劉 哲，劉小彤，尹暢暢，梁 挺，卞益同，王 斐，錢步月，楊 健

(西安交通大學(xué)：1. 生命科學(xué)與技術(shù)學(xué)院，陜西西安 710049；2. 第一附屬醫(yī)院放射科，陜西西安 710061；3. 電子與信息工程學(xué)院，陜西西安 710049)

高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤的術(shù)前診斷將直接影響其治療決策、手術(shù)計(jì)劃和臨床分期[1]，但相似的影像學(xué)表現(xiàn)給二者的鑒別帶來了極大的困難[2]。目前，區(qū)分高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤的方法多為功能磁共振對(duì)瘤周水腫進(jìn)行半定量分析，但其對(duì)強(qiáng)化瘤體的分析有一定局限性[3]，并且其設(shè)備依賴性強(qiáng)，缺乏統(tǒng)一的診斷標(biāo)準(zhǔn)而無法廣泛普及[4]。T2WI序列作為常規(guī)磁共振的序列之一，可以清晰地顯示病灶水腫范圍，并且有文獻(xiàn)報(bào)道，基于T2WI的半定量分析[2]有助于高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤的鑒別，但此方法容易受醫(yī)師主觀因素的影響，且半定量分析參數(shù)單一，提供的診斷價(jià)值有限，因此結(jié)果差異較大。機(jī)器學(xué)習(xí)作為一種強(qiáng)大的人工智能算法，可以通過眾多圖像特征提練出疾病的分類模型，提供更多醫(yī)師肉眼無法觀察到的信息，在疾病診斷中具有一定優(yōu)勢(shì)[5-7]。因此，本研究擬探討基于T2WI圖像特征機(jī)器學(xué)習(xí)算法在鑒別高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤中的價(jià)值。

1 材料與方法

1.1 臨床資料回顧性收集我院2016年1月至2018年11月顱內(nèi)高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤患者。納入標(biāo)準(zhǔn)：①通過手術(shù)病理證實(shí)的高級(jí)別膠質(zhì)瘤，以及通過手術(shù)或有明確原發(fā)病史且隨訪證實(shí)的腦單發(fā)轉(zhuǎn)移瘤；②術(shù)前在我院行常規(guī)MRI檢查，包括軸位T2WI序列；③T2WI圖像無明顯偽影。排除標(biāo)準(zhǔn)：①未經(jīng)病理證實(shí)且顱外無明確原發(fā)病史的顱內(nèi)單發(fā)占位；②T2WI圖像有嚴(yán)重偽影。

最終納入高級(jí)別膠質(zhì)瘤中World Health Organization(WHO)Ⅲ級(jí)患者21例，WHO Ⅳ級(jí)20例，男/女為21/20，平均年齡(48.9±12.2)歲；腦單發(fā)轉(zhuǎn)移瘤包括肺癌腦轉(zhuǎn)移17例，肺外惡性腫瘤腦單發(fā)轉(zhuǎn)移17例，男/女為23/11，平均年齡(59.8±12.7)歲。兩組間性別無統(tǒng)計(jì)學(xué)差異(P=0.11)，腦轉(zhuǎn)移瘤組患者年齡明顯高于高級(jí)別膠質(zhì)瘤患者，具有統(tǒng)計(jì)學(xué)差異(P<0.01，表1)。

表1 患者人口統(tǒng)計(jì)學(xué)資料

Tab.1 Basic demographic information of the patients

特征總數(shù)(n=75)膠質(zhì)瘤(n=41)轉(zhuǎn)移瘤(n=34)P性別---P=0.11男(n)442123-女(n)312011-年齡(歲)53.8±13.548.9±12.259.8±12.7P<0.01?病理(n)-間變型星形細(xì)胞瘤WHO Ⅲ(15)少突膠質(zhì)細(xì)胞瘤WHO Ⅲ(6)膠質(zhì)母細(xì)胞瘤WHOⅣ(20)肺癌(17),乳腺癌(4),腎癌(3),直腸癌(2),前列腺癌(2),副鼻竇癌(1),多發(fā)性骨髓瘤(1),骨肉瘤(1),卵巢癌(1),膀胱癌(1),食管癌(1)-

*P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

1.2 檢查方法所有T2WI圖像均由本院磁共振設(shè)備采集，具體設(shè)備及參數(shù)：飛利浦1.5T，頭顱8通道線圈，掃描參數(shù)：TR 2 403 ms，TE 110 ms；層厚6 mm，層間距1 mm，矩陣256×194；GE1.5T(Optima)，頭顱8通道線圈，掃描參數(shù)：TR 5 460 ms，TE 132 ms，層厚5 mm，層間距1.5 mm，矩陣320×320；GE3.0T(HDxt)，頭顱8通道線圈，掃描參數(shù)：TR 4 680 ms，TE 105 ms，層厚5 mm，層間距1.5 mm，矩陣384×384；GE 3.0T(750 w)，頭顱16通道線圈，掃描參數(shù)：TR 4 848 ms，TE 115 ms，層厚5 mm，層間距1.5 mm，矩陣416×416。

1.3 機(jī)器學(xué)習(xí)模型構(gòu)建

1.3.1圖像分割和特征提取 圖像分割前，首先采用Python software 3.7(docs.python.org)對(duì)所有圖像進(jìn)行灰度歸一化，將矩陣統(tǒng)一轉(zhuǎn)換為256×256，灰度范圍轉(zhuǎn)換為0～255，從而確保所有圖像基本信息的一致性，最大限度地減少不同掃描設(shè)備及參數(shù)引起的差異[8]。隨后使用ITK-SNAP 3.6.0軟件(www.itk-snap.org)手動(dòng)進(jìn)行腫瘤分割。由1名具有5年臨床經(jīng)驗(yàn)的放射科住院醫(yī)師在病理結(jié)果不知情的情況下對(duì)病灶每層最大水腫范圍進(jìn)行感興趣區(qū)(region of interest, ROI)勾畫(圖1)，最上層和最下層除外。最后對(duì)每層分割出來的ROI病灶進(jìn)行紋理和形態(tài)學(xué)特征提取，具體參數(shù)詳見表2。

圖1 ITK-SNAP對(duì)水腫范圍進(jìn)行圖像分割

Fig.1 ITK-SNAP performs image segmentation on edema range

表2 機(jī)器學(xué)習(xí)圖像特征參數(shù)

Tab.2 Machine learning image feature parameters

方法圖像特征參數(shù)灰度共生矩陣(GLCM)Angular Second Moment, Contrast, Correlation, Variance, Sum Average, Sum Entropy, Sum Variance, Entropy, Different Variance, Different Entropy, Inverse difference moment, Information Measure of Corre-lation 1, Information Measure of Correlation 2…灰度游程矩陣(GLRLM)Short Run Emphasis, Long Run Emphasis, Gray Level Non-Uniformity , Gray Level Non-Uniformity Nor-malized, Run Length Non-Uniformity, Run Percentage , Low Gray Level Run Emphasis, High Gray Level Run Emphasis, Short Run Low Gray Level Emphasis, Short Run High Gray Level Emphasis, Long Run Low Gray Level Emphasis, Long Run High Gray Level Emphasis, Grey Level Variance, Run Length Vari-ance …形態(tài)縱橫比,范圍,平均歸一化半徑,堅(jiān)固度,粗糙度,偏心率,面積比

GLMC: Grey Level Co-occurrence Matrix. GLRLM: Gray level run length matrix。

1.3.2機(jī)器學(xué)習(xí)模型訓(xùn)練及驗(yàn)證 為了獲得更準(zhǔn)確的模型，我們以每層ROI獲取的特征集作為一個(gè)樣本，從而增加機(jī)器學(xué)習(xí)的數(shù)據(jù)，進(jìn)一步優(yōu)化模型的穩(wěn)定性。隨后將所有數(shù)據(jù)分為訓(xùn)練集和測(cè)試集兩組，按照70%和30%的比例進(jìn)行隨機(jī)分配，用訓(xùn)練集數(shù)據(jù)分別對(duì)支持向量機(jī)(support vector machine, SVM)、樸素貝葉斯和Logistic回歸3種機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練，將訓(xùn)練好的模型用測(cè)試集數(shù)據(jù)進(jìn)行驗(yàn)證，最終結(jié)果以曲線下面積(area under the curve, AUC)、敏感性和特異度進(jìn)行表示，Z檢驗(yàn)用來比較不同機(jī)器模型間AUC的差異。

1.4 半定量分析有文獻(xiàn)報(bào)道，基于T2WI計(jì)算瘤周水腫區(qū)/對(duì)側(cè)正常腦組織信號(hào)比(nSI)半定量分析有助于鑒別高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤，當(dāng)nSI閾值為2.88時(shí)，AUC可達(dá)0.725[2]。因此，本文參照此方法通過計(jì)算nSI進(jìn)行受試者工作特征曲線(receiver operating characteristic, ROC)分析，并與機(jī)器學(xué)習(xí)模型診斷效能進(jìn)行比較。nSI信號(hào)比測(cè)定通過Image J 1.44(imagej.nih.gov/ij)軟件在腫瘤水腫最大層面進(jìn)行，ROI大小控制在75～80 mm2(圖2)。每位患者均畫兩組ROI獲得兩個(gè)nSI值，取平均值作為定量分析參數(shù)。這些測(cè)量和計(jì)算均由2位具有3年以上臨床經(jīng)驗(yàn)的放射科醫(yī)師獨(dú)立完成。最終取2位觀察者的平均nSI值進(jìn)行ROC分析并評(píng)估其最佳閾值。

1.5 統(tǒng)計(jì)學(xué)分析計(jì)量資料用均數(shù)±標(biāo)準(zhǔn)差表示，使用單樣本Kolmogorov-Smirnov檢驗(yàn)確定數(shù)據(jù)是否處于正態(tài)分布，組間比較采用t檢驗(yàn)或wilcox符號(hào)秩和檢驗(yàn)；計(jì)數(shù)資料用率表示，組間比較采用卡方檢驗(yàn)。ROC分析來計(jì)算機(jī)器學(xué)習(xí)模型和半定量方法的診斷效能，以AUC值、敏感性和特異度進(jìn)行表示。Z檢驗(yàn)用于評(píng)價(jià)不同模型間的診斷效能差異，P<0.05為差異有統(tǒng)計(jì)學(xué)意義。以上統(tǒng)計(jì)處理均由R 3.51(www.r-project.org)和MedCalc13.0 (www.medcalc.org)軟件完成，其中機(jī)器學(xué)習(xí)應(yīng)用R軟件的e1071、caret和pROC程序包完成。

圖2 Image J軟件對(duì)水腫區(qū)和對(duì)側(cè)正常腦組織ROI勾畫

Fig.2 The Image J software outlines the ROI of the edema area and the contralateral normal brain tissue

2 結(jié) 果

2.1 圖像特征的單因素分析本研究通過T2WI圖像共獲取高級(jí)別膠質(zhì)瘤370組數(shù)據(jù)和腦單發(fā)轉(zhuǎn)移瘤277組數(shù)據(jù)，每組數(shù)據(jù)均包含灰度共生矩陣、灰度游程矩陣和形態(tài)學(xué)等共68個(gè)特征(表2)。通過單因素分析最終確定35個(gè)具有統(tǒng)計(jì)學(xué)差異的特征納入模型建模(表3)。

2.2 機(jī)器學(xué)習(xí)模型診斷效能的評(píng)價(jià)3種機(jī)器學(xué)習(xí)模型具體ROC診斷效能AUC值、敏感性及特異度見表4。3種機(jī)器學(xué)習(xí)模型間AUC比較見表5與圖3，其中訓(xùn)練集和測(cè)試集SVM模型AUC值均高于Logistic和樸素貝葉斯模型，且具有統(tǒng)計(jì)學(xué)差異。Logistic回歸和樸素貝葉斯模型AUC值無統(tǒng)計(jì)學(xué)差異。

2.3 半定量分析半定量分析中2名醫(yī)師的測(cè)量指標(biāo)無明顯統(tǒng)計(jì)學(xué)差異(表6)。ROC分析結(jié)果顯示，nSI閾值為2.78時(shí)對(duì)高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤鑒別有最高效能，其AUC值為0.58(95% confidence interval，CI：0.44～0.70)，敏感性和特異度分別為39.02%(95%CI：24.2%～55.5%)和88.24%(95%CI：72.5%～96.7%)。半定量分析AUC值明顯低于3種機(jī)器學(xué)習(xí)模型，具有統(tǒng)計(jì)學(xué)差異(表5)。

表3 圖像特征的單因素分析結(jié)果

Tab.3 Univariate analysis results of image features

圖像特征參量轉(zhuǎn)移瘤膠質(zhì)瘤PFirst order Energy-0.03±1.040.14±1.030.03Shape Sphericity0.08±1.12-0.11±0.970.03Shape Minor Axis-0.10±0.950.18±1.06<0.01Shape Elongation-0.22±1.000.11±0.98<0.01Shape Surface Volume Ratio0.19±1.14-0.09±0.96<0.01Shape Volume-0.03±1.040.14±1.030.03Shape Maximum 2D Diameter Column-0.10±0.920.22±1.07<0.01Short Run Low Gray Level Emphasis0.14±1.010.01±1.050.04Long Run Emphasis-0.14±0.950.13±1.06<0.01Short Run Emphasis0.14±1.010.01±1.050.04Long Run High Gray Level Emphasis-0.14±0.950.13±1.06<0.01Run Percentage0.19±1.13-0.09±0.97<0.01Long Run Low Gray Level Emphasis-0.14±0.950.13±1.06<0.01Run Entropy-0.07±1.090.13±0.960.03Dependence Non Uniformity-0.09±0.910.14±1.16<0.01Gray Level Non Uniformity-0.03±1.040.14±1.030.03Small Dependence Emphasis0.05±0.730.01±1.30<0.01Small Dependence High Gray Level Emphasis0.05±0.730.01±1.3<0.01圖像特征參量轉(zhuǎn)移瘤膠質(zhì)瘤PDependence Non Uniformity Normalized-0.09±0.920.12±1.120.02Large Dependence Emphasis-0.16±1.070.12±0.98<0.01Small Dependence Low Gray Level Emphasis0.05±0.730.01±1.3<0.01Large Area Emphasis0.00±1.050.11±1.070.03Zone Percentage0.10±1.06-0.05±1.090.04Large Area Low Gray Level Emphasis0.00±1.050.11±1.070.03Aspect ratio-0.04±1.170.05±0.90<0.01Solidity-0.12±0.97-0.03±1.080.02Mean val0.33±1.13-0.23±0.9<0.01Eccentricity-0.28±1.070.04±1.01<0.01Angular second moment0.03±1.04-0.14±1.020.03Contrast0.39±1.37-0.17±0.66<0.01Sum variance0.31±1.34-0.13±0.75<0.01Sum entropy-0.02±1.060.13±1.010.04Entropy-0.01±1.060.13±1.010.04Difference variance-0.13±1.090.07±0.97<0.01Info measure of correlation 2-0.07±1.070.13±0.980.02

表4 機(jī)器學(xué)習(xí)ROC分析結(jié)果

Tab.4 ROC analysis of machine learning methods

方法訓(xùn)練集(n=423)AUC敏感性特異度測(cè)試集(n=224)AUC敏感性特異度SVM0.79(0.75～0.83)70.88%(65.0%～76.3%)77.13%(70.5%～82.9%)0.71(0.64～0.77)66.06%(56.4%～74.9%)70.79%(60.2%～80.0%)Logistic回歸0.77(0.73～0.81)73.18%(67.4%～78.5%)71.81%(64.8%～78.1%)0.67(0.60～0.73)54.13%(44.3%～63.7%)74.16%(63.8%～82.9%)樸素貝葉斯0.72(0.67～0.76)75.10%(69.4%～80.2%)60.64%(53.3%～67.7%)0.62(0.55～0.69)63.30%(53.5%～72.3%)55.06%(44.1%～65.6%)

()內(nèi)表示95% confidence interval(CI)；ROC: receiver operating characteristic；SVM: support vector machine。

表5 機(jī)器學(xué)習(xí)與半定量分析AUC比較

Tab.5 AUC comparison of machine learning and semiquantification methods

方法SVMLogistic回歸樸素貝葉斯nSI半定量SVM-Z=1.96,P=0.04Z=2.52,P=0.01Z=3.15,P<0.01Logistic回歸Z=1.96,P=0.04-Z=1.68,P=0.09Z=2.92,P<0.01樸素貝葉斯Z=2.52,P=0.01Z=1.68,P=0.09-Z=2.09,P=0.04nSI半定量Z=3.15,P<0.01Z=2.92,P<0.01Z=2.09,P=0.04-

AUC: area under the curve; SVM: support vector machine。

圖3 機(jī)器學(xué)習(xí)訓(xùn)練集(A)和測(cè)試集(B)ROC分析

Fig.3 ROC analysis of machine learning training set (A) and test set (B)

表6 不同醫(yī)師測(cè)量nSI數(shù)據(jù)的比較

Tab.6 Comparison of nSI data measured by different doctors

疾病觀察者1觀察者2P轉(zhuǎn)移瘤2.52±0.552.45±0.450.18膠質(zhì)瘤2.75±0.762.47±0.450.09合計(jì)2.64±0.682.46±0.450.19

3 討 論

機(jī)器學(xué)習(xí)是人工智能的核心，可以模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，獲取新的知識(shí)或技能并重新構(gòu)建模型，使之不斷改善自身的性能，目前已應(yīng)用于諸多領(lǐng)域[5]。在本研究中，我們?cè)噲D研究基于T2WI圖像特征的機(jī)器學(xué)習(xí)在鑒別高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤中的價(jià)值，研究結(jié)果發(fā)現(xiàn)，SVM、樸素貝葉斯和Logistic回歸3種機(jī)器學(xué)習(xí)模型診斷效能均高于臨床醫(yī)師半定量分析結(jié)果；同時(shí)，相比其他兩種機(jī)器學(xué)習(xí)算法，SVM具有一定的優(yōu)勢(shì)。

眾所周知，高級(jí)別膠質(zhì)瘤病灶周圍水腫是因?yàn)檠茉葱运[和瘤周浸潤共同形成，而腦單發(fā)轉(zhuǎn)移瘤是由于血管源性水腫引起[2]，二者疾病在影像學(xué)上的表現(xiàn)具有一定差異，但臨床醫(yī)師肉眼分辨較為困難。相反，圖像紋理等特征可以提供更高維度的定量數(shù)據(jù)及信息，已被證明應(yīng)用于疾病診斷、預(yù)后和治療決策等具有一定的臨床價(jià)值[9]。因此，本文對(duì)眾多圖像特征進(jìn)行了單因素分析，最終發(fā)現(xiàn)形態(tài)學(xué)、灰度相關(guān)的特征在鑒別高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤中具有重要意義，這與先前文獻(xiàn)報(bào)道一致[6-7,10]，證明圖像紋理和形態(tài)學(xué)等特征可以在影像圖像上觀測(cè)出不同疾病的細(xì)小差異，為疾病鑒別診斷提供了更多幫助。最終我們將篩選出來的特征進(jìn)行機(jī)器學(xué)習(xí)模型構(gòu)建，進(jìn)一步觀察不同機(jī)器學(xué)習(xí)方法對(duì)高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤的鑒別能力。

通過機(jī)器學(xué)習(xí)訓(xùn)練和測(cè)試，我們發(fā)現(xiàn)3種機(jī)器學(xué)習(xí)模型中基于SVM的診斷效能最高，這是因?yàn)镾VM的優(yōu)勢(shì)是生成非線性決策邊界，使用線性分類器設(shè)計(jì)的方法，利用目標(biāo)函數(shù)與數(shù)據(jù)集之間的關(guān)系，實(shí)現(xiàn)數(shù)據(jù)依賴結(jié)構(gòu)風(fēng)險(xiǎn)最小化，而不依賴于數(shù)據(jù)集的維度，同時(shí)可以容忍數(shù)據(jù)集中的噪聲和模糊值[11]。因此，可以在T2WI紋理和形態(tài)學(xué)特征中訓(xùn)練出較穩(wěn)定的模型。相比SVM，Logistic回歸和樸素貝葉斯訓(xùn)練的模型診斷效能較低，這是因?yàn)長(zhǎng)ogistic回歸是一種廣義線性回歸模型，它與線性回歸模型的形式基本相同。可以通過訓(xùn)練獲得模型的邏輯概率，但Logistic回歸不能處理多重共線性的問題，同時(shí)對(duì)連續(xù)變量異常值比較敏感，因此其結(jié)果容易受數(shù)據(jù)質(zhì)量的影響[12]。樸素貝葉斯在分類中雖然使用的是零損失函數(shù)，可以將錯(cuò)誤定義為錯(cuò)誤預(yù)測(cè)的數(shù)量，不會(huì)懲罰不準(zhǔn)確的概率估計(jì)，只將最大概率分配給正確的類，但其潛在條件是屬性之間的獨(dú)立性假設(shè)，這在復(fù)雜的醫(yī)學(xué)數(shù)據(jù)集中較難實(shí)現(xiàn)[13]，從而影響結(jié)果。因此，SVM算法在高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤的鑒別中具有一定的優(yōu)勢(shì)。本結(jié)果和TSOLAKI[13]的報(bào)道一致。但由于其屬于黑箱算法，可解釋性較差，因此在臨床應(yīng)用中仍有一定的局限性。鑒于Logistic回歸方法的可解釋性強(qiáng)，在疾病診斷和因素分析中仍具有重要價(jià)值。

本研究還對(duì)數(shù)據(jù)進(jìn)行了醫(yī)師半定量ROC分析，最終nSI閾值為2.78時(shí)具有最大鑒別能力，與之前文獻(xiàn)報(bào)道的2.88基本一致[2]，但診斷效能明顯低于以往文獻(xiàn)的報(bào)道[2]。其原因可能有以下兩點(diǎn)：①瘤周水腫區(qū)ROI選擇位置影響其診斷結(jié)果。有文獻(xiàn)報(bào)道，ROI越接近瘤體，其結(jié)果越有利于鑒別兩種疾病[2]，而我們?cè)诨赥2WI勾畫ROI時(shí)對(duì)其選擇只能盡量靠近瘤體，醫(yī)師主觀的判斷會(huì)影響結(jié)果的準(zhǔn)確性。②本組病理納入了WHOⅢ、Ⅳ兩級(jí)膠質(zhì)瘤，而之前的報(bào)道僅包含膠質(zhì)母細(xì)胞瘤[2]，可能是WHOⅢ級(jí)膠質(zhì)瘤的納入影響了結(jié)果，但這需要更多數(shù)據(jù)進(jìn)行驗(yàn)證。最后，本研究還將醫(yī)師半定量分析結(jié)果與機(jī)器學(xué)習(xí)方法進(jìn)行了對(duì)比，發(fā)現(xiàn)醫(yī)師半定量方法的診斷效能明顯低于3種機(jī)器學(xué)習(xí)方法，這進(jìn)一步證明T2WI圖像特征機(jī)器學(xué)習(xí)在鑒別高級(jí)別膠質(zhì)瘤和單發(fā)轉(zhuǎn)移瘤中具有一定優(yōu)勢(shì)，當(dāng)然仍需要大樣本來進(jìn)一步提高其診斷效能，為臨床術(shù)前診斷提供幫助。

本研究除了回顧性分析的局限性外，還有以下4點(diǎn)局限性：①本研究沒有加入T1WI和增強(qiáng)圖像進(jìn)行分析，畢竟T1WI、T2WI和增強(qiáng)檢查是顱內(nèi)疑似腫瘤患者首選的檢查方案[14]，T2WI聯(lián)合增強(qiáng)圖像機(jī)器學(xué)習(xí)或許能進(jìn)一步提高模型的診斷效能，我們將進(jìn)一步研究。②本研究所獲得的圖像來自本院不同的磁共振設(shè)備，可能會(huì)引起結(jié)果偏倚，但是本文在圖像處理前對(duì)所有圖像進(jìn)行了灰度和矩陣的歸一化，從而降低了因設(shè)備不同而引起的差異[8]。③本研究納入的樣本量較少，其機(jī)器學(xué)習(xí)模型可能不是最優(yōu)模型，但是本文對(duì)T2WI全瘤逐層進(jìn)行了分析，病變層數(shù)的增加或許可以提高模型的診斷效能。當(dāng)然，我們?nèi)孕枰嗟臄?shù)據(jù)對(duì)模型進(jìn)行不斷訓(xùn)練，從而不斷提高其分類的準(zhǔn)確性。④本研究?jī)H討論了3種機(jī)器學(xué)習(xí)算法，下一步我們將探索更多的機(jī)器學(xué)習(xí)算法，以期進(jìn)一步提高機(jī)器學(xué)習(xí)對(duì)顱內(nèi)高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤的鑒別能力。

綜上所述，T2WI水腫圖像特征機(jī)器學(xué)習(xí)模型在術(shù)前鑒別高級(jí)別膠質(zhì)瘤和腦單發(fā)轉(zhuǎn)移瘤中具有一定優(yōu)勢(shì)，但也有局限性，仍需更多的研究證明其診斷價(jià)值并規(guī)范其臨床應(yīng)用，其中SVM模型更具潛力。