学位论文 基于MR影像学与影像组学的脑膜瘤Ki-67指数预测机器学习模型的构建与比较.pdf

硕士学位论文基于MR影像学与影像组学的脑膜瘤 Ki-67指数预测机器学习模型的构建与比较_：1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/论文独创性声明本人郑重声明：所呈交的学位论文是我个人在导师指导下进行研究工作所取 得的成果。尽我所知，除了文中特别加以标注和致谢的地方外，学位论文中不包 含其他个人或集体已经发表或撰写过的研究成果，也不包含为获得成都医学院或 其它教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做 的任何贡献均已在论文中作了明确的说明并表示了谢意。关于论文使用授权的声明本人完全了解成都医学院有关保留、使用学位论文的规定，即：学校有权保 留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅,可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。同意成都医学院可 以用不同方式在不同媒体上发表、传播学位论文的全部或部分内容。(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/目录摘要.TAbstract.IV刖5.11材料和方法.31.1 研究对象.31.2 技术与方法.31.3 入组患者资料收集.41.4 影像学特征提取.51.5 影像组学特征提取.61.6 统计学分析.91.7 影像学预测Ki-67表达的机器学习模型建立.91.8 影像组学预测Ki-67表达的机器学习模型建立.111.9 比较影像组学预测模型与影像学预测模型的预测效能.122 结果.142.1 影像学表现单因素、多因素分析结果.142.2 影像组学特征提取结果.162.3 特征筛选结果.162.4 基于影像组学建立机器学习模型交叉验证结果.172.5 基于影像学建立机器学习模型交叉验证结果.212.6 影像组学模型与临床-影像学模型比较结果.223 讨论.253.1 预测脑膜瘤Ki-67指数的意义.253.2 预测脑膜瘤Ki-67指数的研究现状.253.3 影像组学的原理及预测脑膜瘤Ki-67指数的理论基础.273.4 本研究意义及设计.283.5 本研究具体结果及意义讨论.323.6 本研究的不足与后续改进.354 结论.36参考文献.37文献综述.43附录.54攻读学位期间的研究成果.55致谢.56(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/成都医学院硕士学位论文摘要研究背景与目的：脑膜瘤是颅内常见肿瘤，有研究发现Ki-67指数与其术后复发、不良预后等 密切相关，因此无创预测脑膜瘤Ki-67指数具有重要意义，但相关研究报道较少。本研究拟构建基干影像学、影像组学预测Ki-67指数的模型，并通过相互比较筛 选其中预测效能最佳的模型。材料与方法：回顾性纳入资料齐全的脑膜瘤患者，设定Ki-67指数23%为高表达组(110例),Ki-67指数 分类决策树(Decision Tree Classification,DT)、朴素贝叶斯(Naive Bayesian,NB)、极端梯度提升(Extreme Gradient Boosting,XGBOOST)提升机器算法(Light Gradient Boosting Machine,LGBM)共7个机器学习算法进行建模，共建立14 个基于影像学的模型。影像组学建模于T1WK T2WI及T1增强序列手动勾画病灶最大层面R0I及全 体积R0L并于T1增强序列最大层面勾画矩形R0L共生成7个序列-R0I组合。行图像预处理、影像组学特征提取、力检验初步筛选、数据标准化后，使用最小绝 对收缩和选择算子(Least Absolute Shrinkage And Selection Operator,LASSO)互信息法(Mutual Information,MI)、递归消除(Recursive F eature Elimination,RF E)、随机森林嵌套(Random F orest,RF C)筛选特征，经Pearson相关分析去 除高相关特征。对4组特征筛选方式获得的特征取并集，除去高相关特征，获得4 种特征筛选方式组合结果。对5组特征选择结果使用前述7种机器学习模型建模，(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/成都医学院硕士学位论文建立245个基于影像组学的模型。行影像学机器学习模型与影像组学机器学习模型5折交叉验证，绘制受试者 工作特征(Receiver operating characteristic,ROC)曲线，并使用交叉验证 曲线下面积(Area under curve,AUC)评价模型预测效能，使用交叉验证相对标 准偏差(Relative standard deviation,RSD)评价模型稳定性。比较模型交叉 验证AUC及RSD,选出预测效能最佳的影像学机器学习模型与影像组学机器学习模 型。将患者以7:3的比例分为训练集和验证集，使用最佳的影像学与影像组学模 型进行模型训练及验证，绘制验证集R0C曲线，再行AUC比较及ROC曲线Delong 检验对比。结果：1.共纳入218名符合纳入排除标准的患者，两组间性别、年龄单因素分析差 异无统计学意义，分级差异有统计学意义，肿瘤增强扫描强化不均、肿瘤假包膜 存在、肿瘤周大片水肿、肿瘤内存在T2WI高信号在两组间差异显著(WO.1)；多 因素分析提示，肿瘤增强扫描强化不均、肿瘤内存在T2WI号与Ki-67指数呈正相 关，肿瘤跨越大脑镰/小脑幕与KI-67指数呈负相关(次0.05),基于单、多因素 分析有意义影像学特征建立的14个影像学机器学习模型中，表现最佳者是基于多 因素分析的逻辑回归模型，其交叉验证AUC 0.744,RSD 0.072。2.245个影像组学机器学习模型中，AUC高于0.75,RSD小于0.1的模型共 36个，其中T1CE-矩形感兴趣区29个、T1CE-最大层面感兴趣区14个，T1CE-全 体积感兴趣区4个，其中预测效能最佳的模型是T1CE-矩形ROI-LASSO-SVM模型，其交叉验证 AUC 0.865,RSD 0.062。3.表现最佳影像学模型与影像组学模型相比较，多因素分析-逻辑回归影像 学模型验证集上AUC为0.732,灵敏度为0.771,特异度为0.613,T1CE-矩形 ROI-LASSO-SVM影像组学模型验证集上AUC为0.822,灵敏度为0.857,特异度为 0.645。两模型Delong检验比较R0C,火0.001。且影像组学机器学习预测模型交 叉验证RSD小于影像学机器学习预测模型。II(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/ki.nei成都医学院硕士学位论文结论：1.基于影像学和影像组学的机器学习模型都可较好预测脑膜瘤Ki-67指数，但后者的预测效能、稳定性优于影像学机器学习模型。2.构建影像组学机器学习模型时，T1CE蓄力、矩形/最大层面感兴趣区、LASSO 特征筛选方式、SVM建模方式，优于其他序列、感兴趣区、特征筛选方式、建模方 式。关键词：脑膜瘤；影像组学；Ki-67；机器学习；磁共振成像ill(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/成都医学院硕士学位论文AbstractResearch background and purpose:Meningioma is a common intracranial tumor,some studies found that the Ki-67 index is closely related to its postoperative recurrence and poor prognosis,so non-invasive predict the meningioma Ki-67 index is important,but related studies are less reported.In this study,we propose to build Ki-67 index prediction model based on image features and radiomics,The model with the best prediction performance are selected by compare them with each other.Materials and Methods:Retrospectively included patients with meningioma with complete data,and Ki-67 index 3%was set as the high index group(110 patients),and Ki-67 index 3%was set as the low index group(108 patients).Two investigators are blind to read the image and segment the region of interest(ROI).The six image features that have been reported in the previous literature to be highly supportive of meningioma grade or predictive of Ki-67 index(enhancement uniformity,pseudoenvelope,peritumoral edema,T2 high signal within the tumor,tumor crosses the falx/cerebellar curtain,bony invasion)were used as indicators for univariate and multifactorial analyses.Incorporating statistically significant signs in it,use Support Vector Machine(SVM),Random F orest(RF),Logistic Regression(LR),Decision Tree Classification(DT),Naive Bayesian(NB),Extreme Gradient Boosting(XGBOOST),and Light Gradient Boosting Machine(LGBM),total seven machine learning algorithms are use to build 14 image feature-based models.In the radiomics model build,manually segment the maximum layer ROI and full volume ROT of the lesion in T1WI,T2WI,and T1 enhancement sequences(TICE),and segment rectangular ROI in the maximum layer of TICE,generate total 7 sequence-ROI combinations.After image preprocessing,radiomics feature extraction,initial feature select use/-test,and data normalization,features are select use Least Absolute Shrinkage And Selection Operator(LASSO),Mutual Information(MI),Recursive F eature Elimination(RF E),Random F orest(RF C),and Pearson correlation analysis to remove highly correlated features.The features selected from the 4 featureIV(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/成都医学院硕士学位论文 selection methods are merged and the highly correlated features are removed to obtain the combined results of the 4 feature selection methods.F ive sets of feature selection results are model use the seven previously mentioned machine learning models to obtain 245 radiomics-based models.The image feature-based machine learning model and radiomics-based machine learning model were cross-validated with a 5-fold cross-validation,and plot receiver operating characteristic(ROC),use the area under curve(AUC)to evaluate the prediction performance of models,use the cross-validation relative standard deviation(RSD)to evaluate stability of models.Compare the cross-validation AUC and RSD of the models to select the best image feature-based and radiomics-based machine learning model.Patients are divide into training and validation sets in the ratio of 7:3,train and validate the best image feature-based and radiomics-based models,and comparison AUC and use Delong test to comparison ROC curves.Result:1.A total of 218 patients who met the inclusion and exclusion criteria were included.Univariate analysis suggest that there are no statistically significant difference in gender and ages between the two groups,but grade between the two groups has statistically significant differences,the presence of large peritumoral edema、heterogeneous enhanced,pseudocapsule、T2 hypersignal between the two groups of meningiomas are statistical significance(P0.1).Multivariate analysis suggest that heterogeneous enhanced%T2 hypersignal are positive correlation with the Ki-67 index,The tumor across the flax and tentorium of cerebellum are negatively correlated with Ki-67 index(/,刖S脑膜瘤是起源于蛛网膜帽细胞的脑外肿瘤，是除胶质瘤外颅内第二常见肿瘤,占所有颅内肿瘤的13%26%,常见于中老年和女性山。脑膜瘤被认为是异质性肿 瘤，根据2016年WHO神经系统肿瘤分类概述，可分为3个级别及15种亚型,包括纤维型、脑膜皮型、砂粒体型等9个WHO I级亚型，非典型型、脊索瘤型等 3个WHO II级亚型：间变型、乳头型、横纹肌样型3个WHO III级亚型。其中大 多数脑膜瘤为WHOI级，仅17%为WHO II或HI级。但有研究发现，尽管大多数 患者脑膜瘤属于低级别，其预后确存在巨大差异，低级别脑膜瘤也可能进展为高 级别脑膜瘤或术后复发，因此简单分级已不足以概括脑膜瘤生物学行为。Ki-67是仅在细胞分裂增殖期（Gl、S、G2）表达的核蛋白，可以通过特异单 克隆抗体进行标记染色，因此可以作为细胞增殖情况的测量手段，Ki-67指数的增 高与几种癌症的不良临床结果相关。在脑膜瘤中，Ki-67高表达已被确认是其不良 预后的危险因素以叫 与脑膜瘤复发相关联，了解脑膜瘤患者KL67表达指数无 疑有利于患者风险分层管理与决策。但由于脑膜瘤术前活检困难，肿瘤等级、Ki-67 等信息往往只能在手术后病理组织学、免疫组织化学检查后获得，因此术前无创 性评估脑膜瘤等级，预测脑膜瘤Ki-67指数具有重要的临床意义。但传统的影像学 分析难以预测脑膜瘤Ki-67指数水平，因为不同Ki-67脑膜瘤影像学表现存在重叠,即使分级、亚型、Ki-67指数相同的脑膜瘤也可能由于邻近结构的不同，呈现差异 显著的影像学表现。目前，脑膜瘤患者的管理仍主张以长期随访为主，当肿瘤出现症状或体积明 显增大时再考虑手术的治疗，而影像学随访是其中最理想客观的一种手段。对于 首次发现时体积较小但增殖潜力高的脑膜瘤，随访管理策略可能错过最佳的手术 时机，肿瘤增大后，手术切除范围更大，因此，评估其增值潜力是完善脑膜瘤管 理的重要内容。影像组学是通过多种计算机算法提取图像中的高维图像信息并转 化为丰富定量数据的技术，能提供大量超越主观视觉的肿瘤信息网，使用这些信息 利用机器学习方法可以通过与肿瘤信息相关联，预测肿瘤的临床、病理特征。影(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/ki.nei前言像组学技术用于肝癌、乳腺癌iki-67表达预测已获得良好的结果。影像组学在 脑膜瘤分级及鉴别诊断中也表现出了优异的性能川，但在脑膜瘤Ki-67影像组学预 测方面，目前仅有两项研究报道口2，1叫一是Khanna口可对WHO I级脑膜瘤患者多 序列术前Ki-67指数预测的组学研究，二是欧阳治强口2在T1增强序列最大层面感 兴趣区下的影像组学研究，但该两项研究均为单中心研究，且未充分探索使用不 同序列、感兴趣区、特征筛选方式、机器学习算法建立模型。为此我们收集了连 锁单位较大样本脑膜瘤患者数据，开展了基于影像学、影像组学的预测Ki-67指数 建模研究，以期获得预测效能最佳的模型。21994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/成都医学院硕士学位论文1材料和方法1.1 研究对象经我院伦理委员会批准，免除知情同意，回顾性收集2015.01至2020.12间成 都医学院第一附属医院及西部战区总医院术前常规行头部MRI检查，并手术病理 证实的脑膜瘤患者。1.1.1 纳入标准(1)术前1月内行MRI平扫及增强扫描。(2)术后病理证实为脑膜瘤，并行病理分级及免疫组织化学获得Ki-67表达 指数。(3)MRI检查前未进行放疗或其他治疗，无头部手术史。(4)图像质量满足影像学及影像组学研究要求。1.1.2 排除标准(1)多发、复发脑膜瘤。(2)病灶位于颅外。(3)病灶大小小于IcmX IcmX 1cm、病灶与邻近结构分界欠清。1.2 技术与方法MRI检查设备为西门子1.5T、飞利浦3.0T磁共振，使用ITK-SNAP进行图像 分析及感兴趣区勾画，使用Python及相关包进行影像组学特征提取、特征筛选、机器学习模型建模。1.2.1 仪器设备(1)西门子Avant。L5T超导型磁共振扫描仪及头部线圈。(2)飞利浦Achieva3.0T超导型磁共振扫描仪及头部线圈。(3)造影剂：Gd-DTPA(铝喷酸葡胺注射液，广州康臣药业有限公司15ml 装)(4)锐珂影像归档和通信系统(Picture Archiving and Communication Systems,PACS)o(5)ITK-SNAPV3.8.0()http:/www.itksnap.org/pmwiki/pmwiki.php31994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/材料与方法(6)Jupyter Note(Python()及相关 Pyradiomics 包()Sklearn 包()https:/jupyter.org/)使用https:/www.python.org/https:/pyradiomics.readthedocs.io/en/latest/https:/scikit-leam.org/stable/122扫描方法检查时，患者取仰卧位，平静呼吸，MRI扫描序列包括横轴位T1加权成像(T1WI)、横轴位T2加权成像(T2WI)及横轴位T1增强(T1CE),增强时使用 高压注射器经肘静脉注入Gd-DTPA,流速2ml/s,剂量为O.lmmol/kg,注射后用 20ml生理盐水冲洗。1.2.3 扫描序列及参数通过医学数字成像和通信(Digital Imaging and Communications in Medicine,DICOM)文件头文件获取扫描参数，包含层厚、层间距、重复时间(Repetition time,TR)、回波时间(Echo time,TE)、像元间距(Pixel Spacing)o(见表 1-1)表17 MRI扫描参数Tab Ie 1-1 MR I scan parametersT1WI横状位T2WI横断位T1WI增强1.5T3.OT1.5T3.OT1.5T3.0TTR(ms)180020003500300020001850TE(ms)6.820120802.64.6Pixel Spacing(mm)0.3910.4590.6250.4590.970.459层厚(mm)5.565.5656层间距(mm)6.66.66.67171.3入组患者资料收集1.3.1 临床及病理资料收集查询病例系统收集患者的临床及病理资料，包含年龄、性别、脑膜瘤病理分 级、亚型、Ki-67指数。Ki-67指数通过将手术切片使用10%甲醛溶液固定，脱水后使用石蜡切片封埋 1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/成都医学院硕士学位论文处理行Ki-67免疫组化染色，病理镜下观察，切片中细胞核内出现深色染色的棕黄 色颗粒的细胞为Ki-67阳性细胞，计算阳性细胞所占所有细胞百分比，记为Ki-67 指数,脑膜瘤Ki-67指数截值暂无统一标准口气既往研究中选择截值存在差异以-,参考一项研究中提到脑膜瘤Ki-67指数平均值约3%口叫 本研究使用3%作为分组 高、低指数组的截值。1.3.2 图像采集通过医学影像存储与传输系统（Picture archiving and communication system,PACS）系统搜索符合要求的患者，导出DICOM格式的图像，包含T1WI、T2WL T1增强图像，并对导出的图像进行信息匿名化处理。1.4 影像学特征提取两名研究者在不知情患者病理分级、亚型及Ki-67表达情况下对脑膜瘤影像学 特征进行分析并记录，包括：1.肿瘤增强扫描强化不均2.肿瘤假包膜存在3.肿 瘤周大片水肿4.肿瘤内存在T2WI高信号5.肿瘤跨越大脑幕/小脑镰6.肿瘤侵犯 骨质。存在记为1,不存在记为0。完成记录后高年资主任医生对记录存在不同的 病例进行复核，确定记录值，具体标准如下：（1）肿瘤增强扫描强化不均：增强 扫描上观察到不均强化区，允许部分因血管、纤维结构、钙化导致的不均强化。（2）肿瘤假包膜存在：增强扫描见假包膜，在T1CE序列上病灶边缘存在包膜样影（3）肿瘤周大片水肿：将肿瘤周片状T1WI低信号、T2WI高信号水肿面积大于肿瘤病 灶最大截面的病例认为瘤周存在大片水肿。（4）肿瘤内存在T2WI高信号：T2WI 序列上对病灶进行观察，肿瘤内部见T2WI高信号区。（5）肿瘤跨越大脑幕/小脑 镰：多序列结合观察，病灶是否跨越大脑幕或小脑镰，难以确定时结合冠状位、矢状位图像进行观察，存在病灶跨越大脑幕或小脑镰时记录为病灶存在跨越大脑 幕或小脑镰。（6）肿瘤侵犯骨质：图像上观察到病灶与临近颅骨边界模糊或明确 侵犯骨质时记录为病灶存在侵犯骨质。（见图1-1）(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/材料与方法图1-1用于影像学预测模型的6个磁共振影像学表现示例图F ig.1-1 Samp Ie of 6 imag i ng features.used i n rad i oIogy mode I build注：A-F依次表示肿瘤增强扫描强化不均、肿瘤假包膜存在、肿瘤周大片水肿、肿瘤内存在 T2WI高信号、肿瘤跨越大脑幕/小脑镰、肿瘤侵犯骨质1.5 影像组学特征提取1.5.1 感兴趣区勾画两名研究者在对患者病理分级、亚型及Ki-67指数情况不知情的情况下分别进 行感兴趣区的勾画，使用开源的ITK-SNAP V3.8.0(www.itksnap.org)对3个常规序 列进行感兴趣区的勾画，勾画范围包括病灶实性成分、强化区、不纳入病灶周围 水肿带，避开其他邻近正常结构，保存肿瘤组织的最大层面二维感兴趣区和肿瘤 全层面堆积而成的肿瘤全体积三维感兴趣区，另在T1增强序列图像的肿瘤实性成 分强化区内选择矩形R0I,选取位置尽量接近病理组织取材位置，避开病灶内液 体成分、血管、骨质等，大小不超过3cmx3cmo最后由高年资主任医师结合两名 研究者所勾画感兴趣区确定最后使用的感兴趣区，共生成7种感兴趣区，即T1CE 矩形感兴趣区、T1CE最大层面感兴趣区、T1CE全体积感兴趣区、T1最大层面感(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/成都医学院硕士学位论文兴趣区、T1全体积感兴趣区、T2最大层面感兴趣区及T2全体积感兴趣区，勾画 脑膜瘤感兴趣区的具体步骤如下：（1）使用3D-Slicer将导出的DICOM格式图像分序列转换格式为.nii格式，保存在相应文件夹内。（2）使用ITK-SNAP打开序列图像，使用缩放工具将病灶放大到合适大小,使用“Polygon Mode”沿着病灶边缘勾画感兴趣区，完成病灶边缘勾画后，生成当前 层面的感兴趣区。（3）将病灶最大截面感兴趣区保存为对于序列的二维感兴趣区，将病灶全层 面感兴趣区堆积形成的三维感兴趣区保存为对应序列的三维感兴趣区，在对应文件 夹保存为mii格式。（4）在增强T1序列图像病灶中选择病灶最大层面内接近病理标本取材位置 的范围使用Paintbrush Mode中的矩形Brush Style在病灶画出矩形感兴趣区，尽量 选择实性肿瘤组织区域，避开囊变坏死、血管、钙化等，保存为.nii格式。（见图 1-2）AB BB C图1-2感兴趣区勾画示意图F ig.1-2 Schemat i c d i agram of RO I segmentat i on 注：A图为最大层面感兴趣区，B图为全体积感兴趣区，C图为矩形感兴趣区1.5.2 特征提取（1）图像预处理：由于纳入患者存在使用不同磁共振设备检查的情况，在对 图像使用N4校正消除因场强原因导致的图像局部灰度值差异后，再使用 PyRadiomics 3.0.1提取影像组学特征前进行重采样和标准化，对二维感兴趣区及矩 形感兴趣区组重采样到ImmxlmmxOmm,对三维感兴趣区重采样到 Immxlmmxlmm,便于计算部分对体素间距有要求的影像组学特征。使用(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/ki.nei材料与方法NormalizeScale:100对图像进行标准化，减少不同场强MRI扫描设备MR值不同 的影响。(2)滤波器选择：对于二维感兴趣区选择使用小波变换(Wavelet)、局部二 值化(LBP2D)、拉普拉斯高斯(LoG)、幕变换(Exponential)方差变换(square)、方差根变换(SquareRoot)对数变换(Logar汕m)滤波，对三维感兴趣区选择使 用小波变换(Wavelet)、局部二值化(LBP3D)、拉普拉斯高斯(LoG)、幕变换(Exponential)方差变换(square)、方差根变换(SquareRoot)对数变换(Logarithm)滤波。图像滤波示意图见图l-3oA C图1-3图像滤波示意图 F ig.1-3 Schematic diagram of fi Iter 注：A图为原始图像，B为高斯滤波后图像，C为拉普拉斯高斯滤波图像(3)特征提取：对图像预处理及滤波后的2DT1WK 3DT1WK 2DT2WK 3DT2WL 2DT1CE、3DT1CE.矩形 T1CE,共 7 种感兴趣区使用 Pyradiomics 批 量提取影像组学特征，提取形态学参数(Shape2D/3D)、一阶参数(F irstorder)、灰度共生矩阵(Gray-level co-occurrence matrix,GLCM)、灰度游程矩阵(Gray-level run length matrix,GLRLM)灰度区域大小矩阵(Gray-level size zone matrix,GLSZM)灰度依赖矩阵(Gray level dependence matrix,GLDM)相邻灰度差分 矩阵(Neighboring gray tone difference matrix,NGTDM)o 将分组提取后的影像组 学特征参数手动删除包含程序版本等信息后保存为.xsls格式。具体各影像组学参 数意义如下：1.形态学参数(shape3D/2D):描述三维/二维感兴趣区的大小和形状,与感兴 8(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/成都医学院硕士学位论文趣区内的灰度值分布无关，包含体积、表面积、表面积体积比、紧凑度、球形度 等。2.一阶参数(F irstorder)：描述感兴趣区内体素强度及其空间分布，体现局部 灰度分布的变化，如均值、方差等。3.灰度共生矩阵(Gray-level co-occurrence matrix,GLCM)：统计感兴趣区内 保持某距离的两像素分别具有某灰度的状况，即感兴趣内灰度的空间相关特性。4.灰度游程矩阵(Gray-level run length matrix,GLRLM)：统计感兴趣区内一 维方向上连续多个相同像素值出现的情况，即灰度游程矩阵。5.灰度区域大小矩阵(Gray-level size zone matrix,GLSZM)：统计感兴趣区内 二维区域内相同元素相邻的情况的出现的次数，即灰度区域矩阵。6.灰度依赖矩阵(Gray level dependence matrix,GLDM)：统计感兴趣区内某 像素与周围像素的灰度差值小于某个阈值的情况，即灰度依赖矩阵。7.相邻灰度差分矩阵(Neighboring gray tone difference matrix,NGTDM)统计 感兴趣区内每个像素与其邻域内所有像素的平均灰度值的差异情况，即灰度差分 矩阵。1.6 统计学分析采用SPSSV22.0软件进行统计学分析，对两组间患者年龄、性别、脑膜瘤分 级、影像学特征中的计量资料满足正态分布、方差齐性时使用均数土标准差表示,计数资料使用例数及百分率表示，使用独立样本t检验进行两组间年龄差异比较,酌情采用卡方检验或F isher精确概率法比较性别、影像学特征两组间差异，多因 素分析采用二元logistics回归分析，以P 分类决策树(Decision Tree Classification,DT)、随机森林(Random F orset,RF)、极端梯度提升(EXtreme Gradient Boosting,XGBOOST)、提升机器算法(Light Gradient Boosting Machine，LGBM)各模型原(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,http:/材料与方法理如下：(1)支持向量机(Support Vector Machine,SVM)：是一种有监督机器学习线 性分类器，采用最大化间隔策略寻找分类的最优决策超平面，通过超平面将样本 划分到超平面两侧进行分类，在影像组学研究中应用广泛，通过基于Python的 Sklearn 包中的 from ski earn,svm import SVC 调用模型，以 SVM 表示。(2)逻辑回归(Logistic Regression,L R)是统计学中经典分类算法,分析结 果与影响因素之间关系的回归方法，其原理为计算Logistic分布下条件概率，该模 型简单，应用广泛，使用 Python Sklearn 包中 sklearn.linear model.LogisticRegression 调用模型，以LR表示。(3)朴素贝叶斯(Naive Bayesian,NB)：以贝叶斯原理为基础，对样本进行 分类，对缺失值不敏感，算法简单，但方法假设各特征相互独立，实际建模过程 中，可能部分影像组学特征间存在关系，使用Python Sklear