基于T2WI和CE-T1WI影像组学集成模型在预测HIFU消融子宫肌瘤疗效中的价值.pdf

临床研究Clinical Articles磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/基于 T2WI和 CE-T1WI影像组学集成模型在预测HIFU消融子宫肌瘤疗效中的价值李承蔚1，肖智博2，何智敏1，吕发金1，2*作者单位：1.重庆医科大学超声医学工程国家重点实验室、生物医学工程学院，重庆 400016；2.重庆医科大学附属第一医院放射科，重庆 400016*通信作者：吕发金，E-mail：中图分类号：R445.2；R737.33 文献标识码：A DOI：10.12015/issn.1674-8034.2023.06.007本文引用格式：李承蔚,肖智博,何智敏,等.基于T2WI和CE-T1WI影像组学集成模型在预测HIFU消融子宫肌瘤疗效中的价值J.磁共振成像,2023,14(6):45-51.摘要 目的探究基于T2WI和对比增强T1WI（contrast-enhanced T1WI,CE-T1WI）所构建的联合序列影像组学集成模型在术前预测高强度聚焦超声（high intensity focused ultrasound,HIFU）消融子宫肌瘤疗效的价值。材料与方法回顾性分析300例临床确诊并接受HIFU治疗的子宫肌瘤患者资料。两名医师将患者进行分组，分为充分消融组（非灌注体积比80%）与非充分消融组（非灌注体积比80%），并使用Kappa检验分析两人分组结果的一致性。然后，将所有患者以8:2的比例随机分为训练集（n=240）和测试集（n=60）。在T2WI和CE-T1WI上利用ITK-SNAP软件勾画子宫肌瘤的感兴趣区并提取影像组学特征。利用双样本t检验和最小绝对收缩和选择算子，进行特征筛选，两个序列的特征共同用于后续模型构建。将支持向量机、随机森林、极端梯度提升、轻量梯度提升机作为基础学习器，分别构建基础模型（A、B、C、D），logistic回归作为元学习器构建集成模型，并进行5折交叉验证。采用受试者工作特征曲线下面积（area under the curve,AUC）评估各模型性能。采用独立样本t检验或Wilcoxon秩和检验分析患者影像学资料（包括肌瘤体积、肌瘤类型、T2WI信号强度、T2WI信号均匀性、CE-T1WI信号强度、CE-T1WI信号均匀性）。结果充分消融组患者172例，非充分消融组患者128例，对两名医师的患者分组结果进行Kappa检验后，Kappa值为0.939（P0.001）。经过特征筛选，在T2WI和CE-T1WI中分别保留了14个和5个特征。所构建的A、B、C、D四个基础模型的在测试集上5折交叉验证的AUC均值分别为0.832、0.863、0.861、0.880。使用5种算法构建的集成模型AUC均值提升至0.924。统计学分析结果显示，训练集中肌瘤体积、肌瘤类型、T2WI信号均匀性和CE-T1WI信号强度存在统计学差异（P0.05），测试集中肌瘤类型的差异具有统计学意义（P0.05）。结论基于T2WI和CE-T1WI所构建的联合序列影像组学集成模型可以在术前有效预测HIFU消融子宫肌瘤的疗效。关键词 子宫肌瘤；疗效预测；高强度聚焦超声；影像组学；集成模型；磁共振成像Value of radiomics stacking ensemble learning model based on T2WI and CE-T1WI in predicting the efficacy of HIFU ablation of uterine fibroidLI Chengwei1,XIAO Zhibo2,HE Zhimin1,L Fajin1,2*1State Key Laboratory of Ultrasound in Medicine and Engineering,College of Biomedical Engineering,Chongqing Medical University,Chongqing 400016,China;2Department of Radiology,the First Affiliated Hospital of Chongqing Medical University,Chongqing 400016,China*Correspondence to:L FJ,E-mail:Received 10 Jan 2023,Accepted 18 May 2023;DOI:10.12015/issn.1674-8034.2023.06.007ACKNOWLEDGMENTS Foundation of State Key Laboratory of Ultrasound in Medicine and Engineering(No.2022KFKT005).Cite this article as:LI C W,XIAO Z B,HE Z M,et al.Value of radiomics stacking ensemble learning model based on T2WI and CE-T1WI in predicting the efficacy of HIFU ablation of uterine fibroidJ.Chin J Magn Reson Imaging,2023,14(6):45-51.Abstract Objective:To explore the value of the radiomics ensemble stacking model based on the combined sequences of T2WI and contrast enhancement T1WI(CE-T1WI)in predicting the efficacy of high intensity focused ultrasound(HIFU)ablation of uterine fibroids before surgery.Materials and Methods:A total of 300 patients with uterine fibroids diagnosed clinically and treated with HIFU were retrospectively analyzed.Two physicians grouped patients into a full ablation group(nonperfusion volume ratio80%)and an incomplete ablation group(nonperfusion volume ratio80%),and used Kappa test to analyze the consistency of their grouping results.Then,all patients were randomly divided into a training set(n=240)and a test set(n=60)in the ratio of 8:2.ITK-SNAP software was used to delineate the region of interest of uterine fibroids on T2WI and CE-T1WI and extract the radiomics features.Two-sample t test and the least absolute shrinkage and selection operator were used for feature screening,and the retained features of the two sequences were used for subsequent model construction.The support vector machine,random forest,extreme gradient boosting and light gradient boosting machine were used as the basic learner to constructed base models(A,B,C,D)respectively,and the ensemble stacking model was constructed by Logistic regression as the meta-learner,and five-fold cross validation was conducted.The area under the receiver operating characteristic curve(AUC)was used to evaluate the performance of each model.maging data of the patients were analyzed by independent sample t-test or Wilcoxon rank sum test(including myoma volume,myoma type,T2WI signal strength,T2WI signal uniformity,CE-T1WI signal strength,CE-T1WI signal uniformity).Results:There were 172 patients in the full ablation group and 128 patients in the incomplete ablation group,and the Kappa value was 0.939(P0.001)after performing the Kappa test on the results of the patient grouping of the two physicians.After feature screening,14 and 5 features were retained on T2WI and CE-T1WI,respectively.The average AUC of five-fold cross-validation of the four base models A,B,C and D on the test set were 0.832,0.863,0.861 and 0.880,respectively.The average AUC value of the ensemble stacking model constructed using 5 algorithms has been increased to 0.924.收稿日期：2023-01-10 接受日期：2023-05-18基金项目：超声医学工程国家重点实验室开放课题（编号：2022KFKT005）45磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/临床研究Clinical ArticlesStatistical analysis demonstrated that there were statistically significant differences in fibroid volume,fibroid type,T2WI signal homogeneity and CE-T1WI signal intensity in the training set(P0.05),and statistically significant differences in fibroid type in the test set(P0.05).Conclusions:The radiomics ensemble stacking model based on the combined sequences of T2WI and CE-T1WI can effectively predict the efficacy of HIFU ablation of uterine fibroids before surgery.Key words uterine fibroids;efficacy prediction;high intensity focused ultrasound;radiomics;ensemble stacking model;magnetic resonance imaging0前言子宫肌瘤是一种育龄期女性最常见的子宫良性平滑肌肿瘤1-2。部分患者可能无明显临床症状，但约30%的妇女会出现严重的症状，例如：异常子宫出血、贫血、骨盆疼痛和压力、背痛、尿频、便秘等，严重影响患者的生活质量3-5。高强度聚焦超声（high intensity focused ultrasound,HIFU）是一种将超声能量聚集在靶区，形成瞬间高温，造成子宫肌瘤组织凝固性坏死的治疗方法，能够有效改善子宫肌瘤造成的临床症状6-9。HIFU 术后的非灌注体积比（non-perfused volume ratio,NPVR）是评价 HIFU消融子宫肌瘤是否成功的标准之一10-12，具有较大NPVR 的患者，症状改善更明显，复发概率更低13-16。然而，并非所有的子宫肌瘤患者都适合HIFU消融，因此准确的术前评估对HIFU的治疗非常重要。MRI是术前评估HIFU治疗子宫肌瘤疗效的重要工具17-18，其中T2WI和对比增强T1WI（contrast-enhanced T1WI,CE-T1WI）是最常用的序列19-22。子宫肌瘤影像学表现的差异性与组织异质性之间存在明显联系23-24，不同信号类型的子宫肌瘤对于HIFU消融的反应也不同。但传统MRI评估受医生的主观因素影响，可能会错失 MRI中人眼无法识别的有效信息，造成HIFU术前评估结果有误。影像组学是一种可以将医学图像转换为高通量数据，发现图像中人眼无法识别的细微差异，再利用其中的有效信息，达到辅助诊断或预测的方法25-26。目前，已有研究基于 T2WI 和CE-T1WI等单一序列，使用多种机器学习算法构建影像组学模型预测HIFU消融子宫肌瘤的疗效，并获得了不错的预测能力27-29。然而，既往研究缺乏对联合序列模型性能的探索，单一序列的特征无法完全表征肌瘤的生物学信息，造成预测结果不够准确。为了降低HIFU治疗的失败风险，进一步提升模型的预测性能，联合序列模型的建立是必要的。有研究者提出集成学习的方法可以有效提升模型性能，其中叠加泛化法（Stacking）通过结合多种机器学习算法，对于复杂问题具有更强大的解决能力30。目前，该方法还尚未应用于预测 HIFU消融子宫肌瘤的疗效。因此，本研究的目的是探究基于T2WI和CE-T1WI联合序列的影像组学集成模型在预测HIFU消融子宫肌瘤疗效中的价值，旨在为临床医生提供一种准确、稳定的术前评估HIFU治疗子宫肌瘤疗效的方法，降低HIFU治疗失败率，对指导HIFU治疗具有一定的临床价值。1材料与方法1.1 研究对象回顾性分析 2013年 1月至 2017年 12月在重庆医科大学附属第一医院进行HIFU治疗的1055名子宫肌瘤患者资料。本研究遵守 赫尔辛基宣言，经重庆医科大学附属第一医院伦理委员会批准，免除受试者知情同意，批准文号2022-K129。1.1.1 纳入与排除标准纳入标准：（1）年龄18周岁；（2）绝经前或围绝经期的妇女；（3）无相关手术或药物治疗史；（4）非月经期的妇女；（5）子宫前位；（6）肌瘤直径 38 cm；（7）腹部脂肪厚度13 cm；（8）对于多发性肌瘤，只研究体积最大的肌瘤。排除标准：（1）有其他妇科病史，如子宫内膜异位症或盆腔炎；（2）妊娠和哺乳期的妇女；（3）有腹部瘢痕的妇女。1.1.2 分组一项多中心的研究证实，相比于使用NPVR70%或 NPVR90%作 为 HIFU 消 融 疗 效 的 评 价 标 准，NPVR80%是更适合作为评价不同经验水平的医师使用HIFU治疗子宫肌瘤是否成功的标准11，因此，本研究定义NPVR80%为充分消融，NPVR80%为非充分消融，然后将患者分为两组。NPVR的获得是由一名具有两年放射诊断工作经验的住院医师和一名具有十五年放射诊断经验的副主任医师，分别独立在术前T2WI的轴位和矢状位图像中，测量靶肌瘤的三维经线：长径（D1）、前后径（D2）和横径（D3），根据椭圆体计算公式：V=0.5233D1D2D3，得到子宫肌瘤体积V1；在HIFU术后CE-T1WI上，依照上述相同方法计算出非灌注区域体积V2。最后，由公式NPVR=V2/V1计算得出结果，然后依据NPVR80%，将患者分为两组，如分组结果有差异则以高年资医生分组结果为准。收集子宫肌瘤患者的影像学资料，资料包括：肌瘤体积、肌瘤类型（黏膜下、肌壁间、浆膜下）、T2WI信号强度（低信号：肌瘤信号强度低于或等于骨骼肌信号强度；等信号：肌瘤信号强度高于骨骼肌，但低于子宫肌层信号强度；高信号：肌瘤信号强度等于或高于子宫肌层信号强度）、T2WI信号均匀性（均匀、非均匀）、CE-T1WI强化程度（轻度：肌瘤强化程度低于子宫肌层；中等：肌瘤强化程度与子宫肌层相当；明显：肌瘤强化程度高于子宫肌层）、CE-T1WI信号均匀性（均匀、非均匀）。1.2 检查方法使用美国通用电气公司生产的 3.0 T Signa HDxt MRI扫描仪，原装腹部专用8通道相控阵线圈，46磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/临床研究Clinical Articles将患者置于仰卧位进行扫描。扫描序列和主要参数见表1。1.3 肿瘤感兴趣区勾画和影像组学特征提取T2WI和CE-T1WI的静脉期图像均由PACS系统以DICOM格式导出，两名医师使用ITK-SNAP软件（3.8版本，http:/www.itksnap.org）在 T2WI 和 CE-T1WI 上手动勾画出整个肌瘤，创建子宫肌瘤感兴趣区（region of interest,ROI）（图 1）。然 后 使 用Python（3.7.6，https:/www.python.org）从 ROI 中提取影像组学特征。在这一阶段分别提取了低维特征和高维特征。低维特征包括：形状特征、一阶直方图特征。高维特征包括：灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵、邻域灰度差矩阵、灰度相关矩阵特征、高斯拉普拉斯滤波域（2.05.0 mm核）的纹理矩阵特征，以及小波滤波域的纹理矩阵特征。1.4 影像组学特征一致性分析从两名医师所勾画的 ROI 中随机抽取 30 名患者，使用组内相关系数（intra-class correlation coefficients,ICC）评估影像组学特征的可重复性，ICC大于0.75被认为具有良好的一致性，一致性较差的特征将被剔除。1.5 少数类样本平衡数据类别的不平衡可能会导致模型的结果向拥有更多数据的类别倾斜，降低模型的可靠性。通过使用合成少数过采样技术（synthetic minority over-sampling technique,SMOTE）31，增加了少数类的样本，达到两类数据平衡。1.6 影像组学特征筛选将新生成的数据与原始数据进行合并后，进行标准化预处理，补全缺失值，平衡异常值。然后，采用双样本t检验和最小绝对收缩和选择算子算法筛选出具有最高分类相关性的特征。1.7 集成模型的构建图2展示了集成学习的模型框架，共分为两层。第一层基础学习器对训练数据进行学习，产生的结果作为第二层元学习器的训练集。本研究共使用了四种传统的机器学习算法：支持向量机（support vector machine,SVM）、随机森林（random forest,RF）、极度梯度提升（extreme gradient boosting,XGBoost）、轻量梯度提升（light gradient boosting machine,LightGBM）。这4种基础学习器都能有效解决分类问题，但是它们的建模思想不同，最终这四种算法共同构成集成模型的第一层。集成模型的第二层被称作元学习器，应具有较强的泛化能力，并且建模方法简单，能够修正第一层机器学习算法对训练集的偏差，避免过拟合的影响。因此，本研究选择了logistic回归作为元学习器。具体方法如下：首先，将原始数据以8 2的比例划分为训练集与测试集，对第一层的4个基础学习器分别进行训练。然后，将训练集中的1/5的数据用于验证基础学习器的性能，并进行5折交叉验证，其结果作为第一层基础学习器的输出。其次，将上一层得到的 4 个基础模型的输出概率值合并为作为第2层元学习器的训练集。将4个基础学习器的测试集结果取平均值，作为第二层元学习器的测试集。最后，logistic回归使用新生成的数据再次进行训练和测试。表1 MRI各序列主要参数Tab.1 Main parameters of each MRI sequence序列T2WICE-T1WITR/ms270.003.84TE/ms2.101.81层厚/mm64层间距/mm82视野/mm298.138.068.426.5矩阵512512512512注：CE-T1WI为对比增强T1WI。图1勾画同一子宫肌瘤患者T2WI与对比增强T1WI（CE-T1WI）的感兴趣区（ROI）示意图。1A：女，48岁，T2WI序列图像，病灶呈低信号，病灶呈圆形；1B：女，48岁，CE-T1WI序列静脉期图像，病灶呈中等强化，病灶呈圆形；1C1D：医生在T2WI和CE-T1WI轴位图像勾画病灶ROI示意图。Fig.1Regions of interests(ROI)schematics of T2WI and contrast-enhanced T1WI(CE-T1WI)in the same patient with uterine fibroids.1A:Female,48 years old,T2WI sequence image with low signal and round lesion;1B:Female,48 years old,CE-T1WI sequence venous phase image with moderate enhancement and round lesion;1C-1D:ROI schematics of the lesion outlined by the doctor on T2WI and CE-T1WI.图 2集成模型框架示意图。SVM：支持向量机；RF：随机森林；XGBoost：极限梯度提升；LightGBM：轻量梯度提升。Fig.2 Schematic diagram of ensemble learning model.SVM:support vector machine;RF:random forest;XGBoost:extreme gradient boosting;LightGBM:light gradient boosting machine.47磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/临床研究Clinical Articles1.8 集成模型的性能评估在本研究中，采用受试者工作特征曲线下面积（area under the curve,AUC）、准确率、精准率、召回率、F1得分对每个基础学习器和集成模型的预测性能进行评估，并进行5折交叉验证。F1得分的具体计算方法为：F1=2精准率召回率/（精准率+召回率）。1.9 统计学分析使用 SPSS 19（23.0.0 版本）进行统计学分析。采用Kappa检验分析两名医师的患者分组结果的一致性（Kappa值处于0.801.00，一致性较好；0.400.79，一致性一般；小于 0.40，一致性较差）。采用Kolmogorov-Smirnov方法检验训练集和测试集中子宫肌瘤患者的影像资料的正态性，符合正态分布的资料使用均数标准差（x s）表示；不符合正态分布的资料采用中位数（上下四分位数）表示。对定量资料采用独立样本t检验或 Wilcoxon 秩和检验分析，对定性资料用卡方检验或 Fishers精确检验分析。所有的统计学分析都将P0.05为差异具有统计学意义。2结果2.1 一般资料依据纳入与排除标准，共筛选出354例符合条件的患者，其中54名患者影像资料丢失或存在伪影被排除。最后，总共纳入300例患者，其中充分消融组172名患者，非充分消融组128名患者。经过Kappa检验对两名医师的患者分组结果分析后，Kappa值为0.939（P0.001），两名医师的分组结果具有较好的一致性。经过统计分析后，在训练集中肌瘤体积、类型、T2WI信号均匀性和CE-T1WI信号强度的差异具有统计学意义（P0.05），其余特征差异无统计学意义（P0.05）。在测试集中肌瘤类型的差异具有统计学意义（P0.05），其余特征的差异不具有统计学意义（P0.05）。统计分析结果详见表2。2.2 特征提取与一致性分析从T2WI和CE-T1WI中分别提取出1322个特征，共包含7个影像组学簇的特征。经过ICC一致性分析后，T2WI 中 1 个特征 ICC 值小于 0.75，CE-T1WI 中4个特征ICC值小于0.75，并将他们剔除。2.3 数据平衡通过使用SMOTE算法在T2WI和CE-T1WI中分别增加了44例非充分消融组的患者数据，达到了两组患者数据量的平衡。2.4 特征筛选使用双样本t检验对T2WI和CE-T1WI提取出的特征进行数据降维，排除了一部分与分类相关度较低的特征，在 T2WI 和 CE-T1WI 中分别保留了 274 和7个相关特征。最后使用最小绝对收缩和选择算子再次筛选，分别得到了14个和5个与预测HIFU疗效高度相关的特征，图3为特征相关性热力图，显示了保留特征的具体名称和特征间的相关性。2.5 集成模型性能评估将筛选后的特征用于4个基础学习器建模，都获得了良好性能。其中LightGBM模型性能最好，在测试集中5折交叉验证的平均AUC值为0.880，其次为XGBoost、RF、SVM，AUC 值 分 别 为 0.861，0.863，0.832（图4），其余模型评估结果见表3。构建的集成模型性能得到有效提升，5折交叉验证的平均AUC值表2 训练集与测试集影像学特征分析结果Tab.2 Training set and test set imaging features analysis results参数体积/cm3类型/例（%）黏膜下肌壁间浆膜下T2WI信号强度/例（%）低信号等信号高信号T2WI信号均匀性/例（%）均匀非均匀CE-T1WI信号强度/例（%）轻度强化中等强化明显强化CE-T1WI信号均匀性/例（%）均匀非均匀训练集（n=240）NPVR80%（n=136）72.4050.993（2.2）116（85.3）17（12.5）74（54.4）27（19.9）35（25.7）98（72.1）38（27.9）67（49.3）51（37.5）18（13.2）47（34.6）89（65.4）NPVR80%（n=104）87.7749.403（2.9）59（56.7）42（40.4）55（52.9）17（16.3）32（30.8）57（54.8）47（45.2）55（52.9）20（19.2）29（27.9）37（35.6）67（64.4）统计值-2.34733.7061.1957.66813.2590.027P值0.0200.0010.5500.0060.0010.870测试集（n=60）NPVR80%（n=36）83.5752.870（0.00）32（88.9）4（11.1）15（41.7）4（11.1）17（47.2）20（55.6）16（44.4）21（58.3）11（30.6）4（11.1）13（36.1）23（63.9）NPVR80%（n=24）75.6438.070（0.00）15（62.5）9（37.5）10（41.7）8（33.3）6（25.0）15（62.5）9（37.5）15（62.5）4（16.7）5（20.8）12（50.0）12（50.0）统计值0.6335.9085.4110.2862.0601.143P值0.5290.0150.0670.5930.3570.285注：NPVR为非灌注体积比；CE-T1WI为对比增强T1WI。48磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/临床研究Clinical Articles为0.924，准确率82.5%，精准率84.1%，召回率87.7%，F1分数84.3%。3讨论本研究开发了一个基于T2WI和CE-T1WI联合序列，结合了 SVM、RF、XGBoost、LightGBM 和 logistic回归的影像组学集成模型，用于预测HIFU治疗子宫肌瘤的疗效，最终在5折交叉验证中得到了良好的预测效能。本研究创新地构建了一种将多种机器学习算法集成的框架，弥补了单一算法泛化能力不足的问题，并联合不同MRI序列的影像组学特征，更全面地定量反映子宫肌瘤异质性。研究结果表明，通过使用客观可靠的联合MRI序列影像组学生物标志物所开发的集成模型，能更准确地预测HIFU治疗子宫肌瘤的疗效，是一种辅助指导HIFU治疗子宫肌瘤的新方法，具有一定的临床意义。3.1 相关研究比较目前，已有研究者将影像组学用于预测HIFU治疗子宫肌瘤，并取得不错的效果。其中，ZHENG等27图3T2WI和CE-T1WI特征相关性热力图。CE-T1WI：对比增强T1WI。Fig.3Feature correlation heat maps of T2WI and contrast-enhanced T1WI.图4基于T2WI和CE-T1WI影像组学特征构建的四个基础模型和集成模型在测试集上的5折交叉验证AUC图。ROC：受试者工作特征；AUC：受试者工作特征曲线下面积；SVM：持向量机；RF：随机森林；XGBoost：极限梯度提升；LightGBM：轻量梯度提升。Fig.4The 5-fold cross-validation AUC diagrams of four base models and stacking ensemble learning model based on T2WI and contrast-enhanced T1WI radiomics features on the test set.ROC:receiver operating characteristic;AUC:area under the curve;SVM:support vector machine;RF:random forest;XGBoost:extreme gradient boosting;LightGBM:light gradient boosting machine.表3 基础模型及集成模型在5折交叉验证中的评估结果Tab.3 The evaluation results of the base models and the ensemble stacking model in the 5-fold cross-validation模型名称SVMRFXGBoostLightGBMStacking组别训练集测试集训练集测试集训练集测试集训练集测试集训练集测试集AUC0.8760.8320.9050.8630.9070.8610.9070.8800.9300.924准确率/%80.278.883.778.283.178.880.277.984.282.5精准率/%83.278.384.279.983.079.783.678.885.384.1召回率/%81.480.289.579.787.278.583.180.291.887.7F1分数/%81.278.885.678.984.578.881.578.486.984.3注：AUC为受试者工作特征曲线下面积；SVM为支持向量机；RF为随机森林；XGBoost 为极度梯度提升；LightGBM 为轻量梯度提升；Stacking为叠加泛化法。49磁共振成像 2023年6月第14卷第6期 Chin J Magn Reson Imaging,Jun,2023,Vol.14,No.6http:/临床研究Clinical Articles利用多种机器学习算法，构建了T2WI与弥散加权成像（diffusion weighted imaging,DWI）序列的影像组学模型，其中依靠单一算法SVM构建的模型性能最佳，AUC值为0.822，但未能利用其余算法进行集成模型的构建，且未选择最为常用的CE-T1WI序列。秦石泽等28、蒋雨等29分别探究了基于T2WI与CE-T1WI单一序列模型的能力，在小数据集中获得了不错的效果，AUC值分别为0.855和0.825，但并未进行交叉验证，模型的稳定性还存在潜在问题，且单一序列不能完全获取子宫肌瘤的组织学信息，模型的可靠性还值得进一步研究。本研究将多种机器学习算法以及双序列MRI影像组学特征联合使用，进行5折交叉验证，获得了性能更加强大和稳定的模型，AUC值达到0.924，明显高于以往研究。相比于单一序列的特征，联合应用 T2WI和 CE-T1WI的影像组学特征可以更全面、准确地提供有关子宫肌瘤组织学和异质性的生物学信息，多种不同机器学习算法的联合使用可以最大化利用这些信息，证明了联合 T2WI 和CE-T1WI序列的影像组学集成模型的有效性，以及在预测HIFU治疗子宫肌瘤疗效的应用前景。3.2 集成模型性能分析本研究开发了一个两层叠加的集成学习框架用于预测HIFU治疗子宫肌瘤的疗效。该集成模型结合了每个基础学习器的特点来提高准确性和稳定性，克服了单一模型泛化能力不足的问题。一般来说，集成模型的性能主要取决于两个方面：一是基础学习器的多样性，即不同模型的多样性可以弥补对特征学习不足的缺点；二是基础学习器的性能，即基础学习器的性能精度越高，集成模型效果越好。本研究选择了 SVM、RF、XGBoost 和 LightGBM 这四个建模思想不同的基础分类器作为第一层学习器。SVM在解决小样本量、非线性和高维度的分类问题方面具有优势。通过随机抽样构建一个RF，并将每个决策树的结果整合到森林中进行最终分类，通过决策树投 票，选 择 得 票 最 高 的 最 终 分 类。XGBoost 与LightGBM都是属于梯度提升树，基本思想是不断利用弱分类器迭代训练，来拟合前面模型的偏差，从而不断将最终模型的偏差降低，但两者在构建弱分类器的策略会有差异。在本研究中，这四个基础学习器都可以有效地学习复杂的影像组学特征，获得不错的性能。再利用第二层的元学习器logistic回归再次学习，将多个单一模型的优点相结合，使得整个模型达到了更好的效果。3.3 T2WI和CE-T1WI联合序列影像组学集成模型的应用价值分析MRI对软组织的高分辨率可以显示子宫肌瘤的组织学特征，因此被作为评估HIFU治疗子宫肌瘤疗效的重要工具32，其中T2WI和CE-T1WI是最常使用的序列。T2WI上的信号强度归因于细胞丰富度、组织含水量、纤维含量、坏死、水肿和钙化等特征。Funaki 1 型和 2 型肌瘤被认为是适合 HIFU 治疗的15,33，而Funaki