基于T1WI增强影像组学在鉴别高级别胶质瘤复发与假性进展中的应用价值

目的：探讨基于T1WI（T1 weighted imaging）增强影像组学在术前无创鉴别高级别胶质瘤术后复发与假性进展的应用价值。方法：回顾性分析经病理证实为高级别胶质瘤的104例患者临床及磁共振成像资料,根据二次手术病理或神经肿瘤疗效评估标准（response assessment in neuro-oncology,RANO）将其分为复发组71例,假性进展组33例。按7∶3比例随机分为训练组和验证组。在T1WI增强图像上手动勾画肿瘤实质区的体积作为感兴趣区,用FeAture Explorer软件提取1 648个组学特征。 采用主成分分析（principal component analysis,PCA）及最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）进行特征处理及筛选,采用支持向量机（support vector machine,SVM）构建影像组学模型。通过受试者工作特征曲线下面积（area under curve,AUC）及校准曲线评估模型的效能。结果：训练组鉴别高级别胶质瘤复发与假性进展的AUC为0.929, 准确率为 0.889,灵敏度为 72.7%,特异度为 100.0%。验证组的 AUC 为 0.853,准确率为 0.813,灵敏度为 90.9%,特异度为 71.4%。校准曲线显示模型预测值与实际值一致性较好。结论：基于T1WI增强影像组学模型具有较好的诊断效能,有助于鉴别高级别胶质瘤术后复发与假性进展。     

基于多序列MRI影像组学与深度迁移学习特征的脑胶质瘤分级预测研究

目的：探讨基于多序列磁共振成像（magnetic resonance imaging,MRI）手工影像组学（hand-crafted radiomic,HCR）和深度迁移学习（deep transfer learning,DTL）特征的机器学习（machine learning,ML）模型在术前预测脑胶质瘤分级的效能。方法：选取BraTS2019数据集中332例患者的影像数据［高级别胶质瘤（high-grade glioma,HGG）258例,低级别胶质瘤（low-grade glioma,LGG）74例］,随机抽取30例HGG和8例LGG作为测试数据集,其余294例作为训练集和验证集。从T1、T2 、T1c和Flair 序列中提取病灶的HCR特征和DTL特征,并筛选出影响力前10的特征子集,基于HCR特征、DTL特征和两者组合的深度学习影像组学（deep learning radiomics,DLR）特征,分别建立7种ML模型,评估模型预测HGG和LGG的效能。选择最佳模型后,使用SHAP法对模型特征重要性进行量化及归因分析。结果：基于HCR和DTL组合的DLR特征构建的ML模型预测效能最高,当使用支持向量机的递归特征消除（support vector machine-recursive feature elimination,SVM-RFE）筛选特征后,使用T2+T1c+ Flair序列组合的支持向量机（support vector machine,SVM）分类器的预测模型效果最佳。在验证集上,受试者工作特征曲线下面积达到0.996（95% CI：0.991~1.000）,约登指数、准确度、灵敏度和特异度分别为 0.920、0.976、0.988和0.932,在测试集上同样具有较高的分级预测效能。SHAP特征权重分析显示Flair序列的特征贡献较大,其次为T2及T1c序列,HCR和DTL特征均有重要贡献。结论：基于多序列MRI的DLR特征构建的ML模型可有效预测脑胶质瘤的肿瘤分级,其中经过SVM-RFE筛选后的 T2+T1c+Flair序列组合的SVM分类器模型效能最佳。     

基于全脑影像组学的阿尔茨海默病诊断研究

目的：　探讨构建影像组学、临床和联合模型,对正常认知（cognitively normal,CN）组、轻度认知障碍（mild cognitive impairment,MCI）组和阿尔茨海默病（Alzheimer’s disease,AD）组的分类价值。方法：　选取阿尔茨海默病神经影像学倡议（Alzheimer’s Disease Neuroimaging Initiative,ADNI）数据库中139例CN、162 例MCI和128 例AD患者基线的临床和影像资料。以7∶3的比例随机分为训练集和验证集。基于3D-T1WI磁共振成像（magnetic resonance imaging,MRI）提取影像组学特征。在训练集中,使用套索回归算法（least absolute shrinkage and selection operator,LASSO）筛选组学特征,并通过多因素逻辑回归建立基于全脑皮层及皮层下核团的影像组学模型。使用单因素逻辑回归和多因素逻辑回归获得与分类相关的临床指标,并通过多因素逻辑回归模型建立临床模型和基于影像组学特征和临床指标的联合模型。用受试者工作特征（receiver operating characteristics,ROC）曲线评价分类模型的效能。结果：　影像组学模型在CN vs. AD、MCI vs. AD和CN vs. MCI的曲线下面积（area under the curve,AUC）分别为0.975、0.957和0.929,临床模型的AUC分别为0.839、0.675和0.685。将临床和影像组学特征相结合的联合模型的AUC分别为0.983、0.959和0.950。结论：　基于全脑皮质和皮质下核团的影像组学模型和联合模型可以准确地对CN、MCI和AD进行分类,联合模型是最佳分类模型。     

多参数MRI影像组学评估浸润性乳腺癌HER⁃2表达状态的临床应用价值

目的：探讨基于多参数磁共振成像（magnetic resonance imaging,MRI）影像组学特征的模型预测浸润性乳腺癌人类表皮生长因子受体-2（human epidermal growth factor receptor-2,HER-2）表达状态的价值。方法：回顾性分析南京医科大学第一附属医院2018年1月—2019年12月401例乳腺癌患者的基线期MRI图像及临床资料。使用ITK-SNAP软件在快速反转恢复序列（turbo inversion recovery magnitude,TIRM）、动态对比增强磁共振成像第2期（dynamic-contrast enhanced magnetic resonance imaging phase 2,DCE2）、动态对比增强磁共振成像第 4 期（dynamic-contrast enhanced magnetic resonance imaging phase 4, DCE4）、弥散加权成像（diffusion-weighted imaging,DWI）和表观弥散系数（apparent diffusion coefficient,ADC）的最大肿瘤层面手动勾画二维感兴趣区域（region of interest,ROI）,并对所勾画的ROI区域进行特征提取及降维筛选。应用逻辑回归（logistic re- gression,LR）算法建立预测HER-2表达状态的单参数模型、组合模型和多参数模型。结果：最终筛选出26个最优特征,其中按权重排序位居首位的特征为DCE2_original_shape_SurfaceVolumeRatio。单参数模型中预测效能最好的是DCE2模型,训练集及测试集的曲线下面积（area under curve,AUC）分别为0.907、0.879;组合模型中联合增强特征的模型比其他未联合增强特征的模型预测效能更好（P均≤ 0.001）;多参数模型预测效能最佳（训练集及测试集的AUC值分别为0.932、0.906）。结论：基于多参数影像特征构建的影像组学模型评估浸润性乳腺癌HER-2表达状态有一定的临床价值,其中增强早期特征的预测价值较高。     

磁共振影像组学模型在直肠癌肝转移评估中的临床价值

  目的  探究基于不同磁共振序列构建的影像组学模型在直肠癌肝转移评估中的临床应用价值。  方法  回顾性纳入2015年4月?2018年5月经病理证实为直肠癌并在我院行治疗前基线磁共振检查的患者140例。根据肝脏穿刺活检、手术病理和影像结果分为肝转移组和未转移组。通过ITK-SNAP软件在T2加权图像（T2 weighted image,T2WI）、弥散加权图像（diffusion weighted image,DWI）和表观弥散系数（apparent diffusion coefficient,ADC）图像上对原发灶逐层勾画感兴趣区（region of interest,ROI）。3D ROI导入Artificial Intelligent Kit软件平台提取影像组学特征,每个序列图像提取396个特征。基于Python平台对特征数据进行预处理,使用支持向量机-合成少数类过采样法（Support Vector Machine-Synthetic Minority Over-Sampling Technique,SVM-SMOTE）对样本进行过采样,使截止随访时发生肝转移组和未发生肝转移组样本数平衡,之后按2∶1比例分为训练集和测试集。对影像组学特征进行筛选后,使用R软件构建logistic回归模型,用受试者工作特征（ROC）曲线和校准曲线对模型效果进行评价。  结果  纳入的患者中发生肝转移的有52例,截止随访时未发生肝转移的有88例,癌胚抗原（CEA）水平、MRI的T分期和N分期在肝转移组和未转移组的差异有统计学意义（P<0.05）。在对特征进行预处理和筛选后,最终,除去非影像组学特征17个,多序列联合数据集（T2WI+DWI+ADC）共筛选出32个特征,T2WI独立数据集10个特征,DWI独立数据集30个特征,ADC独立数据集15个特征。多序列联合数据集、T2WI独立数据集以及ADC独立数据集构建的模型能准确评估肝转移,训练集的ROC曲线下面积（AUC）为93.5%、89.2%、90.6%,测试集的AUC分别为80.8%、80.5%、81.4%,多序列联合数据集并未表现出高于独立数据集的AUC。DWI独立数据集表现稍差,训练集和测试集的AUC为90.3%、75.1%。校准曲线显示,联合数据集模型的波动最小,最接近参考线;3个独立数据集模型的波动范围相接近;4种模型的校准曲线均显示随着风险升高,模型预测从对风险的低估转为对风险的高估。总体而言,多序列联合数据集与独立T2WI数据集、独立ADC数据集都具有较高的AUC,而多序列联合数据集校准曲线偏离对角参考线最近,模型效果最好。独立T2WI和ADC数据集总体效果次之,独立DWI数据集效果欠佳。  结论  磁共振影像组学模型能够对直肠癌肝转移进行有效评估,为临床分期和诊治提供信息。     

基于DWI的影像组学列线图预测部分肝切除术后肝内胆管癌辅助化疗获益价值

目的 探讨基于弥散加权成像（DWI）的影像组学列线图（RN）预测肝内胆管癌（ICC）肝部分切除术（HPx）后辅助化疗（AC）获益人群的应用价值。方法 回顾性分析2018年1月—2022年1月我院行HPx的85例ICC患者的MRI和临床病理资料,分为训练集60例和验证集25例。用随机森林算法行基于DWI的影像组学特征筛选并建立预测早期复发（ER）的影像组学模型（RS）,并计算的影像组学评分。多因素Logistic回归法筛选临床、病理、常规影像中与ER相关变量建立临床-病理-影像（CPR）模型。筛选出的变量与影像组学评分构建临床-影像组学列线图（RN）,评估并验证上述模型的辨别度和校准度。用Kaplan Meier法和log-rank检验分析不同组预后差异。结果 验证集中,基于DWI的RS与CPR模型在预测ER有相似的区分性能（AUC：0.762 vs 0.624,P=0.271）,而RN模型（AUC：0.833）预测效能显著优于RS（P=0.012）。RN模型预测的ER高危组患者中,行手术+AC患者的OS与DFS较仅行接受手术治疗患者显著延长（DFS,P=0.035;OS,P=0.020)。结论 基于DWI的RN模型不仅可有效预测ICC患者术后发生ER,还可有效筛选术后AC获益人群     

基于影像组学方法构建弥漫性低级别胶质瘤癫痫发生及远期生存预测模型

目的：构建预测弥漫性低级别胶质瘤患者癫痫发作风险的影像组学风险模型，并初步评估患者预后。方法：利用癌症基因组图谱（the cancer genome atlas，TCGA）数据库和癌症影像档案（the cancer imaging archive，TCIA）数据库提供的影像数据集及临床资料，通过影像组学方法构建癫痫风险评分模型，并结合临床指标建立列线图以预测癫痫发生概率及远期生存概率。用受试者工作特征（receiver operating characteristic，ROC）曲线及决策曲线分析评价模型的预测效能。结果：筛选出10个癫痫相关的影像特征建立风险评分模型，内部及外部验证的ROC曲线下面积分别为0.900和0.636。高风险组和低风险组的癫痫阳性率分别为80.6%和27.3%。高风险组和低风险组患者的5年疾病总生存率存在明显统计学差异（P=0.029），临床决策分析曲线显示“影像-临床”癫痫预测模型的净获益率优于临床预测模型。校准曲线显示3年、5年生存列线图有良好的校准和区分能力，列线图中高低危组5年总生存有明显统计学差异（P=0.008）。结论：本研究建立了一个基于术前MRI的影像组学模型，可用于无创预测弥漫性低级别胶质瘤患者癫痫发生风险及预后，为临床采取个体化治疗策略提供参考。     

基于T1W1+C的影像建立支持向量机预测模型对胶质瘤细胞增殖活性研究

目的：基于胶质瘤增强T1加权成像（enhancement T1-weighted image,T1WI+C）影像组学特征进行机器学习,构建预测胶质瘤细胞增殖活性的Ki67指数预测模型。方法：回顾性分析本院手术病理结果为胶质瘤并经免疫组化测定Ki67指数的患者113例,随机按约8∶2拆分为训练集与测试集。通过MRIcroGL软件手绘胶质瘤感兴趣区域（region of interest,ROI）,利用Python中pyradiomics模块获得1 338个影像特征,通过t检验与最小绝对收缩和选择算子（least absolute shrinkage and selection operator,Lasso）回归算法筛选最佳影像组学特征,基于最佳特征使用支持向量机（support vector machine,SVM）分类器建立Ki67预测模型,利用受试者操作特征曲线（receiver operating characteristic curve,ROC曲线）与模型校准曲线评估模型的预测效能。结果：每例患者T1WI+C图像提取1 338个影像组学特征,降维后筛选出6个与胶质瘤Ki67指数密...     

磁共振影像组学主成分分析法预测直肠癌新辅助放射化学治疗效果

目的 探讨基于MRI高分辨率T2加权图像的影像组学主成分分析（PCA）法对直肠癌新辅助放射化学治疗效果的预测价值。方法 回顾性分析2018年1月1日至2018年12月31日在我院因局部进展期直肠癌接受新辅助放射化学治疗后行直肠癌根治性切除术的80例患者资料,男60例、女20例,年龄为28~74岁,平均年龄为（56.2±9.9）岁。患者行新辅助放射化学治疗前接受3.0 T MRI检查,在高分辨率T2加权图像上提取影像组学特征,再采用PCA法进行特征值降维,使用降维后的特征与病理完全缓解（pCR）标签建立logistic回归分类器模型,将样本随机分为训练集与测试集进行机器学习,分别绘制ROC曲线并计算AUC及灵敏度、特异度、准确度。结果 MRI高分辨率T2加权图像共提取到1 409个影像组学特征,PCA法重新组合并选取了前5个最能代表整个影像组学特征矩阵的新特征,分别能代表整个影像组学特征矩阵中9.926 016 67×10^-1、4.854 545 00×10^-3、2.509 013 91×10^-3、2.489 032 30×10^-5、7.372 984 50×10^-6的信息。Logistic回归分类器模型交叉验证测试集的平均AUC为0.761（95% CI：0.694~0.828）,灵敏度为90.3%,特异度为40.0%,准确度为79.0%。结论 基于MRI高分辨率T2加权影像组学PCA法对直肠癌新辅助放射化学治疗的疗效具有较好的预测价值。     

多模态MRI影像组学可预测弥漫性较低级别胶质瘤的11p/19q共缺失状态

目的 应用多模态MRI影像组学特征无创性预测弥漫性较低级别胶质瘤1p/19q共缺失状态。方法 收集2015年10月～2022年9月经病理证实为弥漫性较低级别胶质瘤的104例患者的MRI数据,并从T2WI、T1WI、FLAIR、对比增强T1WI和DWI序列提取535个组学特征,包括70个形态学特征,90个一阶统计学特征以及375个纹理特征。构建逻辑回归（LR）、基于逻辑回归的最小绝对收缩和选择算子（LRlasso）、支持向量机（SVM）和线性判别分析（LDA）模型,经十折交叉验证后,比较4组模型的预测效能。两位影像医师根据MRI图像来预测弥漫性较低级别胶质瘤1p/19q共缺失状态。采用受试者工作特性曲线（ROC）来评估影像组学模型和影像医师预测效能。结果 LR、LRlasso、SVM、LDA模型在验证集的AUC值分别为0.833、0.819、0.824、0.819,差异不具有统计学意义（P>0.1）。4组影像组学模型预测效能均高于住院医师（AUC=0.645,P=0.011、0.022、0.016、0.030）,并与主治医师相仿（AUC=0.838,P>0.05）。结论 多模...     

基于多序列MRI影像组学预测早期宫颈癌淋巴血管侵犯的研究

  目的  探索基于多序列MRI图像的影像组学方法在预测早期宫颈癌淋巴血管侵犯(LVSI)中的临床价值。  方法  选取2015年1月—2020年2月宁波大学附属人民医院收治经病理证实的早期宫颈癌患者134例,分层抽样选取训练组91例,验证组43例,术前均行MRI平扫、对比增强(CE-MRI)及弥散成像(DWI)检查。在T₂WI-FS、CE-MRI及DWI序列图像上分别勾画肿瘤感兴趣区,采用LASSO回归及诺模图法提取影像组学特征并建立预测模型,训练组进行特征选择分类及模型建立,验证组对构建的预测模型进行验证,分析基于MRI各序列影像组学模型对早期宫颈癌LVSI的预测效能。  结果  采用LASSO回归在早期宫颈癌患者的T₂WI-FS、CE-MRI和DWI序列影像中分别提取具有预测意义的宫颈癌LVSI的影像组学特征,WavEnLH_s-4、Horzl_LngREmph在各序列中均被筛选出。通过logistics回归模型分别构建的不同序列MRI的影像组学模型对早期宫颈癌LVSI诊断效能均较高,T₂WI-FS、CE-MRI及DWI在训练组的AUC分别为0.810、0.803和0.781,在验证组的AUC分别为0.785、0.761和0.752。使用诺模图法构建的多序列MRI影像组学在训练组的AUC为0.893,在验证组的AUC为0.859。  结论  通过诺模图法构建的基于T₂WI-FS、CE-MRI及DWI序列影像组学模型作为一种客观的影像分析方法,对早期宫颈癌LVSI具有较高的预测效能并具有一定临床应用价值。      

基于双模态MRI影像组学术前预测浸润性乳腺癌腋窝淋巴结转移

目的探讨T2WI联合DCE-MRI的影像组学特征术前预测浸润性乳腺癌腋窝淋巴结转移的价值。方法回顾性分析经手术病理证实的168例浸润性乳腺癌病人的临床病理资料及MRI图像资料。根据手术病理结果,将其分为淋巴结转移组（n=64）和无淋巴结转移组（n=104）,并按8:2的比例将病人随机分为训练组（n=134）与验证组（n=34）。在T2WI和DCE两个序列手动勾画ROI进行图像分割和影像组学特征提取,利用Select K Best、LASSO回归及迭代筛选特征对高维组学特征进行降维,保留与腋窝淋巴结转移高度相关的特征。采用logistic回归建立T2WI、DCE和T2WI联合DCE三个影像组学预测模型,利用ROC曲线下面积（AUC）评估模型的效能,并以最优模型生成列线图。结果T2WI、DCE和T2WI联合DCE的影像组学预测模型在训练组的AUC分别为0.75、0.75和0.80;验证组的AUC分别为0.75、0.73和0.79。T2WI联合DCE模型的预测效能最佳。结论T2WI联合DCE影像组学预测模型在术前对浸润性乳腺癌腋窝淋巴结转移的预测具有一定的价值,能够无创、准确地预测腋窝淋巴结转移状态。     

预测浸润性乳腺癌无病生存期的临床影像融合模型研究

目的 构建术前临床影像组学融合模型,探讨其预测浸润性乳腺癌无病生存期的效能。方法 收集2015年7月至2017年5月浙江中医药大学附属第一医院术前接受乳腺动态增强MRI检查的浸润性乳腺癌女性患者131例。按照7∶3的比例随机分为训练集91例与内部验证集40例。从肿瘤和瘤体向外扩5mm区域分别提取原始肿块和瘤内加瘤周的影像组学特征。运用F检验及logistic回归分析对影像组学特征进行缩减后,分别建立影像组学模型。采用多因素Cox比例风险模型分析临床病理风险因素与无病生存期的关系,并确定有效的预测因素建立临床模型。将最优影像组学模型的影像组学评分（Radscore）和独立临床病理风险因素结合建立融合模型。采用ROC曲线评估影像组学模型和融合模型的预测效能。结果 在验证集中,临床模型、原始肿块影像组学模型、瘤内加瘤周影像组学模型及融合模型的AUC(95%CI)分别为0.791(0.690～0.893)、0.898(0.839～0.956)、0.930(0.878～0.983)、0.969(0.941～0.996),灵敏度分别为0.789、0.895、0.842、0.947,特异度分别为0....     

多参数3D MRI影像组学模型预测结直肠癌肝转移及相关临床危险因素的分析

目的 探讨多参数3D MRI影像组学模型对于结直肠癌肝转移(CCLM)的预测价值及相关临床危险因素的分析。方法 收集2019-2022年在本院术前行MRI检查且术后病理证实的198例结直肠癌患者的临床及影像资料。按照8:2的比例随机分为训练集及验证集(n=159及39)。对T2WI、DWI、e-THRIVE+序列分别逐层勾画,得到3D VOI,提取组学特征并降维处理、构建影像组学模型。采用逻辑回归分析,筛选出CCLM的独立危险因素并构建临床模型。结果 三序列联合的影像组学模型预测CCLM的效能高于单一序列模型,其训练集与验证集AUC值分别为0.919及0.896。逻辑回归分析得到CCLM的独立危险因素分别为CEA、CA199及NLR(P<0.05)。三者联合的临床模型效能亦高于单一临床模型,训练集与验证集的AUC值分别为0.800及0.791。结论多参数3D MRI影像组学模型对于CCLM具有较高预测效能。基于CEA、CA199、NLR的临床模型对于CCLM具有一定预测效能。     

孤立性肺结节的良恶性预测因子及预测模型的建立与验证

目的：　探讨良恶性孤立性肺结节（solitary puhnonary nodule,SPN）的预测因子并建立预测模型,验证模型效能,并与经典模型进行诊断效能比较,以期提高早期肺癌的非侵入性诊断准确率。方法：　选取2014年1月至2021年1月经重庆医科大学附属第二医院诊治的522例SPN患者,分为试验组（432例）和验证组（90例）,回顾性分析其临床及CT影像学特征,筛选出恶性SPN的独立预测因子,并建立临床预测模型。将验证组资料代入模型进行验证,并与Mayo模型及北大模型进行诊断效能比较,绘制受试者工作特征（receiver operating characteristic,ROC）曲线。结果：　二元logistic分析显示,上叶、毛刺征、分叶征、血管集束征、边界不清及结节最大径是判断良恶性结节的独立危险因子,建立的预测模型为P=e^x/（1+e^x）,X=-3.742+（0.185×结节最大径）+（1.423×毛刺征）+（1.143×分叶征）+（3.783×血管集束征）+（2.526×边界不清）+（0.730×上叶）。本研究模型 ROC曲线下面积（0.875）高于Mayo模型（0.776）及北大模型（0.779）（P<0.05）,提示本研究模型诊断效能可能优于Mayo模型及北大模型。结论：　上叶、毛刺征、分叶征、血管集束征、边界不清、结节最大径是预测良恶性SPN的独立预测因子,本预测模型诊断效能可能优于国内外经典模型,对早期肺癌的诊断有更大的借鉴意义。     

基于T2WI与RS-EPI DWI影像组学特征的自动化机器学习模型预测直肠癌术前T分期的价值

  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T_1-2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。     

基于MRI平扫的影像组学模型鉴别软骨肉瘤与内生软骨瘤

目的 探讨基于MRI平扫构建的影像组学模型用于鉴别诊断软骨肉瘤与内生软骨瘤的价值。方法 回顾性分析68例软骨源性肿瘤（软骨肉瘤27例,内生软骨瘤41例）,将其随机分配到训练组（n=46）与验证组（n=22）。首先由2名放射科医师独立提取平扫T1WI和T2WI-FS序列中肿瘤所有层面的影像组学特征,采用组内相关系数（ICC）评价2名医师提取组学特征的一致性;然后使用方差选择法、单变量特征选择、最小绝对收缩与选择算子算法（LASSO）对组学特征进行筛选和降维,使用多因素逻辑回归分析构建基于T1WI和T2WI-FS序列的组学模型,采用受试者工作特征曲线（ROC）评估组学模型的诊断效能, 并与放射科医师采用常规MR序列的诊断效能进行对比。结果 2名放射科医师独立提取患者T1WI和T2WI-FS序列影像组学特征的一致性良好（ICC值范围为0.779~0.923）。在T1WI序列筛选出10个组学特征,在T2WI-FS序列筛选出11个组学特征,两个序列的组 学模型在训练组中AUC分别为0.990和0.925;在验证组中AUC分别0.915和0.855,模型之间的诊断效能差异均无统计学意义（P>0.05）。在所有病例中,T1WI、T2WI-FS序列组学模型与常规MRI诊断的AUC分别为0.955、0.901、0.569,基于两个序列的组学模型诊断准确性均高于放射科医生的诊断效能（P<0.001）。结论 基于MRI平扫T1WI和T2WI-FS序列构建的影像组学模型能用于鉴别诊断软骨肉瘤与内生软骨瘤。     

MRI增强序列列线图预测脑胶质瘤IDH1基因突变的研究

目的 探讨T1WI MRI增强序列的临床–影像组学列线图预测脑胶质瘤异柠檬酸脱氢酶1（isocitrate dehydrogenase 1,IDH1）基因突变的价值。方法 回顾性分析2016年2月至2022年2月宁波市医疗中心李惠利医院收治的98例经手术病理证实的脑胶质瘤（Ⅱ~Ⅳ级）T1WI MRI增强图像。其中,26例IDH1基因突变型（IDH1-M）、72例IDH1基因野生型（IDH1-W）,以7∶3比例划分为训练集（n=69）和测试集（n=29）,使用逻辑回归方法筛选特征并建立临床模型。勾画并测量脑胶质瘤的实质区及坏死区参数,建立Logistic回归影像组学模型,计算Radscore,生成列线图。采用校准曲线和受试者操作特征（receiver operating characteristic,ROC）曲线评价3个模型对脑胶质瘤IDH1基因突变状态的预测效能,进行决策曲线分析,评估列线图临床实用性。结果 训练集经过特征筛选,最终选择6个影像组学特征和2个临床特征用于构建列线图。临床模型在训练集和测试集中的曲线下面积（area under the curve,AUC）分别为0.834和0.718,影像组学模型分别为0.902和0.831,临床–影像组学组合模型最高,分别为0.906和0.857。校准曲线表明,临床–影像组学列线图在训练集中IDH1基因型的预测值和观察值之间具有较好的一致性（P=0.751）。决策分析曲线表明,组合模型的净收益在几乎整个Pt值范围内均高于临床模型及影像组学模型。结论 基于MRI T1WI增强序列的临床-影像组学列线图能较精准地预测IDH1基因突变状态。     

区分T1-2与T3-4期胃癌CT影像组学模型的建立与验证

目的:探讨基于CT影像组学构建的模型术前鉴别T1-2与T3-4期胃癌的价值。方法:回顾性分析465例术前行腹部CT增强扫描且经切除术后T分期明确的胃癌患者,将其分为T1-2期及T3-4期两组,采用分层抽样方法按7∶3分为训练集及测试集。在其静脉期CT图像上进行感兴趣区(ROI)的勾画及影像组学特征的提取。采用LASSO回归筛选出与T分期相关性最高的特征,分别利用逻辑回归、支持向量机及决策树建立影像组学模型。基于影像组学特征建立影像组学标签,基于临床特征建立临床模型,结合影像组学标签及临床特征构建影像组学诺模图。使用受试者工作特征(ROC)曲线评价各模型鉴别T分期的效能;Delong检验比较最优影像组学模型与临床模型的ROC曲线下面积(AUC)的差异性及诺模图与二者中效能更好的模型之间AUC的差异性;采用校准曲线评价模型评估与实际病理结果的匹配性,决策曲线评价模型的临床净收益。结果:影像组学模型中,逻辑回归模型的预测效能最好,在训练集和测试集上的AUC分别为0.864、0.836,均高于临床模型;结合影像组学标签及临床特征生成的影像组学诺模图预测效能优于3种影像组学模型和临床模型,在训练...     

雄激素受体在雌激素受体阳性乳腺癌患者中的表达及其临床意义

目的 探讨雄激素受体（AR）在雌激素受体（ER）阳性乳腺癌患者中的表达及与临床病理特征和预后的关系。方法 选取2012年10月—2013年8月锦州医科大学附属第一医院收治的ER阳性乳腺癌患者108例,采用免疫组织化学法检测AR表达水平。分析AR与患者临床病理特征及预后的关系。结果 108例ER阳性乳腺癌患者中,有72例（66.7%）AR阳性。AR阳性患者与AR阴性患者的T分期、组织学分级、PR表达比较,差异有统计学意义（P <0.05）。AR阳性的ER阳性患者总生存期（OS）和无病生存期（DFS）长于AR阴性的ER阳性患者（P <0.05）。多因素分析结果显示,AR是影响ER阳性乳腺癌患者OS［R=0.440（95% CI：0.206,0.937）］和DFS［R=0.359（95% CI：0.135,0.949）］的影响因素。结论 一定数量的ER阳性乳腺癌患者AR呈阳性,AR可以作为ER阳性乳腺癌患者的预后指标或治疗靶点。