基于临床联合CT影像组学特征列线图预测急性胰腺炎预后

目的 观察基于临床联合CT影像组学特征构建的联合模型列线图预测急性胰腺炎（AP）预后的价值。方法 回顾性分析203例临床首诊AP患者的临床及上腹部CT资料,按7 ： 3比例将其分为训练集（n=142）和验证集（n=61）,基于增强静脉期CT提取并筛选最优影像组学特征,计算影像组学评分Radscore;根据预后分为预后良好组（n=114）与预后不良组（n=89）。将临床变量（包括临床及CT表现）及Radscore纳入单因素和多因素逻辑回归分析,筛选影响AP预后的独立危险因素;构建临床、影像组学和联合模型,以受试者工作特征（ROC）曲线评价其预测AP预后的效能;以联合模型预测指标构建列线图,结合校准曲线评估其校准度。结果 共筛选出7个最优影像组学特征用于计算Radscore,其中C反应蛋白、糖尿病史和Radscore为影响AP预后的独立危险因素。联合模型预测训练集及验证集AP预后的AUC （0.84、0.82）均高于临床模型（0.71、0.66,Z=3.12、2.71,P均<0.05）;其预测训练集的AUC （0.84）高于影像组学模型（0.76,Z=2.39,P=0.02）,预测验证集的AUC （0.82）与影像组学模型（0.81）差异无统计学意义（Z=0.08,P>0.05）。校正曲线显示联合模型列线图的校准度良好。结论 基于临床联合CT影像组学特征列线图可有效预测AP预后。     

增强CT模型及影像组学模型预测肾透明细胞癌WHO/ISUP分级

目的 比较增强CT模型与影像组学模型预测肾透明细胞癌（ccRCC）WHO/ISUP分级的效能。方法 回顾性分析131例经病理确诊ccRCC患者,按照3 ∶ 2比例分层抽样分为训练集（n=78）和验证集（n=53）。根据2016版肾癌WHO/ISUP病理分级标准,以Ⅰ~Ⅱ级为低级别、Ⅲ~Ⅳ级为高级别ccRCC。训练集55例低级别、23例高级别ccRCC;验证集37例低级别、16例高级别ccRCC。以训练集构建增强CT模型及影像组学模型预测ccRCC级别,于验证集加以验证,比较其诊断效能。结果 增强CT模型在训练集及验证集预测高、低级别ccRCC的曲线下面积（AUC）分别为0.89及0.76,敏感度分别0.83及0.56,特异度分别为0.84及0.87;影像组学模型的AUC分别为0.98及0.85,敏感度分别0.96及0.91,特异度分别为0.75及0.84。训练集中影像组学模型的AUC大于增强CT模型（Z＝2.05,P<0.05）,验证集中二者AUC差异无统计学意义（Z＝0.95,P=0.34）。决策曲线分析结果显示高风险概率阈值为0.08~1.00时,影像组学模型净获益高于增强CT模型。结论 影像组学模型预测ccRCC WHO/ISUP分级的效能优于增强CT模型。     

基于CT影像组学术前预测胃癌淋巴血管侵犯

目的 探讨基于CT影像组学术前预测胃癌淋巴血管侵犯的价值。方法 回顾性收集经手术病理证实的181例胃癌患者,将其随机分为训练集（n=120）和验证集（n=61）。首先基于增强CT静脉期图像分割肿瘤区域并提取影像组学特征;然后利用训练集筛选与淋巴血管侵犯相关特征,构建影像组学标签;最后基于验证集验证模型,采用ROC曲线及校准曲线评估模型的预测效能及拟合度。结果 最终提取7个与胃癌淋巴管血管侵犯最相关的影像组学特征构建影像组学标签,其在训练集的ROC曲线AUC为0.742[P=0.001,95%CI（0.652,0.831）],验证集AUC为0.727[P=0.002,95%CI（0.593,0.853）]。基于训练集所得最优阈值为0.422,模型在训练集中的准确率、敏感度和特异度分别为0.708、0.586、0.806,将此阈值用于验证集,其准确率、敏感度和特异度为0.689、0.519、0.824。校准曲线显示影像组学标签在训练集及验证集均具有较好的拟合度（P均>0.05）。结论 CT影像组学可作为预测胃癌术前淋巴血管侵犯提供的全新的无创影像学方法。     

灰阶超声影像组学鉴别诊断皮下组织血管瘤与卡波西型血管内皮瘤

目的 观察灰阶超声影像组学鉴别诊断皮下组织血管瘤（HE）与卡波西型血管内皮瘤（KHE）的价值。方法 回顾性分析143例皮下组织HE和70例KHE共252处病灶,按7：3比例将病灶随机分为训练集（n=176）和验证集（n=76）;提取病灶灰阶超声影像组学特征,构建影像组学模型,结合临床资料建立联合模型,观察各模型鉴别诊断皮下组织HE与KHE的效能。结果 共选取22个系数非零的稳定特征。影像组学模型鉴别训练集皮下组织HE与KHE的曲线下面积（AUC）、准确率、敏感度、特异度、阳性预测值及阴性预测值分别为0.91[95%CI（0.89,0.93）]、91.41%、83.20%、93.92%、95.79%及89.00%;用于验证集分别为0.85[95%CI（0.83,0.87）]、90.78%、79.32%、97.90%、96.71%及88.68%。联合模型鉴别训练集皮下组织HE与KHE的AUC、准确率、敏感度、特异度、阳性预测值及阴性预测值分别为0.94[95%CI（0.92,0.96）]、94.33%、90.77%、96.38%、94.23%及94.90%;用于验证集分别为0.90[95%CI（0.88,0.92）]、92.14%、85.69%、95.76%、93.33%及92.30%。联合模型鉴别诊断皮下组织HE与KHE的AUC均大于影像组学模型（P均<0.05）。结论 灰阶超声影像组学鉴别诊断皮下组织HE与KHE的效能较佳;联合临床特征可进一步提高其诊断效能。     

基于增强CT影像组学术前预测胃腺癌淋巴结转移

目的 观察增强CT影像组学模型术前预测胃腺癌淋巴结转移（LNM）的价值。方法 回顾性分析193例经术后病理证实的单发胃腺癌的腹部双期增强CT资料,将其分为训练集（n=97）和验证集（n=96）,比较LNM （+）与LNM （－）肿瘤CT表现的差异。分别于增强动脉期和静脉期CT提取病灶影像组学特征,构建相应影像组学标签;将单因素分析有统计学意义的CT参数及其影像组学标签纳入多因素logistic回归分析,筛选胃腺癌LNM的独立预测因素,分别建立临床模型及影像组学列线图。采用受试者工作特征（ROC）曲线评估各模型预测胃腺癌LNM的效能,计算曲线下面积（AUC）,比较其差异。结果 训练集含54例LNM （+）和43例LNM （－）,验证集含58例LNM （+）和38例LNM （－）。LNM （+）患者肿瘤厚度和阳性淋巴结占比均高于LNM （－）者（P均<0.05）。肿瘤厚度及淋巴结状态均为LNM的独立预测因素（P均<0.01）并用于构建临床模型。淋巴结状态和静脉期影像组学标签是胃腺癌LNM的独立预测因素（P均<0.01）,以之构建的影像组学列线图在训练集和验证集中的AUC分别为0.810和0.778,与临床模型AUC差异均无统计学意义（0.772、0.762,Z=1.11、0.27,P=0.27、0.78）。结论 基于增强CT影像组学模型术前预测胃腺癌LNM效能较佳。     

增强动脉期CT影像组学特征联合临床术前预测胃癌脉管浸润

目的 观察增强动脉期CT影像组学特征联合临床术前预测胃癌脉管浸润(LVI)的价值。方法 回顾性纳入298例胃癌患者,根据是否伴LVI将其分为阳性组(n=155)及阴性组(n=143),并按7 ∶ 3比例分为训练集(n=208)及测试集(n=90)。基于增强动脉期CT图提取病灶影像组学特征,采用logistic回归分析筛选胃癌LVI的临床影响因素;分别采用支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)及极端梯度提升树(XGBoost)建立影像组学模型、临床模型及临床-影像组学模型,评估各模型预测胃癌LVI的效能。结果 以SVM、LR、RF及XGBoost建立的影像组学模型预测训练集胃癌LVI的曲线下面积(AUC)分别为0.896、0.821、1.000及1.000,其在测试集的AUC分别为0.744、0.801、0.740及0.747。基于4种机器学习建立的临床模型在训练集的AUC均为0.810,在测试集均为0.840。基于SVM、LR、RF及XGBoost建立的临床-影像组学模型预测训练集胃癌LVI的AUC分别为0.920、0.900、1.000及1.000,其在测试集的AUC分别为0.900、0.890、0.840及0.790。测试集中,基于SVM、LR及RF的临床-影像组学模型的AUC均大于影像组学模型和临床模型(P均＜0.05)。结论 增强动脉期CT影像组学联合临床有助于术前预测胃癌LVI。     

基于双能量CT影像组学模型术前预测进展期胃腺癌短径 ≥ 0.6 cm淋巴结转移

目的 分析基于双能量CT影像组学模型术前预测进展期胃腺癌短径≥0.6 cm淋巴结转移（LNM）的价值。方法 回顾性分析经手术切除的进展期胃腺癌患者，根据病理结果纳入36例pN3期114枚转移淋巴结（转移组）和26例pN0期65枚非转移淋巴结（非转移组），入组淋巴结短径均≥0.6 cm，将淋巴结分为训练集（n=125）和验证集（n=54）。对比组间原发肿瘤及淋巴结CT特征，采用广义估计方程（GEE）构建临床模型。提取静脉期融合图和碘图中的淋巴结影像组学特征，以组内相关系数（ICC）检验和Boruta算法筛选特征，构建影像组学模型，采用受试者工作特征（ROC）曲线和决策曲线分析（DCA）评价模型的诊断效能和临床收益。结果 单因素及多因素GEE分析显示，原发肿瘤部位及最大径、淋巴结边缘及脂肪分数为LNM独立预测因素（P均<0.05），以之构建的临床模型预测训练集和验证集LNM的曲线下面积（AUC）分别为0.74和0.76。经ICC检验（ICC>0.8）及Boruta算法筛选，最终保留27个影像组学特征；以之建立的影像组学模型预测训练集和验证集LNM的AUC分别为0.99和0.98，均高于临床模型（P均<0.01），且临床收益更优。结论 基于双能量CT影像组学模型术前预测进展期胃腺癌短径≥0.6 cm LNM具有较高价值。     

超声影像组学预测雌激素受体及孕激素受体双阴性乳腺癌

目的 观察超声影像组学预测雌激素受体(ER)及孕激素受体(PR)双阴性乳腺癌的价值。方法 回顾性分析经病理确诊的342例乳腺癌359个病灶,326例可见单发、16例见多发病灶;其中119例见127个ER(-)PR(-)病灶、223例见232个其他病灶[36例共36个ER(+)PR(-)、2例共2个ER(-)PR(+)、185例共194个ER(+)PR(+)病灶];按照7∶3比例将病灶分为训练集(n=251)和测试集(n=108)。基于术前超声资料提取1 314个病灶影像组学特征,经预处理后获得1 205个特征;采用最小绝对收缩和选择算子(LASSO)算法筛选最佳影像组学特征,并利用支持向量机以训练集数据进行训练,构建预测ER及PR双阴性乳腺癌的影像组学模型;绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评估模型的诊断效能。结果 共筛选出37个最佳影像组学特征,以之构建的影像组学模型预测训练集和测试集ER及PR双阴性乳腺癌的AUC分别为0.872[95%CI(0.820,0.924)]和0.867[95%CI(0.798,0.936)]。结论 超声影像组学可有效预测ER及PR双阴性乳腺癌。     

临床、CT影像组学及融合模型预测肝细胞癌分化程度

目的 评价临床、CT影像组学及融合模型预测肝细胞癌（HCC）分化程度的可行性。方法 纳入330例HCC患者,根据病理所见分化程度分为高分化组（n=85）、中分化组（n=161）及低分化组（n=84）,比较组间临床资料及CT征象差异。按3∶1比例随机将各组分为训练集及测试集。提取训练集CT影像组学特征,构建临床模型、影像组学模型及融合模型。绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评估各模型鉴别不同分化程度HCC的效能。结果 共纳入352个CT影像组学特征,109个来自高、中分化HCC,84个来自中、低分化HCC,159个来自高、低分化HCC。临床模型鉴别高、低分化HCC的AUC为0.85;CT影像组学模型鉴别高分化与中、低分化HCC的AUC分别为0.80及0.79;融合模型鉴别高、低分化HCC的AUC为0.88。结论 临床、CT影像组学及融合模型预测高、低分化HCC的效能均较高。CT影像组学模型可较好地预测高、中分化HCC。     

瘤内及瘤周表观弥散系数影像组学特征预测髓母细胞瘤患儿预后

目的 观察瘤内及瘤周表观弥散系数（ADC）影像组学特征预测髓母细胞瘤（MB）患儿预后的价值。方法 回顾性分析74例MB患儿资料,根据术后2年随访结果将其分为进展组（n=29）及无进展组（n=45）,并按6：4比例分为训练集（n=44）或验证集（n=30）。基于ADC图提取并筛选瘤内及瘤周影像组学特征,分别建立瘤内、瘤周及瘤内+瘤周影像组学模型,并以之结合临床及常规影像学特征建立联合模型;比较各模型预测MB患儿预后的效能。结果 训练集中,临床-常规影像-瘤周影像组学模型、临床-常规影像-瘤内+瘤周影像组学模型曲线下面积（AUC）均大于单一瘤周影像组学模型（P均<0.05）;验证集中,临床-常规影像学-瘤内+瘤周影像组学模型的AUC最大,但与其他模型差异均无统计学意义（P均>0.05）。结论 瘤内及瘤周ADC影像组学特征可用于预测MB患儿预后;联合临床及常规影像学特征或有助于提高预测效能。     

123I-MIBG及123I-FP-CIT SPECT/CT显像鉴别诊断帕金森病与非典型帕金森综合征:Meta分析

目的 采用Meta分析评价¹²³I-间碘苄胍（¹²³I-MIBG）及N-氟丙基-2b-甲酯基-3b-（4-¹²³I-碘苯基）降托烷（¹²³I-FP-CIT） SPECT/CT显像鉴别诊断帕金森病（PD）与非典型帕金森综合征（APS）的价值。方法 检索PubMed、EMbase、Ovid EBMR、Cochrane Library及中国知网、万方医学网、维普数据库中2000年1月—2020年10月有关¹²³I-MIBG及¹²³I-FP-CIT SPECT/CT显像鉴别PD与APS的文献。筛选文献后,根据显像结果将¹²³I-MIBG SPECT/CT分为早期及延迟显像,评价其鉴别PD与APS的效能;采用Stata 16.0和Metadisc 1.4软件行Meta分析。结果 共纳入20篇文献,包括1 106例PD及365例APS患者。¹²³I-MIBG显像鉴别诊断PD与APS无明显阈值效应（r=0.58,P<0.05）,而¹²³I-FP-CIT存在阈值效应引起的异质性（r=0.89,P<0.01）;二者鉴别诊断PD与APS均存在非阈值效应引起的中高度异质性（I²均>50%）;¹²³I-MIBG早期及延迟显像鉴别诊断PD与APS均有较高异质性（I²均>50%）,故均以双变量混合效应模型分析数据。¹²³I-MIBG及¹²³I-FP-CIT SPECT/CT显像鉴别诊断PD与APS的合并敏感度分别为0.82[95%CI（0.76,0.86）]及0.90[95%CI（0.84,0.94）],合并特异度分别为0.84[95%CI（0.68,0.93）]及0.27[95%CI（0.12,0.50）],综合受试者工作特征（SROC）显示其AUC分别为0.87及0.81;¹²³I-MIBG SPECT/CT早期及延迟显像鉴别诊断PD与APS的合并敏感度分别为0.74[95%CI（0.63,0.82）]及0.82[95%CI（0.77,0.87）],合并特异度分别为0.94[95%CI（0.78,0.98）]及0.79[95%CI（0.61,0.90）],SROC的AUC均为0.86。结论 ¹²³I-MIBG及¹²³I-FP-CIT SPECT/CT显像可互为补充用于鉴别诊断PD与APS;¹²³I-MIBG早期及延迟显像的鉴别效能均较高。     

基于CT影像组学模型鉴别肾乏脂肪血管平滑肌脂肪瘤与均质肾透明细胞癌

目的 基于增强CT影像组学特征联合临床特征建立综合模型，验证其术前鉴别肾乏脂肪血管平滑肌脂肪瘤（fp-AML）与均质肾透明细胞癌（hd-ccRCC）的效能。方法 回顾性分析经病理证实的32例fp-AML与39例hd-ccRCC。在增强CT皮质期、实质期及排泄期图像手工勾画肿瘤ROI，提取影像特征，计算观察者间及观察者内组内相关系数（ICC），采用LASSO回归进行特征选择，通过Logistic多元回归分析构建回归方程，并计算皮质期、实质期、排泄期及三期联合的影像组学得分。通过Logistic多元回归分析建立综合模型，并绘制列线图。采用Hosmer-Lemeshow拟合优度检验评价列线图的拟合度，以ROC曲线分析检测列线图的鉴别效能，以决策曲线评价列线图鉴别fp-AML和hd-ccRCC的净获益。结果 自各期图像中提取出包括强度、形状、纹理、图像滤波在内共1 029个特征，对ICC均>0.75的特征进行LASSO选择，分别于皮质期、实质期、排泄期和三期联合获得6、6、5和7个有鉴别意义的特征，AUC分别为0.83[95%CI（0.73，0.92）]、0.80[95%CI（0.70，0.91）]、0.78[95%CI（0.68，0.89）]和0.86[95%CI（0.77，0.95）]。基于三期联合影像组学得分和临床特征的列线图的AUC为0.90[95%CI（0.81，0.99）]，以之术前鉴别fp-AML和hd-ccRCC可获得较满意的诊断净获益。结论 通过列线图表示基于增强CT影像组学特征联合临床特征建立的综合模型术前鉴别fp-AML与hd-ccRCC具有较高诊断效能，有助于术前定性诊断肾肿瘤。     

临床及CT影像组学特征预测胃癌微卫星高度不稳定状态

目的 观察临床和CT影像组学特征用于预测胃癌微卫星高度不稳定(MSI-H)状态的价值。方法 纳入150例胃癌患者,MSI-H阳性30例、阴性120例;按7∶3比例将其分为训练集(n=105)和验证集(n=45)。基于腹部静脉期增强CT图提取病灶影像组学特征并加以筛选,计算影像组学评分(Radscore);比较训练集和验证集MSI-H阳性与阴性患者临床资料及Radscore差异;分别基于其间差异有统计学意义的临床因素和Radscore构建临床模型、CT影像组学模型及临床-CT影像组学联合模型,评估其预测胃癌MSI-H状态的价值。结果 训练集和验证集中,MSI-H阳性与阴性肿瘤位置、Radscore差异均有统计学意义(P均<0.05)。临床模型、CT影像组学模型及联合模型评估训练集胃癌MSI-H状态的曲线下面积(AUC)分别0.760、0.799及0.864,在验证集分别为0.735、0.812及0.849;联合模型的AUC大于2种单一模型(P均<0.05)。结论 基于肿瘤位置和Radscore的临床-CT影像组学联合特征可有效预测胃癌MSI-H状态。     

基于CT影像组学结合机器学习模型预测食管胃结合部腺癌人表皮生长因子受体2状态

目的 评估基于C T影像组学结合机器学习模型术前预测食管胃交界处腺癌(A EG)人表皮生长因子受体2(HER2)状态的价值.方法 回顾性分析101例经术后病理证实的AEG患者,按7:3比例将其分为训练集(n=70)和验证集(n=31).基于门静脉期增强CT提取AEG影像组学特征,以最小绝对值选择与收缩算子回归模型针对训...     

基于增强CT影像组学模型术前预测胰腺神经内分泌肿瘤病理分级

目的观察基于CT影像组学模型术前预测胰腺神经内分泌肿瘤(PNET)病理分级(G1和G2/3级)的价值。方法回顾性分析145例经病理证实的PNET,分为训练组91例、验证组54例,2组各自来源于同一医疗机构。基于训练组动脉期和门脉期CT图像提取PNET影像组学特征,以Pearson相关分析及ReliefF算法进行筛选;采用Logistic回归,针对差异有统计学意义的参数构建预测PNET病理分级的联合影像组学模型,绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),以敏感度、特异度及准确率评估其诊断效能,并以验证组加以验证。结果基于训练组动脉期与门脉期CT图像构建的联合影像组学模型具有良好预测效能,AUC为0.86[95%CI(0.78,0.94)],截断值为0.63时,敏感度为78.95%,特异度为85.29%,准确率为81.32%。验证组预测PNET病理分级AUC为0.85[95%CI(0.75,0.95)],截断值为0.63时,敏感度为84.61%,特异度为75.00%,准确率为79.63%。结论基于增强CT图像构建的影像组学模型对于术前预测PNET病理分级具有一定价值。     

联合含瘤周肿瘤全体积CT影像组学特征及临床相关独立预测因子列线图预测肺腺癌淋巴血管侵犯

目的 观察基于含瘤周的肿瘤全体积(GPTV) CT影像组学特征及临床相关独立预测因子构建的联合模型列线图预测肺腺癌淋巴血管侵犯(LVI)的价值。方法 回顾性分析142例经病理证实的肺腺癌患者,以7 ∶ 3比例将其随机分为训练集(n=100,40例LVI阳性、60例LVI阴性)和验证集(n=42,17例LVI阳性、25例LVI阴性)。以单因素分析及多因素logistic回归分析筛选肺腺癌LVI的临床相关独立预测因子,以之构建临床模型。分别基于肿瘤全体积(GTV)及含瘤周3 mm、6 mm、9 mm的GPTV (GPTV₃、GPTV₆和GPTV₉)的增强动脉期CT图提取并筛选最佳影像组学特征,构建影像组学模型,即GTV、GPTV₃、GPTV₆和GPTV₉模型并筛选最佳者;基于后者的影像组学评分和临床相关独立预测因子构建联合模型,绘制列线图进行可视化。以受试者工作特征(ROC)曲线评估各模型预测肺腺癌LVI的效能,以决策曲线分析(DCA)评价联合模型列线图的价值。结果 性别、吸烟和毛刺征均为肺腺癌LVI的临床相关独立预测因子(P均＜0.05)。分别基于GTV、GPTV₃、GPTV₆及GPTV₉筛选出7、16、10及8个最佳影像组学特征,用于构建GTV、GPTV₃、GPTV₆及GPTV₉模型。GPTV₃模型预测训练集、验证集肺腺癌LVI的曲线下面积(AUC)分别为0.82、0.77,均高于GTV (0.79、0.72,Z=3.74、2.62,P均＜0.01)、GPTV₆(0.80、0.72,Z=2.40、2.06,P均＜0.05)及GPTV₉(0.77,0.72,Z=3.03、2.59,P均＜0.01),为最佳影像组学模型。联合模型列线图(0.86、0.73,Z=2.66、2.31,P均＜0.05)及GPTV₃模型(0.82、0.77,Z=2.23、2.54,P均＜0.05)于训练集和验证集的AUC均高于临床模型(0.73、0.61),而联合模型列线图与GPTV₃模型的AUC差异均无统计学意义(Z=1.57、0.88,P均＞0.05)。阈值取0.20~0.50时,联合模型列线图与GPTV₃模型的净获益相当,且均大于临床模型。结论 基于GPTV₃影像组学特征及临床相关独立预测因子的列线图可有效预测肺腺癌LVI。