基于MRI影像组学的随机森林模型在儿童静脉畸形DSA分类术前预测中的卓越效能

本研究针对儿童静脉畸形(VMs)术前DSA分类预测难题，通过多序列MRI影像组学特征提取与机器学习算法整合，构建了基于CET1/T2序列的随机森林模型。该模型在训练集和测试集中分别达到0.917和0.891的AUC值，为临床精准分型提供了无创预测新工具。

　　

静脉畸形(Venous Malformations, VMs)作为儿童最常见的血管畸形类型，其临床处理高度依赖精准分型。传统数字减影血管造影(Digital Subtraction Angiography, DSA)虽是诊断金标准，但作为有创检查存在辐射暴露和操作风险。如何通过无创的磁共振成像(Magnetic Resonance Imaging, MRI)实现术前精准预测，一直是临床亟待解决的难题。

中国某医疗机构的研究团队在《Clinical Radiology》发表创新性研究，通过整合多参数MRI影像组学(Radiomics)与机器学习算法，成功构建了DSA分类预测模型。该研究回顾性纳入153例儿童患者的160个VMs病灶，从CET1和T2加权像中提取4528个定量特征，经过严格的ICC检验、z-score标准化、K-best筛选和LASSO回归四步特征选择，最终锁定9个最具鉴别力的特征。采用随机森林(Random Forest)算法构建的预测模型展现出卓越性能，训练集AUC达0.917，测试集仍保持0.891的高判别力。

关键技术方法包括：1) 多中心回顾性队列设计(153例儿童/160个病灶)；2) 多序列MRI(CET1/T2)影像组学特征提取；3) 四级特征筛选体系；4) 六种机器学习算法比较验证；5) ROC曲线和AUC值评估模型效能。

【RESULTS】部分显示：

1. 特征筛选：从4528个初始特征中，通过ICC>0.75、|z-score|>3、K-best排名和LASSO回归四步筛选，最终保留9个核心特征，涉及灰度共生矩阵(GLCM)和小波变换特征。
2. 模型比较：在逻辑回归、支持向量机等六种算法中，随机森林表现最优，其测试集敏感性和特异性分别达85.7%和82.4%。
3. 序列贡献：CET1序列特征占筛选特征的67%，提示增强扫描对血流动力学评估的关键作用。

结论指出，这种基于常规MRI序列的放射组学策略，首次实现了儿童VMs DSA分类的无创预测。相较于传统DSA，该方法无辐射、可重复性强，特别适合儿童群体。研究创新性地证实了影像组学特征与血管畸形生物学行为的关联，为精准医疗提供了量化决策工具。未来通过多模态数据融合，有望进一步优化模型性能，推动儿童血管畸形诊疗范式的革新。