目的 探讨基于双参数磁共振成像影像组学特征构建支持向量机(SVM)及随机森林(RF)两种机器学习模型预测前列腺癌风险分级的诊断作用.方法 回顾性纳入经病理确诊为前列腺癌患者119例,其中中低危组57例,高危组62例,入组患者均在术前2个月内行MRI检查.分别提取基于T2WI、ADC序列的影像组学特征.将入组患者按7:3比例随机分为训练组和测试组.根据筛选后的影像组学特征分别建立基于T2WI、ADC、T2WI+ADC的SVM模型及RF模型,用测试组对模型进行验模型验证,检验每一种模型的准确率、特异性、敏感性并绘制受试者操作特征曲线(ROC).采用曲线下面积(AUC)评估影像组学模型对前列腺癌风险分级的预测效能.结果 基于T2WI序列建立的SVM模型、RF模型的AUC分别为0.797、0.713;基于ADC序列建立的SVM模型、RF模型的AUC分别为0.826、0.667;T2WI+ADC序列建立SVM模型、RF模型的AUC分别0.871、0.724.联合双参数的模型预测效能优于单参数模型.结论 本研究构建的基于双参数磁共振的SVM及RF模型在一定程度上能预测前列腺癌风险分级,其中T2WI+ADC的SVM模型分类效果更佳,有潜力应用于临床以指导前列腺癌患者的个体化治疗.
作者：龚涵颖；陆钰；汤文瑞；韩俊；朱翔
来源：浙江临床医学 2023 年 25卷 5期
