基于MR-T2WI影像组学模型预测宫颈鳞癌临床分期

目的 观察基于MR-T2WI影像组学模型预测宫颈鳞癌临床分期的价值。方法 对159例经术后或活检病理证实的宫颈鳞癌患者采集盆部MRI,根据国际妇产科联盟（FIGO）分期系统及病理结果分为早期组（ⅠB~ⅡA期,n=73）和晚期组（ⅡB~Ⅳ期,n=86）。按照7 ：3比例将患者随机分为训练集（n=113）和验证集（n=46）。训练集包括52例早期、61例晚期宫颈鳞癌,验证集含21例早期及25例晚期宫颈鳞癌。提取轴位T2WI中病灶的影像组学特征,以最大相关最小冗余和最小绝对收缩选择算子回归分析方法筛选最优影像组学特征,构建预测早、晚期宫颈鳞癌的影像组学模型。分析影像组学模型的拟合优度,采用受试者工作特征（ROC）曲线评估模型的预测效能,以决策曲线分析（DCA）评估模型的临床应用价值。结果 共提取396个影像组学特征,最终筛选11个最优影像组学特征,并以之构建预测早、晚期宫颈鳞癌的影像组学模型。影像组学模型在训练集和验证集中的拟合优度均佳（χ²=2.68、8.87,P均>0.05）;其在训练集及验证集中的曲线下面积（AUC）均为0.80。DCA显示,阈值取0.10~1.00时,影像组学模型的净收益较大。结论 基于MR-T2WI的影像组学模型对预测宫颈鳞癌临床分期具有较高价值。     

基于T2WI影像组学模型产前预测胎盘植入性病变

目的 评估基于MR T2WI影像组学模型产前预测胎盘植入性病变（PAS）的价值。方法 回顾性分析241例孕妇及胎儿MRI,其中116例PAS、125例无PAS。按7：3比例将其分为训练集（n=168）和验证集（n=73）,于训练集提取并筛选半傅立叶采集单次激发快速自旋回波（HASTE）及真实稳态进动快速成像（TrueFISP）序列图像的影像组学特征,构建预测PAS的影像组学模型,并以回归分析方法构建临床模型、影像组学模型及临床-影像组学模型。采用校准曲线和受试者工作特征（ROC）曲线分析模型的效能,以决策曲线分析（DCA）评估其临床实用性。结果 对各序列图像分别提取1 130个影像组学特征,经LASSO回归等处理后,各筛选出9个影像组学特征,用于构建预测PAS的HASTE及TrueFISP影像组学模型。ROC曲线显示,临床模型、HASTE影像组学模型及TrueFISP影像组学模型在验证集中诊断PAS的曲线下面积（AUC）分别为0.882、0.968和0.930（P均>0.05）;HASTE联合TrueFISP影像组学模型的AUC为0.990,高于临床（Z=-2.36,P=0.02）、HASTE影像组学（Z=-2.48,P=0.02）及TrueFISP影像组学模型（Z=-2.43,P=0.02）;临床-HASTE-TrueFISP影像组学模型的AUC为0.995,与HASTE联合TrueFISP影像组学模型差异无统计学意义（Z=-0.85,P=0.40）,高于HASTE或TrueFISP影像组学模型（Z=-2.64、-2.47,P均<0.05）。临床模型之外,各模型在验证集数据中的校准度均较好;阈值取0~0.6时,其在验证集的临床净获益均大于临床模型。结论 基于产前HASTE及TrueFISP序列图像的联合影像组学模型有助于准确预测PAS。     

基于MRI影像组学预测肝泡型包虫病边缘微血管侵犯

目的 评估基于MR T2WI影像组学模型预测肝泡型包虫病（HAE）病灶边缘微血管侵犯的价值。方法 回顾性分析89例经术后病理证实的HAE患者,其中32例病灶边缘存在微血管侵犯、57例无侵犯。提取病灶MR T2WI影像组学特征,以方差阈值法和单变量选择法筛选最优特征,以随机森林（RF）、极限梯度增强树（XGBoost）和逻辑回归（LR）三种分类器构建预测HAE病灶边缘微血管侵犯的机器学习（ML）模型。按8：2比例将患者分为训练集（n=70）和测试集（n=19）,验证模型的预测效能;绘制受试者工作特征（ROC）曲线,计算其曲线下面积（AUC）。结果 共提取1 409个影像组学特征,经特征降维选出7个最优影像组学特征,并以之构建模型。ROC曲线显示,XGBoost模型在训练集及测试集中的AUC分别为0.96和0.89。结论 基于MR T2WI影像组学XGBoost模型可有效预测HAE病灶边缘微血管侵犯。     

基于高分辨T2WI影像组学判定直肠癌术前T分期

目的 探讨基于高分辨T2WI提取的影像组学特征判定直肠癌术前T分期的应用价值。方法 回顾性分析191例术后病理证实为直肠腺癌患者的临床及影像学资料,在术前高分辨T2WI上勾画整个肿瘤为ROI,通过一般线性LASSO分析提取14个影像组学特征,并构建影像组学模型。根据病理结果,将T0~T2期归为早期,T3~T4期归为局部进展期,将患者分为训练组（n=134）和验证组（n=57）,对模型进行训练和验证。绘制ROC曲线及决策曲线（DCA）,评估模型的可预测性。结果 191例直肠癌中,早期68例,局部进展期123例。在训练组和验证组中,影像组学预测模型区分早期与局部进展期直肠癌的AUC为0.927、0.885,准确率为0.851、0.842,特异度为0.917、0.700,敏感度为0.814、0.919,F1值为0.861、0.829,Brier值为0.149、0.159。结论 术前以基于高分辨T2WI构建的影像组学模型判定直肠癌T分期具有可行性。     

平扫及钆塞酸二钠增强MRI鉴别诊断透明细胞型与普通型肝细胞癌

目的 探讨平扫及钆塞酸二钠（Gd-EOB-DTPA）增强MRI对鉴别诊断透明细胞型肝细胞癌（CCHCC）与普通型肝细胞癌（NOS-HCC）的价值。方法 纳入经手术病理证实的36例CCHCC（CCHCC组）和72例年龄匹配的NOS-HCC患者（NOS-HCC组）,以单因素及分析多因素logistic回归分析回顾性评估其临床、病理及上腹部平扫+Gd-EOB-DTPA增强MRI,筛选鉴别CCHCC与NOS-HCC的独立预测因素;绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价MRI相关独立预测因素及其联合鉴别CCHCC与NOS-HCC的效能。结果 病理Edmondson-Steiner分级及MRI见病灶含脂肪成分、平扫T1WI病灶与肝脏信号强度比值（LLR_T1WI）及病灶与肌肉信号强度比值（LMR_T1WI）均为CCHCC与NOS-HCC的独立预测因素（P均<0.05）。以病灶含脂肪成分及LLR_T1WI、LMR_T1WI鉴别CCHCC与NOS-HCC的AUC分别为0.652、0.689、0.687,三者联合的AUC为0.762,高于单一病灶内含脂肪成分（Z=-2.401,P=0.016）,而与单一LLR_T1WI（Z=-1.841,P=0.066）及LMR_T1WI（Z=-1.440,P=0.150）差异均无统计学意义。结论 平扫及Gd-EOB-DTPA增强MRI可用于鉴别CCHCC与NOS-HCC。     

T2WI、DWI及ADC图多序列影像组学模型评估直肠癌淋巴结转移

目的 观察基于术前MR T2WI、弥散加权成像(DWI)及表观弥散系数(ADC)图多序列影像组学模型评估直肠癌淋巴结转移的价值。方法 回顾性分析74例经术后病理确诊单发直肠癌患者的T2WI、DWI和ADC图,按照7∶3比例将其分为训练集(n=52,21例淋巴结转移、31例无淋巴结转移)和测试集(n=22,9例淋巴结转移、13例无淋巴结转移)。由2名影像科医师以病理结果为标准基于常规MRI评价淋巴结转移,评估其诊断效能;分别基于T2WI、DWI、ADC图及三者联合提取病灶影像组学特征,筛选后构建影像组学模型,包括T2WI模型、DWI模型、ADC模型及多序列模型,并于训练集进行训练,于测试集评估其效能。绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),观察各模型诊断直肠癌淋巴结转移的效能。结果 训练集与测试集患者性别、年龄、病灶位置、T分期及N分期差异均无统计学意义(P均＞0.05)。常规MRI评估直肠癌淋巴结转移的准确率为58.11%(43/74),敏感度和特异度分别为76.67%(23/30)和45.45%(20/44)。T2WI、DWI、ADC及多序列模型评估测试集直肠癌淋巴结转移的AUC分别为0.78、0.68、0.77及 0.82,后者的准确率、敏感度及特异度分别为86.36%、88.89%及84.62%。结论 术前基于MR T2WI、DWI及ADC图多序列影像组学模型能有效评估直肠癌淋巴结转移。     

基于临床病理及常规和功能MRI影像组学模型预测乳腺癌腋窝淋巴结转移

目的 评估基于临床病理及常规和功能MRI（fMRI）影像组学模型预测乳腺癌腋窝淋巴结（ALN）转移的价值。方法 回顾性分析140例浸润性乳腺癌,按7∶3比例将其分为训练集（n=99）和验证集（n=41）。采用多因素Logistic回归分析分别建立基于临床病理及MRI特征的临床模型及各序列图像影像组学、联合序列影像组学以及临床病理及常规和fMRI影像组学的个体化模型,以受试者工作特征（ROC）曲线评价其诊断效能;比较个体化模型与临床模型曲线下面积（AUC）的差异,应用决策曲线分析（DCA）评估模型的临床获益。结果 临床模型预测训练集和验证集ALN转移的AUC分别为0.95和0.88;T2WI、DWI、DCE-MRI模型及联合序列模型在验证集中的AUC分别为0.67、0.71、0.72及0.76。个体化模型在训练集和验证集中的AUC为0.98和0.93,与临床模型差异均无统计学意义（Z=1.56、1.34,P=0.12、0.18）。DCA结果显示阈值>0.25时,个体化模型的净受益高于临床模型。结论 基于临床病理及常规和功能MRI的个体化模型预测乳腺癌ALN转移的效能与临床模型相当,其净受益高于后者,且均优于单一序列模型。     

基于增强CT影像组学模型预测胰十二指肠切除术后胰瘘

目的 评估基于术前腹部增强CT影像组学模型预测胰十二指肠切除术（PD）术后胰瘘（POPF）的价值。方法 回顾性分析252例接受PD患者的术前腹部增强CT资料,按7：3比例将其分为训练集（n=177）和验证集（n=75）。于训练集增强静脉期CT图像中勾画胰腺实质作为感兴趣容积（VOI）,提取其影像组学特征,并筛选最优特征建立影像组学模型;绘制模型预测PD术后POPF的受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价模型预测效能;以验证集数据进行验证。结果 共选出14个最优影像组学特征用于构建影像组学模型。影像组学模型在训练集和验证集的AUC分别为0.82[95%CI（0.76,0.88）]和0.82[95%CI（0.72,0.91）]。结论 基于术前增强CT影像组学模型能有效预测PD术后POPF。     

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T1WI及IDEAL-T2WI影像组学模型鉴别腮腺多形性腺瘤和腺淋巴瘤

目的 观察T1WI、IDEAL-T2WI影像组学特征及机器学习模型鉴别腮腺多形性腺瘤（PA）与腺淋巴瘤（AL）的价值。方法 回顾性分析33例腮腺PA和25例AL患者。运用放射组学云平台，于轴位T1WI和IDEAL-T2WI上手动勾画病灶ROI，提取影像组学特征；以方差阈值法、SelectKBest及Lasso算法筛选最优特征。采用随机森林、逻辑回归算法建立机器学习模型，绘制ROC曲线，分析T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI建立模型的诊断效能。结果 T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI分别得到6、9、12个有效特征。基于IDEAL-T2WI联合T1WI建立随机森林模型的诊断效能最高，AUC为0.87，95%CI（0.59，1.00），准确率0.83。结论 基于T1WI、IDEAL-T2WI影像组学特征及机器学习模型可有效鉴别诊断腮腺PA和AL。     

基于MRI影像组学预测宫颈癌淋巴血管间隙浸润

目的 评估基于MRI影像组学模型术前预测宫颈癌淋巴血管间隙浸润(LVSI)的价值.方法 回顾性分析123例经病理证实宫颈癌患者,根据病理结果分为LVSI+(n=61)及LVSI-(n=62).基于T2WI及动脉期对比增强T1WI(CE-T1WI)提取影像组学特征,按7:3比例将数据分为训练集(n=87)和验证集(n=3...     

基于乳腺二维超声及自动乳腺容积扫描构建影像组学及列线图模型预测乳腺癌分子分型

目的 观察基于乳腺二维超声及自动乳腺容积扫描(ABVS)构建的影像组学及列线图模型预测乳腺癌分子分型的价值。方法 回顾性分析326例经病理证实的女性单发乳腺癌患者资料,以8∶2比例将其分为训练集(n=260)及验证集(n=66),根据免疫组织化学结果划分Luminal与非Luminal亚组;基于乳腺二维超声及ABVS图像提取影像组学特征构建相应模型及联合模型。采用单因素及多因素logistic回归分析筛选乳腺癌分子分型的独立预测因素,联合影像组学评分构建列线图模型。绘制受试者工作特征(ROC)曲线,评估各模型预测乳腺癌分子分型的效能。结果 肿瘤最大径(OR=1.029)及有无汇聚征(OR=0.408)均为乳腺癌分子分型的独立预测因素(P均<0.05)。二维超声、ABVS、联合影像组学模型及列线图模型预测验证集乳腺癌分子分型的曲线下面积(AUC)分别为0.67、0.75、0.84及0.83,其中,联合影像组学模型与列线图模型AUC差异无统计学意义(P>0.05)并均高于二维超声及ABVS模型(P均<0.05)。结论 基于二维超声及ABVS构建的联合影像组学模型及列线图模...     

MRI影像组学术前预测乳腺浸润性导管癌Ki-67表达

目的 观察基于MR弥散加权成像(DWI)及表观弥散系数(ADC)图影像组学术前预测乳腺浸润性导管癌Ki-67表达的价值.方法 回顾性分析212例经组织穿刺活检或手术病理证实的乳腺浸润性导管癌患者的乳腺DWI,以分层抽样方法按7∶3比例将其分为训练集(n=148)和验证集(n=64).分别基于DWI、ADC图及DWI+ ...     

术前MRI影像组学模型预测子宫内膜癌风险分层

目的 观察术前MRI影像组学模型预测子宫内膜癌(EC)风险分层的价值。方法 回顾性分析219例术前接受盆腔MR检查的EC患者,根据术后病理结果将其分为高风险组(n=104)及低风险组(n=115);按照不同检查时间将患者分别归入训练集(n=153)或测试集(n=66),并于集内划分亚组。以3D Slicer软件于MRI中手动勾画ROI,分别基于轴位、矢状位脂肪抑制(FS)T2WI及轴位、矢状位增强FS-T1WI中提取1 130个特征,之后以最小绝对收缩和选择算子(LASSO)算法分别选出12、14、16及12个(共54个)影像组学特征(联合MRI特征);再以LASSO降维并筛选出25个特征(联合LASSO特征)。以极度随机树算法分别基于各序列特征、联合MRI特征及联合LASSO特征构建模型;绘制受试者工作特征曲线,以曲线下面积(AUC)、准确度及F1评分评估各模型预测效能;以各模型在测试集中的AUC及主观阅片的AUC评估其预测效能。结果 训练集中,联合MRI模型与联合LASSO模型的准确率(0.784、0.777)、F1评分(0.730、0.731)及AUC(0.835、0.855)均...     

基于T2WI影像组学标签预测乳腺癌人表皮生长因子受体2表达状态

目的 探讨基于MR T2WI的影像组学标签在术前预测乳腺癌人表皮生长因子受体2（HER2）表达状态的价值。方法 回顾性收集209例乳腺癌患者的T2WI,将患者随机分为训练组（n=145）和验证组（n=64）。手动勾画病灶ROI,并于Matlab 2013a平台中提取组学特征。通过组间相关系数及最小绝对收缩和选择算子逻辑回归模型筛选组学特征并构建组学标签。比较HER2表达阳性与阴性亚组患者的影像组学得分差异,采用ROC曲线评价训练组中影像组学标签预测HER2的效能,并以获得的预测阈值用于验证组中进行验证。结果 最终获得由13个组学特征构成的影像组学标签。在训练组及验证组中,HER2阳性亚组与阴性亚组患者间组学得分差异均有统计学意义（P均<0.05）。基于T2WI的影像组学标签在训练组及验证组中的AUC分别为0.798、0.707。结论 基于T2WI构建的影像组学标签对术前预测乳腺癌HER2表达状态具有一定价值。