[Application of Automated Machine Learning Based on Radiomics Features of T2WI and RS-EPI DWI to Predict Preoperative T Staging of Rectal Cancer].

目的  探讨基于磁共振T2加权成像（T2 weighted image, T2WI）和分段读出平面回波成像（readout-segmented EPI, RS-EPI）与扩散加权成像（diffusion weighted image, DWI）的影像组学特征，通过开发和验证自动化机器学习模型，预测直肠癌术前病理T分期的价值。 方法  回顾性分析2016年10月−2018年12月经手术病理结果证实为直肠癌且在我院行术前直肠磁共振的患者131例。采用ITK-SNAP软件从T2WI和RS-EPI DWI图像中手动分割出肿瘤区域。使用PyRadiomics包提取出200个特征〔100个特征来自于T2WI，100个特征来自RS-EPI DWI的表观弥散系数（apparent diffusion coefficient, ADC）图〕。使用mwmote与neater重采样均衡数据，加入13例T1-2期模拟数据。根据3∶1的比例将总体数据分割成训练集111例和测试集37例。在训练集上使用Tree-based Pipeline Optimization Tool（TPOT）最优化模型参数并选取最重要的组学特征建模，得到5个互相独立的T分期模型。使用准确率和受试者工作特征（ROC）曲线下面积（area under the curve, AUC）筛选出最优模型。在测试集和原数据集上预测直肠癌T分期。 结果  自动化机器学习推荐的5个T分期模型，在训练集上的准确率为0.802～0.838，敏感度为0.762～0.825，特异度为0.833～0.896，AUC范围为0.841～0.893，average precision（AP）范围为0.870～0.901。经过对比后，最终选择的模型的敏感度、特异度、AUC，在训练集上为0.810、0.875、0.893，在测试集上为0.810、0.813、0.810，在原始数据集上为0.810、0.830、0.860。 结论  基于T2WI和RS-EPI DWI的影像组学数据，通过自动化机器学习建立的模型在预测直肠癌T分期上有较高的准确率。