来源：期刊VIP网 时间：
作者：田志玮;王世隆;毛锡金;
单位：滨州医学院附属医院放射科;滨州医学院医学影像学院;
摘要：目的 探究动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）参数联合临床危险因素构建的机器学习模型预测直肠癌微卫星不稳定（microsatellite instability, MSI）状态的价值。材料与方法 回顾性分析2022年5月至2024年7月滨州医学院附属医院150例直肠癌患者病例，以病理MSI状态分为MSI组27例，微卫星稳定（microsatellite stability, MSS）组123例。选取轴位T2WI、表观弥散系数（apparent diffusion coefficient, ADC）图及动态对比增强T1WI(dynamic contrast-enhanced T1WI, DCE-T1WI)图勾画肿瘤最大层面作为感兴趣区（region of interest, ROI），提取影像组学特征通过降维筛选出最佳特征，之后用多因素逻辑回归筛选MSI的临床独立预测因素及DCE参数，按7∶3比例分为训练集与验证集，同时使用XGBClassifier(extreme gradient boosting classifier, XGBoost)、逻辑回归（logistic regression, LR）、LGBMClassifier(light gradient boosting machine classifier, LGBM)、随机森林（random forest, RF）、决策树（decision tree classifier, DT）、高斯朴素贝叶斯（Gaussian naive Bayes, GNB）、支持向量机（support vector machine, SVM）、多层感知机分类器（multi-layer perceptron classifier, MLP）、自适应增强分类器（adaptive boosting classifier, AdaBoost）9种不同的机器算法构建模型，采用受试者工作特征（receiver operating characteristics, ROC）曲线和决策曲线分析（decision curve analysis, DCA）评估各模型预测直肠癌MSI状态效能及临床价值。此外，采集同一医院2024年12月至2025年6月的30例直肠癌病例建立时间验证集，绘制ROC曲线进行模型泛化能力的验证。结果 GNB模型表现最稳定，且基于临床独立危险因素、影像组学分数及DCE灌注参数构建的联合模型评估直肠癌MSI效果最佳，其中训练集、验证集及时间验证集曲线下面积（area under the curve, AUC）分别为0.920(95%CI:0.821～1.000)、0.900(95%CI:0.786～1.000)、0.817(95%CI:0.667～0.966)。结论 本研究中，9种机器学习算法中GNB在预测直肠癌MSI状态的效能最佳，并通过时间验证集进行了验证。基于DCE-MRI参数及临床危险因素构建的机器学习模型预测直肠癌MSI状态有一定价值。
关键词：直肠癌;;微卫星不稳定性;;磁共振成像;;动态对比增强;;机器学习
