所有五个模型在区分非严重组和严重组方面均表现良好。基于NCMRI的机器学习影像组学可以预测原发性下肢淋巴水肿的严重程度。
所有五个模型在区分非严重组和严重组方面均表现良好。基于NCMRI的机器学习影像组学可以预测原发性下肢淋巴水肿的严重程度。
研究背景
根据国际淋巴学会指南，淋巴水肿的严重程度由受影响肢体与健康侧肢体的体积差除以健康侧肢体的体积来确定。然而，这种体积测量方法在临床应用中耗时、费力且存在一定误差。因此，本研究旨在探索基于非对比增强磁共振成像（NCMRI）的机器学习影像组学特征是否能预测原发性下肢淋巴水肿的严重程度。
材料和方法
对119例原发性下肢淋巴水肿患者进行回顾性分析。根据患者NCMRI，使用ITK-snap软件中的半自动阈值方法填充水肿部位皮下组织和肌肉之间的区域。利用PyRadiomics软件包提取影像组学特征，并通过t检验或Mann-Whitney检验进行分析。随后进行Pearson相关性测试和Lasso筛选。使用Scikit-learn，利用剩余特征构建五个模型：逻辑回归（LR）、支持向量机（SVM）、随机森林（RandomForest）、极端随机树（ExtraTrees）和轻量级梯度提升机（LightGBM）。通过受试者工作特征曲线（ROC）评估预测性能，并计算敏感性和特异性。决策曲线用于评估预测模型在指导非严重和严重淋巴水肿患者决策中的性能。
结果
共提取了1196个特征，经过Pearson相关性测试和Lasso筛选后，选择了21个非零特征。ExtraTree模型表现最佳，训练集AUC为0.974（95% CI: 0.9437-1.0000），敏感性为89.2%，特异性为95.7%。测试集AUC为0.938（95% CI: 0.8539-1.0000），敏感性为75%，特异性为100%。决策曲线显示，当预测概率在16%至78%之间时，ExtraTree模型的净效益大于两个极端曲线，表明在指导非严重和严重淋巴水肿患者决策方面具有强大的临床价值。
结论
所有五个模型在区分非严重组和严重组方面均表现良好。基于NCMRI的机器学习影像组学签名可以预测原发性下肢淋巴水肿的严重程度。
版权声明：本平台旨在帮助医疗卫生专业人士更好地了解相关疾病领域最新进展。本平台对发布的资讯内容，并不代表同意其描述和观点，仅为提供更多信息。若涉及版权问题，烦请权利人与我们联系，我们将尽快处理。仅供医疗卫生专业人士为了解资讯使用，该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。如该等信息被用于了解资讯以外的目的，本平台及作者不承担相关责任。合作联系邮箱：981686121@qq.com。
