基于机器学习的放射组学特征预测儿童肾母细胞瘤临床分期

目的 初步探讨基于机器学习建立并验证放射组学特征预测儿童肾母细胞瘤(WT)临床分期划分模型.方法 回顾性分析2014年10月至2020年9月共计107例病理证实的WT患者,对其术前腹部增强CT门静脉期的图像进行感兴趣区(ROI)勾画,之后进行放射组学特征提取,每例提取1781个放射组学特征;采用支持向量机(SVM)建立机器学习模型预测临床分期Ⅰ期及非Ⅰ期WT.结果 107例WT中,临床Ⅰ期45例(42.1％),非Ⅰ期62例(57.9％),应用t检验及LASSO算法筛选出8个放射组学特征与之相关,剔除其中两个权重相对较低的具有多重共线性的组学特征,利用6个特征基于SVM构建模型,经训练集数据进行机器学习后,对WT临床Ⅰ期和非Ⅰ期患者进行预测,训练集准确率可达87.8％,测试集准确率可达69.7％,受试者工作特征曲线(ROC)的曲线下面积(AUC)为0.81.结论 通过放射组学以及机器学习技术对WT临床分期进行预测是可行的,通过SVM分类器建立的基于6个放射组学特征的模型在区分WT临床Ⅰ期和非Ⅰ期患者有较高的准确率.