基于多参数磁共振成像的机器学习放射组学技术在预测宫颈癌淋巴结转移中的应用

《Current Medical Imaging》：Machine Learning based Radiomics from Multi-parametric Magnetic Resonance Imaging for Predicting Lymph Node Metastasis in Cervical Cancer

本研究通过构建和比较多种机器学习模型，利用术前多参数MRI提取的放射组学特征预测宫颈癌淋巴结转移。方法包括回顾性分析407例患者，提取4065个特征经筛选后使用XGBoost等5种模型验证，AUC达0.9268，Kaplan-Meier分析显示与生存率显著相关。结论显示机器学习结合MRI放射组学可有效预测淋巴结转移和预后。

　　

摘要

引言：构建并比较多种机器学习模型，利用术前多参数磁共振成像（MRI）提取的放射组学特征来预测宫颈癌的淋巴结（LN）转移。

方法：本研究回顾性地纳入了407名宫颈癌患者，将他们随机分为训练组（n=284）和验证组（n=123）。从每位患者的增强T1加权成像、T2加权成像和扩散加权成像的肿瘤区域中提取了共计4065个放射组学特征。采用Mann-Whitney U检验、Spearman相关性分析和Cox回归分析进行放射组学特征的选择。利用五种机器学习算法分析MRI放射组学特征与淋巴结状态之间的关系。通过测量接收者操作特征曲线下面积（AUC）和准确率（ACC）来评估模型性能。此外，使用Kaplan–Meier分析来验证所选临床和放射组学特征的预后价值。

结果：24.3%（99/407）的患者在病理学上检测到淋巴结转移。经过三步特征选择后，最终有18个放射组学特征被用于模型构建。XGBoost模型在验证集上的表现优于其他模型，其AUC、准确率、敏感性、特异性和F1分数分别为0.9268、0.8969、0.7419和0.8364。此外，Kaplan–Meier曲线显示放射组学评分与宫颈癌患者的无进展生存期之间存在显著相关性（p < 0.05）。

讨论：在各种机器学习模型中，XGBoost在预测淋巴结转移方面表现出最佳能力，并通过其放射组学评分显示出预后价值，突显了其临床潜力。

结论：基于机器学习的多参数MRI放射组学分析在宫颈癌的术前淋巴结转移预测和临床预后评估中表现出良好的性能。

关键词： 宫颈癌、淋巴结转移、机器学习、磁共振成像、Kaplan-meier、合适的治疗方案。