研究背景神经母细胞瘤(Neuroblastoma,NB)是1岁以内儿童最常见的恶性肿瘤。NB的临床表现差异很大,从没有任何临床症状的肿块,到局部占位导致的临床症状,或因转移和副肿瘤综合征出现相关并发症等。在NB中,骨髓转移在分期上往往意味着进入高危组,尽管目前NB的整体治疗强度已大幅度上升,但高危NB的5年无事件生存率和总生存率并无明显改善。目前骨髓活检仍是NB骨髓转移诊断的金标准,但这不仅有创,而且不便对NB进行随时的监测,甚至有假阴性的可能。因此寻求一种能够随时识别NB骨髓转移的无创的、便捷的检查方法,成为NB监测及治疗上的重点。影像组学具备从医学影像中提取高通量信息的能力,目前越来越多的影像组学模型应用在肿瘤预测、诊断、预后和转移方面,甚至用于基因组学、Secretase抑制剂转录组学或蛋白质特征方面。而磁共振成像(Magnetic Resonance Imaging,MRI)在肿瘤的骨髓疾病和监测治疗反应方面起重要作用,这启示了MRI影像组学在检测NB骨髓转移上具有可行性。研究目的通过回顾性收集较大样本NB的MRI影像学资料,建立一个基于MRI影像的NB骨髓转移的预测模型。研究方法1.回顾性收集于2014年09月至2021年08月之间在广州市妇女儿童医疗中心429名病理确诊NB的患者MRI影像,并根据入院时间的先后顺序按照7:3的比例分为训练集和验证集。2.用3D Slicer在MRI图像上对NB的兴趣区域(Reg获悉更多ion of interests,ROI)进行圈注。3.通过3D Slicer软件从圈注区域中提取MRI影像组学特征。4.通过t检验筛选出具有统计学意义的影像组学特征。5.用不同机器学习方法构建影像组学模型,最后验证模型的性能并进行统计学分析。研究结果1.根据纳入排除标准,最终纳入98名患者的MRI影像,其中训练集68名,验证集30名。2.根据受试者工作特征曲线(Receiver Operator Characteristics,ROC),最终确定三个性能最佳的模型为多层感知机模型(Multilayer Perceptron,MLP)、随机森林模型(Random Forest,RF)以及逻辑回归模型(Logistic Regression,LR)。即对于曲线下面积(Areas Under the Curve,AUC),MLP表现最好(验证集:0.77;训练集:0.90),RF表现稍差(验证集:0.76;训练集:0.89),LR表现最poorly absorbed antibiotics差(验证集:0.74;训练集:0.76)。3.3种模型的10折交叉系数,MLP:0.96±0.07,RF:0.96±0.08,LR:0.95±0.07,结果基本相同,准确性都比较稳定;根据F1值,训练集MLP:0.85,RF:0.87,LR:0.79;验证集:MLP:0.70,RF:0.77,LR:0.73,3种模型均具有较好的预测能力。4.根据校准曲线图,3种模型的Brier得分在0.094-0.191之间,在预测骨髓转移方面均具有较好的适应性。5.对3种模型的转移和非转移预测概率进行t检验,MLP模型更能预测NB的骨髓转移。在训练集中,P<0.001;在验证集中,P<0.05。结论我们基于MRI开发了13种机器学习影像组学模型来预测NB的骨髓转移,其中MLP模型在验证集中的表现最好(AUC=0.77)。基于机器学习和影像组学的预测模型为进一步帮助医生制定个性化的诊断策略提供可能,从而提高患者的生活质量,降低患者的死亡风险。