目的 探讨基于多期相MRI影像组学机器学习模型鉴别小肾癌(small renal cell carcinoma,sRCC)与乏脂肪肾血管平滑肌脂肪瘤(fat-poor renal angiomyolipoma,fp-AML)的价值.方法 回顾性分析经病理证实的 79 例sRCCs与35 例最大径≤4 cm的fp-AMLs.分别在T2WI(T2),增强前(UP)、皮髓质期(CMP)、实质期(NP)T1WI图像上手工勾画全肿瘤感兴趣区(volume of interest,VOI),并提取影像组学特征.以 7∶3 划分训练集(n=86)与测试集(n= 28),采用t检验、最大相关最小冗余(maximal relevance and minimal redundancy,mRMR)算法、最小绝对收缩和选择算子方法(the least absolute shrinkage and selection operator,LASSO)进行特征选择,分别建立逻辑回归(logistic regression,LR)与支持向量机(support vector machine,SVM)分类模型.采用受试者工作特征(ROC)曲线来评价模型的分类性能.结果 分别从T2、UP、CMP、NP和 4 期相整合图像中获得 4、12、3、11、15 个最优子集特征.基于NP或 4 期相整合影像组学特征联合LR构建的模型鉴别效能最佳;模型在训练集中的AUC分别为0.956、0.986,在测试集中的AUC均为0.881.结论 基于多期相MRI影像组学特征构建的机器学习模型在鉴别sRCC和fp-AML中具有较高的效能.

作者：王睿婷；钟莲婷；潘先攀；陈磊；曾蒙苏；丁玉芹；周建军

来源：中国临床医学 2023 年 30卷 6期