摘要
摘要目的探讨基于T2WI建立的影像组学模型术前预测胶质母细胞瘤Ki-67表达水平的价值。材料与方法回顾性分析经病理确诊的96例胶质母细胞瘤(glioblastoma，GBM)患者的术前MRI影像，根据Ki-67表达水平分为低表达组(Ki-67＜50%)和高表达组(Ki-67≥50)。在T2WI轴位图像上手动勾画感兴趣体积(volume of interest，VOI)并提取影像组学特征，所有病例按照70%∶30%分为训练组和测试组，训练组用于特征筛选和建立机器学习模型，特征筛选由t检验和最小绝对收缩与选择算子(least absolute shrinkage and selection operator，LASSO)完成，特征筛选后的数据建立随机森林(random forest，RF)、Logistic回归和支持向量机(support vector machine，SVM)三种机器学习模型；测试组用于验证建立的模型并绘制ROC曲线，结果表示为准确度、敏感度、特异度和AUC。结果Ki-67低表达组和高表达组的年龄、性别差异无统计学意义；三种机器学习模型中，RF模型的诊断效能最高，准确度、敏感度、特异度和AUC分别为0.72、0.67、0.76、0.72，Logistic回归模型综合诊断效能最低，SVM模型介于二者之间。结论基于T2WI建立的影像组学模型对术前预测胶质母细胞瘤Ki-67表达水平具有一定的价值，其中RF模型预测效能最好。
出版日期
2021年09月21日（中国期刊网平台首次上网日期，不代表论文的发表时间）
