论文部分内容阅读
研究背景:当今世界,医学影像技术和计算机领域不断进步,这些进展促使我们易于从图像中高通量提取定量特征,从而使得图像转换为可采数据,并随后对这些数据进行分析,这导致了放射组学的产生。据SEER数据库统计,肾细胞癌(RCC)占所有癌症的3.8%,2018年在美国估计有65340例新发病例。在临床实践中,肾结石积水合并RCC时,一方面肾癌常常与肾脏结石的症状重叠,如非特异性的临床表现腰痛和血尿等,另一方面由于肾脏外形、结石、炎症等的改变,CT难以识别,从而导致对RCC的漏诊,对患者治疗方案的选择产生差异。所以我们使用影像组学的方法来分析,建立有效的模型来辨别上述患者,提高肾结石积水合并RCC的诊断率。研究方法:经过筛选,我们回顾性分析了所有诊断为肾结石合并肾积水并在行单纯性肾切除之前行CT检查的患者,共66例,其中非RCC35例,RCC31例,随机将患者按7:3比例分配至训练集和验证集两组,其中训练集中有46名患者,验证集中有20名患者。手工分割每个患者肾脏CT图像,从每个患者患肾肾脏区域提取18个非纹理特征和344个纹理特征。我们将fisher,Mutinffs,fsv,L0,inffs,laplacian与forward selection结合进行特征选择,将最佳特征集用于训练LIBSVM分类器建立预测模型,最后在独立的验证集中评估预测模型的预测价值。我们使用4个指标对模型进行评价,分别是接收器工作特性曲线下的面积(Area under the receiver-operating characteristic curve,AUC),准确性,敏感性,特异性。上述整个过程重复五次,模型在训练集和测试集上的预测价值的评估指标取5次重复实验的平均值。研究结果:为了去除原始特征集中不相关和冗余的特征,本文采用特征排序联合正向选择的方法进行特征选择。我们将fisher,Mutinffs,fsv,LO,inffs,laplacian与forward selection结合进行检验。实验比较了每种方法的训练方法。从分类器的预测性能来看,基于Inf的正向选择算法的分类器分类性能最好,模型AUC、准确率和特异性均在80%以上。在验证集中,预测模型的接收器工作特性曲线下的面积(Area under the receiver-operating characteristic curve,AUC)为0.907,准确性为0.825,敏感性为0.704,特异性为0.933。在测试集中,预测模型的接收器工作特性曲线下的面积(Area under the receiver-operating characteristic urve,AUC)为 1,准确性为0.933,敏感性为0.887,特异性为0.947本文采用高通量成像方法提取大量图像特征。经过特征选择,建立LIBSVM分类模型,对肾结石引起的肾积水和肾肿瘤进行鉴别。实验结果表明,该模型在训练集和测试集上都是良好的。基于实验方法的非侵入性,该模型有望成为肾结石致肾积水及肾肿瘤患者术前治疗选择及预后判断的辅助诊断工具。