CE-T1 + T2 + BTI图像特征从3045个减少至1348个。随后,进行LASSO回归以筛选最具代表性的影像组学特征。通过LASSO回归纳入的每个区域的特征补充于表S2中。此后,使用多因素逻辑回归去除不可识别的影像组学特征。最后,根据筛选后的影像组学特征及相应系数计算训练组和测试组中每位患者的影像组学评分。训练组和测试组的影像组学评分补充于表S3和表S4中。图S3为显示七组影像组学特征集中影像组学评分分布的热图。

分类模型的构建与验证

SVM模型的判别能力首先在训练组中评估,然后在测试组中独立验证。计算了CE-T1、T2、BTI、CE-T1 + T2、CE-T1 + BTI、T2 + BTI和CE-T1 + T2 + BTI模型的AUC、灵敏度、特异度、PPV和NPV(表2)。图3描绘了不同模型的受试者工作特征曲线。CE-T1 + T2 + BTI模型在训练组和测试组中预测高级别脑膜瘤均表现出最佳性能,AUC分别为0.885(95% CI,0.821–0.946)和0.860(95% CI,0.788–0.923)。因此,多参数影像组学模型显著优于既往研究中的单参数影像组学模型。

表2 不同影像组学模型在训练组和测试组中的诊断性能 查看原表 ↗
图3 不同影像组学模型鉴别高级别与低级别脑膜瘤的预测性能。A 训练组中分别展示了七种不同影像组学的受试者工作特征曲线(ROC)和曲线下面积(AUC)。B 测试组中分别展示了七种不同影像组学的ROC和AUC。基于CE-T1 + T2 + BTI的影像组学特征在训练组和测试组中均表现出最佳的预测性能 查看原图 ↗

个体化列线图的开发

基于上述影像组学模型的探索,使用最优模型中的特征及其相应系数计算每位患者的影像组学评分。逻辑回归确定影像组学评分、性别和PEV为鉴别高级别与低级别脑膜瘤的独立预测因子。构建了纳入这些独立预测因子的模型,并以列线图形式呈现(图4)。

图4 列线图基于训练组中的影像临床模型开发。列线图中纳入了影像组学评分、性别和瘤周水肿体积。高级别风险代表高级别脑膜瘤的预测概率 查看原图 ↗

列线图的预测性能评估

个体化列线图在训练组和测试组中的AUC分别为0.912(95% CI,0.876–0.961)和0.896(95% CI,0.822–0.946)。列线图在训练组和测试组中均显著优于影像组学模型和临床模型。此外,该列线图在预测脑膜瘤分级方面的性能显著高于其他关于脑膜瘤分级的研究报道。

随后,列线图的校准曲线在训练组和测试组中显示出良好的校准(图5A和B)。Hosmer–Lemeshow检验显示训练组和测试组中预测结果与实际结果之间均无统计学显著差异(分别为p = 0.629和p = 0.316),表明列线图的预测性能并未完全偏离。

此外,我们还探讨了列线图的临床实用性。DCA显示,用于预测高级别脑膜瘤的影像临床列线图在临床应用方面比影像组学模型或临床模型或治疗无患者或所有患者具有更大优势。临床模型、影像组学模型和影像临床列线图的DCA结果见图6。

图5 列线图的校准曲线。A 训练组中列线图的校准曲线。B 测试组中列线图的校准曲线。校准曲线显示了模型在校准方面的表现,即高级别脑膜瘤的预测性能与观察到的实际结果之间的一致性。Hosmer–Lemeshow检验显示,训练组和测试组的p值分别为p = 0.629和p = 0.316。 查看原图 ↗
图6 放射临床列线图、影像组学模型和临床模型的决策曲线分析。决策曲线显示,与使用影像组学模型或临床模型相比,放射临床列线图用于高级别与低级别脑膜瘤的鉴别诊断在临床应用方面具有更大优势。 查看原图 ↗

讨论

手术切除是脑膜瘤患者的主要治疗方法。对于无症状的低级别脑膜瘤患者,可优先考虑观察或伽玛刀手术[34],而高级别脑膜瘤则需要手术切除和详细的辅助放疗方案[35]。因此,术前了解脑膜瘤分级对患者和神经外科医生具有重要临床意义。已有研究根据定性特征预测脑膜瘤分级,如肿瘤位置、大小和形状、瘤周水肿程度以及是否存在不均匀强化。相反,基于常规MRI的影像组学方法可以定量、无创且客观地预测脑膜瘤的组织学分级。

近期,Coroller等[36]探讨了影像组学特征在利用CE-T1图像预测脑膜瘤分级中的价值。此外,Park等[37]和Sacco等[38]表明,在来自同一扫描仪的 homogeneous 影像数据中,MRI序列的组合可为肿瘤分级增加价值。然而,迄今为止,关于脑膜瘤分级的研究主要集中于使用影像组学方法分析肿瘤内部内容物,而非脑肿瘤界面(BTI)。2021年,Joo等[39]开发并验证了一种基于BTI处六个影像组学特征的联合模型,用于预测脑膜瘤患者的脑侵犯。该预测模型在训练组和测试组中均表现出优越性能。随后,Zhang等[25]证实BTI的影像组学可以准确预测脑膜瘤的侵袭性。一方面,高级别脑膜瘤比低级别脑膜瘤更具侵袭性。另一方面,BTI提供了关于脑膜表面破坏的一些信息。因此,我们推测BTI处的影像组学可能有望用于预测脑膜瘤分级。

在本研究中,我们开发并验证了一种多参数MRI模型来预测高级别和低级别脑膜瘤。七个影像组学模型与高级别脑膜瘤高度相关,并在训练组和测试组中保持稳定。CE-T1 + T2 + BTI影像组学模型在训练组(AUC:0.895)和测试组(AUC:0.860)中均表现出最佳预测能力。这一发现与既往研究报告的结果基本一致,表明多参数影像组学模型优于单参数影像组学模型。同时,包含影像组学评分、PEV和性别的列线图在训练组(AUC:0.912)和测试组(AUC:0.896)中均表现出最佳判别能力,可判别> 90%的高级别脑膜瘤。

在我们的研究中,高级别脑膜瘤的总体发生率与其他更大系列报道的13–24%基本一致。最终,基于临床指标的亚组分析显示,瘤周水肿(PEV)和性别是高级别脑膜瘤的独立预测因素。我们发现高级别脑膜瘤在男性患者中发生频率显著更高,与其他研究[40–42]的发现相似。然而,一项研究结果存在矛盾,未发现脑膜瘤分级与性别之间的相关性[11]。此外,PEV也与脑膜瘤分级呈正相关,伴有扩展性瘤周水肿的脑膜瘤显著多于高级别脑膜瘤。瘤周水肿由脑组织受压缺血、软脑膜毛细血管寄生以及肿瘤细胞的分泌-排泄现象所致[43]。既往一项研究发现水肿体积是脑膜瘤侵袭性的独立危险因素,比值比为1.01,这可能是PEV能够预测脑膜瘤分级的原因[44]。尽管据报道年龄和肿瘤体积是高级别脑膜瘤的强术前预测因素[9],但我们未观察到这一趋势。因此,这些假设需要在更大规模的研究中进一步探讨。

本研究共提取了1015个影像组学特征,其中大多数为小波衍生特征。小波变换可以在多个尺度上对数据进行分解和重建,以获得具有不同尺度信息的图像或数据,其中图像数据具有不同的空间分辨率和频率信息。这有助于进一步提取和分析图像中有用的生物学特征,如形态学、纹理和血流[45]。因此,纳入许多小波衍生特征以更真实地反映脑膜瘤的分级差异。特征预处理是机器学习中的必要步骤。特征值的标准化不仅可以将不同数量级的数据转换为相同数量级使其具有可比性,还可以提高收敛速度并减少计算量[32]。在本研究中,采用z分数进行特征数值归一化,这对于数据中最大值和最小值未知的场景尤为有用[6]。高维数据特征可能导致模型过拟合。为克服这一致命缺陷,采用变异分析和LASSO回归进行特征选择,并使用SVM分类器构建最终分类模型。首先,使用变异分析筛选高级别与低级别脑膜瘤之间无显著差异的特征以供后续研究。作为一种常用的自动特征选择方法,LASSO回归可以在不显著增加偏差的情况下减少特征数量[46]。SVM分类器是机器学习中最强大的算法之一,据报道在预测脑膜瘤分级方面具有良好的分类性能[47]。同时,我们还应用了五折交叉验证以尽可能减少过拟合。此外,为克服不平衡数据集对分类器拟合的影响,在特征选择后采用SMOTE过采样以平衡样本量。SMOTE对少数类进行过采样并对多数类进行欠采样,如既往研究[33, 48]中所应用的那样。

当然,本研究存在若干局限性。首先,一些患者因各种原因被排除在研究队列之外,因此可能存在一些不可避免的选择偏倚。其次,两组脑膜瘤患者异质性显著,这可能影响了预测性能。此外,所有患者均来自单一中心,未进行外部验证。我们的模型在使用不同方案的其他中心的表现会有所不同;因此,未来工作需要来自不同中心的前瞻性队列。第四,我们仅分析了患者的术前MRI和血液指标,结合基因组学和代谢组学等多组学研究可能实现更好的诊断性能。最后,基于放射组学特征的高维数据的生物学意义有待进一步阐明。

总之,包含放射组学评分、PEV和性别的列线图在鉴别高级别和低级别脑膜瘤方面具有优异的诊断性能。我们将在后续研究中评估和比较更多分类算法,以更精确地术前预测脑膜瘤分级。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 277 KB)

补充文件2(XLSX 22 KB)

补充文件3(XLSX 612 KB)

补充文件4(XLSX 69 KB)

补充文件5(XLSX 24 KB)

引用

  1. Zhao Z, Nie C, Zhao L, et al. Multi-parametric MRI-based machine learning model for prediction of WHO grading in patients with meningiomas. Eur Radiol. 2023. PMID: 37812296. doi:10.1007/s00330-023-10252-8
  2. 全文:PMC10957672(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10957672/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。