目的通过基于髋关节数字化X射线摄影(Digital Radiography,DR)的放射组学诺莫图预测Ⅰ-Ⅱ期股骨头缺血性坏死(Osteonecrosis of the Femoral Head,ONFH),拓展常规DR在Ⅰ-Ⅱ期ONFH评估中的应用范围。方法选取61例ONFH患者和24例健康志愿...目的通过基于髋关节数字化X射线摄影(Digital Radiography,DR)的放射组学诺莫图预测Ⅰ-Ⅱ期股骨头缺血性坏死(Osteonecrosis of the Femoral Head,ONFH),拓展常规DR在Ⅰ-Ⅱ期ONFH评估中的应用范围。方法选取61例ONFH患者和24例健康志愿者为研究对象,所有患者和健康志愿者均接受髋关节的DR和MRI扫描。从DR图像人工标注的感兴趣区域中提取1409个放射组学特征,采用最小绝对收缩选择算子回归法进行特征选择,构建多层感知器(Multilayer Perceptron,MLP)和支持向量机(Support Vector Machine,SVM)2种机器学习分类模型进行ONFH检测。结合放射组学评分和独立人口统计学数据,通过逻辑回归分析建立放射组学诺莫图,并通过受试者工作特征曲线及其曲线下面积(Area Under the Curve,AUC)、准确度、特异性和敏感度等指标评估所有模型诊断性能。结果将所有研究对象随机分为训练集(n=58)和验证集(n=27)。在验证集中,MLP和SVM放射组学模型的AUC分别为0.980和0.954,放射组学诺莫图的AUC为0.981。结论基于DR放射组学特征的机器学习有助于筛查I-II期ONFH的高危人群。展开更多
文摘目的通过基于髋关节数字化X射线摄影(Digital Radiography,DR)的放射组学诺莫图预测Ⅰ-Ⅱ期股骨头缺血性坏死(Osteonecrosis of the Femoral Head,ONFH),拓展常规DR在Ⅰ-Ⅱ期ONFH评估中的应用范围。方法选取61例ONFH患者和24例健康志愿者为研究对象,所有患者和健康志愿者均接受髋关节的DR和MRI扫描。从DR图像人工标注的感兴趣区域中提取1409个放射组学特征,采用最小绝对收缩选择算子回归法进行特征选择,构建多层感知器(Multilayer Perceptron,MLP)和支持向量机(Support Vector Machine,SVM)2种机器学习分类模型进行ONFH检测。结合放射组学评分和独立人口统计学数据,通过逻辑回归分析建立放射组学诺莫图,并通过受试者工作特征曲线及其曲线下面积(Area Under the Curve,AUC)、准确度、特异性和敏感度等指标评估所有模型诊断性能。结果将所有研究对象随机分为训练集(n=58)和验证集(n=27)。在验证集中,MLP和SVM放射组学模型的AUC分别为0.980和0.954,放射组学诺莫图的AUC为0.981。结论基于DR放射组学特征的机器学习有助于筛查I-II期ONFH的高危人群。
