基于MRI的临床放射组学可解释机器学习模型预测垂体大腺瘤质地的双中心研究

来自陆军军医大学新桥医院和大坪医院的研究人员，通过整合临床放射学指标和多参数磁共振成像(mpMRI)放射组学特征，构建了可解释的机器学习模型(ML)，用于术前预测垂体大腺瘤(PMA)的质地(柔软/坚韧)。研究采用逻辑回归(LR)和随机森林(RF)算法，最终LR组合模型展现出最优预测性能(测试集AUC=0.913)，其中T2WI原始一阶特征偏度值贡献度最高。该非侵入性预测模型有望为PMA患者制定精准手术方案提供重要依据。

　　

这项双中心研究开创性地将临床放射学指标与多参数磁共振成像(mpMRI)放射组学特征相结合，构建了可解释的机器学习模型，用于术前预测垂体大腺瘤(PMA)的质地差异。研究人员从350例患者数据中筛选出关键预测因子：通过最小冗余最大相关(mRMR)和最小绝对收缩选择算子(LASSO)算法精选放射组学特征，同时采用逻辑回归(LR)和随机森林(RF)构建预测模型。

令人振奋的是，融合临床和放射组学特征的组合模型展现出卓越性能，其中LR组合模型在测试集中取得0.913的曲线下面积(AUC)和84%的准确率。模型解释性分析揭示，来自T₂加权像(T₂WI)和对比增强T₁加权像(CE-T₁WI)的小波变换特征和高斯-拉普拉斯(LoG)滤波特征最具预测价值，而T₂WI_original_first-order_Skewness这一表征肿瘤异质性的指标贡献度尤为突出。

该研究突破性地实现了垂体肿瘤质地的无创预测，为神经外科医生制定个性化手术方案提供了重要决策支持。通过沙普利加和解释(SHAP)方法，模型的黑箱特性被成功破解，使临床医生能够直观理解每个特征的贡献模式，真正实现了人工智能辅助决策的可解释性和临床实用性。