基于LASSO筛选特征的MRI多序列影像组学模型构建与优化研究：方法、挑战与实践
摘要
本研究旨在通过LASSO回归方法筛选特征，结合逻辑回归构建MRI多序列影像组学预测模型，并引入RADscore评分系统。研究对比了T2加权成像、DWI、T1增强及多参数MRI四种模型性能，通过单因素和多因素分析筛选临床影像学特征，最终构建临床模型、最佳影像组学模型及联合模型。面对数据质量挑战，本研究详细阐述了统计方法优化策略、版本选择及一周内可实施的数据处理方案。研究要求所有模型AUC值均高于0.5，多序列联合模型AUC达到0.8以上，训练集与测试集AUC差异不超过0.1，同时满足临床对比无统计学意义的要求。
关键词：影像组学；LASSO回归；逻辑回归；多序列MRI；RADscore；模型验证
1. 研究背景与意义
影像组学作为医学影像分析的前沿领域，通过从医学图像中提取大量定量特征，构建预测模型，为临床决策提供客观依据。多参数MRI结合了不同序列的互补信息，在肿瘤诊断、疗效评估和预后预测中展现出独特优势。然而，高维特征与小样本量之间的矛盾、模型过拟合风险以及临床可解释性不足等问题制约着影像组学模型的临床应用。
本研究针对上述挑战，采用LASSO（Least Absolute Shrinkage and Selection Operator）回归进行特征筛选，结合逻辑回归构建预测模型。LASSO回归通过L1正则化将部分特征系数压缩至零，实现特征自动选择，避免维度灾难。特别的是，本研究将LASSO特征筛选置于建模流程的最后阶段，确保所选
