基于MRI影像组学诊断半月板损伤分级的可行性研究

作     者：樊红星 孟祥虹 刘晓鸣 孙曼 王植 FAN Hongxing;MENG Xianghong;LIU Xiaoming

作者机构：天津医科大学研究生院300070 天津大学天津医院放射科300211 联影智能医疗科技(北京)有限公司北京100089 

出 版 物：《临床放射学杂志》 (Journal of Clinical Radiology)

年 卷 期：2024年第43卷第5期

页      面：798-805页

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 100210[医学-外科学(含：普外、骨外、泌尿外、胸心外、神外、整形、烧伤、野战外)] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 10[医学] 

基　　金：天津市医学重点学科(专科)建设资助项目(编号:TJYXZDXK-026A) 

主　　题：影像组学 膝关节 半月板损伤 磁共振成像 特征 

摘      要：目的 探讨基于MRI影像组学特征的机器学习分类器诊断半月板不同损伤级别的价值。方法 回顾性分析368例患者膝关节MRI图像。联合矢状位及冠状位质子密度加权脂肪抑制图像的影像组学特征,经SelectKBest、最小冗余最大相关和最小绝对收缩和选择算子回归进行特征筛选和降维,选择最优特征,采用多种机器学习方法构建半月板损伤四分类诊断模型,应用受试者工作特征曲线评估各模型诊断效能。结果 最终获得18个最优特征,支持向量机、逻辑回归、高斯过程、随机森林、二次判别分析和Bagging决策树模型的AUC值最佳,分别为0.876、0.871、0.870、0.869、0.868和0.868。随机森林、逻辑回归、Bagging决策树和随机森林分别在诊断正常半月板、1、2、3级半月板损伤中AUC值最高(0.948、0.833、0.805、0.902)。结论 基于MRI影像组学特征的机器学习模型进行半月板损伤分级的可行性较好,具有良好的诊断效能。