目的本研究探讨基于MRI轴位高分辨T2WI图像的深度学习(deep learning,DL)影像组学在术前预测直肠癌T2与T3期的价值.材料与方法回顾性分析皖南医学院第一附属manbet官网登录 (弋矶山manbet官网登录 )2018年1月至2022年12月361例经术后病理证实的T2与T3期直肠癌患者的完整资料,其中T2期100例,T3期261例,按7:3采用分层抽样将患者随机分为训练集(n=262)与测试集(n=99).采用单因素与多因素logistic回归分析筛选临床影像特征独立危险因素.利用ResNet-18模型作为DL特征提取的基础模型,分别基于轴位高分辨T2WI图像提取手工影像组学(hand-crafted radiomic,HCR)特征及DL影像组学特征,分别基于临床影像特征、HCR特征、DL特征及三者组合特征利用支持向量机(support vector machine,SVM)、K最近邻(K-nearest neighbor,KNN)、极端梯度增强机(extreme gradient boosting,XGBoost)三种算法构建12个机器学习模型,采用ROC曲线下面积(area under the curve,AUC)评价各模型的诊断效能,确定最优模型作为输出模型.结果单因素与多因素logistic回归分析临床影像特征中碳水化合物抗原(carbohydrate antigen 199,CA19-9)[95％ 置信区间(confidence interval,CI):1.150-1.820,P=0.002]及肿瘤长径(longest diameter,LD)(95％CI:1.159-22.584,P=0.031)为预测

作者：吴树剑；俞咏梅；范莉芳；张虎；陈国仙；徐静雅；亚胜男

来源：磁共振成像 2023 年 14卷 11期