戴 宏, 符冉迪, 金 炜

基于影像组学与集成学习的脑胶质瘤分级预测

戴 宏, 符冉迪*, 金 炜

（宁波大学 信息科学与工程学院, 浙江 宁波 315211）

脑胶质瘤的术前分级对治疗决策和预后评估至关重要. 为了提高分级精度, 提出了一种基于影像组学和集成学习的无创胶质瘤术前分级方法. 首先, 从不同序列的感兴趣区域提取428个影像组学特征, 采用递归特征消除算法进行特征选择, 采用6种不同的机器学习算法对脑胶质瘤进行分级, 并对各自的性能进行评估; 然后, 根据评估结果, 选取逻辑回归、决策树和多层感知机3种分类器作为脑胶质瘤分级预测的机器学习算法; 最后, 将3种分类器的输出采用投票方式进行集成, 并评估硬投票机制与软投票机制的性能. 实验结果表明, 对于数据集BraTS2019, 基于硬投票机制的集成学习算法的性能较好, 受试者工作特性曲线下面积为0.933±0.031, 准确度为0.886±0.048, 敏感度为0.872±0.077, 特异度为0.905±0.105. 该方法不仅能增加胶质瘤分级模型的可解释性, 而且可以提高分级精度.

脑胶质瘤分级; 影像组学; 递归特征消除; 集成学习

脑胶质瘤是人体脑部最为常见的一种恶性肿瘤, 约占中枢神经系统原发性肿瘤及其他肿瘤的24.7%, 占恶性肿瘤的74.6%[1]. 世界卫生组织将脑胶质瘤分为WHO-Ⅰ级至WHO-Ⅳ级, 其中WHO-Ⅰ级、WHO-Ⅱ级被称为低级别胶质瘤(Low Grade Glioma, LGG), WHO-Ⅲ级、WHO-Ⅳ级被称为高级别胶质瘤(High Grade Glioma, HGG)[2]. LGG生长速度较慢, 在进行手术切除后通常可以治愈; HGG生长迅速、侵袭性高、预后差, 患者在进行手术切除后仍有很高的病死率……