继发胶质母细胞瘤前体肿瘤MRI特征探索及预测复发的SVM模型的构建

摘要

cqvip:目的探索继发胶质母细胞瘤(sGBM)前体低级别胶质瘤MRI的特征值,基于机器学习构建预测复发的支持向量机(SVM)模型。方法回顾性分析2011年10月至2019年10月郑州大学第一附属医院神经外科收治的89例复发胶质瘤患者临床资料。分析MRI T 2 FLAIR像。3D slicer软件半自动确定肿瘤范围。python程序包pyradiomics提取各自特征值,数据标准化后主成分分析(PCA),由R包e1071构建SVM模型,选择径向基函数,网络搜索及交叉验证选择最佳参数并绘制模型ROC曲线。结果将89例样本分为sGBM组(40例)和非sGBM组(49例)。两组性别、年龄、肿瘤原发部位差异无统计学意义(均P>0.05),两组IDH、ATRX及TP53的突变差异无统计学意义(均P>0.05),1p19q的联合缺失是肿瘤复发进展为sGBM的保护因素。3D slicer圈定ROI后Python程序包pyradiomics提取得到包含7种像素矩阵共107个特征值,其中30个特征值在两组间差异有统计学意义(均P<0.05),定义为sGBM前体胶质瘤的MRI特征值。SVM模型参数:惩罚系数C为7,γ值为7,degree值为3,coef0值为0。ROC曲线示AUC面积为0.864。结论sGBM前体胶质瘤患者的MRI T 2 FLAIR像较复发后未进展为sGBM的患者均一性较差,纹理粗糙且有较大面积的低信号区域。基于影像组学的机器学习模型可有效预测胶质瘤复发转归,有利于评估预后及早期诊断和干预。