杜其聪, 徐鸿昊, 李小龙, 张晓晶, 吴斌, 穆学涛
武警医学. 2025, 36(11): 937-943.
目的 探讨双参数MRI瘤周影像组学联合机器学习对前列腺癌术后切缘阳性的预测价值。方法 回顾性分析解放军总医院第一医学中心(一中心) 、第三医学中心(三中心)行前列腺癌根治性切除术的274例患者的临床资料。将一中心的患者按照随机种子数以7∶3随机分为训练集和内部测试集,三中心的数据资料作为外部验证集。利用影像组学软件分别提取T2WI和ADC图肿瘤周围区域的107个影像组学特征,使用最大相关性和最小冗余(mRMR)算法去除相关性较高的特征,利用最小绝对收缩和选择算子(LASSO)算法进行特征筛选,构建组学模型。比较组学模型在Extra Trees、XGBoost和RandomForest三种机器学习算法的性能,采用DeLong检验比较三种机器学习算法AUC的差异。结果 在组学模型中,Extra Trees的训练集AUC=0.771,内部测试集AUC=0.743,外部验证集AUC=0.726,优于XGBoost及RandomForest。在联合模型中,Extra Trees的训练集AUC=0.778,内部测试集AUC=0.753,外部验证集AUC=0.777,模型的性能优于XGBoost及RandomForest。DeLong检验显示:在组学模型中,三种机器学习算法的AUC差异无统计学意义;在联合模型的内部测试集中,三种机器学习算法的AUC差异无统计学意义;在外部验证集中,RandomForest与Extra Trees相比,两者AUC差异无统计学意义(P=0.160),而RandomForest和XGBoost相比(P=0.006),Extra Trees与XGBoost相比(P=0.001),差异均具有统计学意义。结论 Extra Trees在内部测试集和外部验证集均能达到满意的效果,模型整体表现最好。利用Extra Trees构建的联合模型对前列腺癌术后切缘阳性具有良好的预测效能。