目的 探讨基于头颅CT平扫图像的纹理分析结合机器学习随机森林模型对急性脑梗死早期辅助诊断价值.方法 回顾性分析109例经磁共振DWI证实为急性脑梗死患者的CT资料,每例患者选择急性梗死灶纳入实验组,对侧相应部位正常脑组织纳入对照组.对CT图像进行标准化后,使用A.K.软件对图像进行预处理及特征提取,按照7:3的比例分为训练组与验证组,通过单因素方差分析、Mann-Whitney U检验或t检验及Lasso特征降维对图像进行纹理特征筛选,训练组采用随机森林模型对筛选出的参数进行建模,采用受试者工作特征(ROC)曲线分析模型建立的有效性,并进一步用验证组验证其诊断效能,计算准确率.结果 396个CT图像纹理特征参数筛选后获得4个参数,分别为均方根、惯性矩、逆差矩及短游程因子,该4个纹理特征在梗死灶和对侧正常脑组织的差异有统计学意义(P＜0.05),采用随机森林方法建模,模型在训练组诊断效能ROC曲线下面积(AUC)为0.99,在验证组AUC为0.87,验证组的准确率为0.82.结论 机器学习随机森林模型对急性脑梗死CT图像纹理特征进行筛选及建模,能够对急性脑梗死提供早期的辅助诊断,从而降低漏诊率.
作者：刘畅；赵泓博；贾宏茹；彭云；罗先富；夏巍；孙骏；凌俊；傅剑雄；叶靖
来源：临床放射学杂志 2020 年 39卷 7期
