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。     

基于脂肪抑制增强T1WIDelta影像组学预测鼻咽癌患者放射治疗后口干分级

目的 基于脂肪抑制(FS)增强T1WI构建预测放射治疗(放疗)后鼻咽癌(NPC)患者口干级别的Delta影像组学模型，并评估其效能。方法 回顾性分析227例于诱导化学治疗(IC)后接受放疗或同步放化疗(CCRT)NPC患者IC前2周内及IC结束后鼻咽部MRI。于放疗结束后1周根据放射治疗肿瘤协作组标准评估患者口干分级(0～4级),将0、1级口干归为轻度口干(n=81),≥2级口干归为重度口干(n=146)。基于IC前、后FS增强T1WI提取双侧腮腺影像组学特征，计算Delta影像组学特征值。采用最小绝对收缩和选择算子和随机森林算法降维，筛选最优Delta影像组学特征，构建Delta影像组学模型。按8∶2比例将患者分为训练集(n=182)及测试集(n=45),绘制受试者工作特征(ROC)曲线，计算曲线下面积(AUC),评估Delta影像组学模型预测训练集及测试集NPC患者放疗后口干分级的效能；绘制校准曲线，评估模型性能。结果 分别基于IC前、后FS增强T1WI提取2 286个影像组学特征，最终筛选出8个最优Delta影像组学特征并以之构建模型，其预测训练集和测试集NPC患者放疗后口干分级...     

基于双参数磁共振影像组学模型评估前列腺癌风险分级的应用

目的 探讨基于双参数磁共振成像影像组学特征构建支持向量机(SVM)及随机森林(RF)两种机器学习模型预测前列腺癌风险分级的诊断作用。方法 回顾性纳入经病理确诊为前列腺癌患者119例,其中中低危组57例,高危组62例,入组患者均在术前2个月内行MRI检查。分别提取基于T₂WI、ADC序列的影像组学特征。将入组患者按7:3比例随机分为训练组和测试组。根据筛选后的影像组学特征分别建立基于T₂WI、ADC、T2WI+ADC的SVM模型及RF模型,用测试组对模型进行验模型验证,检验每一种模型的准确率、特异性、敏感性并绘制受试者操作特征曲线(ROC)。采用曲线下面积(AUC)评估影像组学模型对前列腺癌风险分级的预测效能。结果 基于T2WI序列建立的SVM模型、RF模型的AUC分别为0.797、0.713;基于ADC序列建立的SVM模型、RF模型的AUC分别为0.826、0.667;T2WI+ADC序列建立SVM模型、RF模型的AUC分别0.871、0.724。联合双参数的模型预测效能优于单参数模型。结论 本研究构建的基于双参数磁共振的SVM及RF模型在一...     

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...     

基于常规MRI图像的不同影像组学模型在脑胶质瘤术前分级中的应用

目的拟采用不同核磁共振图像、不同机器学习模型来建立胶质瘤术前分级的影像组学模型,探究影像组学模型在胶质瘤术前分级中的可行性。材料与方法回顾性分析术前行常规MRI检查的脑胶质瘤患者93例,分为低级别胶质瘤(LGG组)和高级别胶质瘤(HGG组)。将DICOM格式图像导入GE-AK软件,对T2WI和T1增强(T1CE)图像进行感兴趣区(region of interest,ROI)勾画,将提取得到的直方图特征和纹理特征导入R语言软件包进行特征预处理和降维,选择三种函数建立六种机器学习模型,将全部数据按照7︰3比例,分为训练集与测试集,利用10倍交叉验证对六种模型进行训练,然后通过测试集进行验证,并绘制ROC曲线,计算其分类LGG与HGG的敏感度、特异度、AUC。结果 LGG组平均年龄低于HGG组,差异有统计学意义(P0.01)。LGG组与HGG组性别组成差异无统计学意义(P0.05)。六种影像组学模型的AUC值均大于0.8,基于T1CE图像的影像组学模型的AUC值均大于基于T2WI图像模型的AUC,其中基于T1CE图像的RF模型的AUC最高,达到0.97。结论影像组学诊断模型对胶质瘤的病理分级具有较好的诊断价值,六种影像组学模型的诊断效能均较高,其中基于T1CE图像的RF模型诊断效能最高。     

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。     

基于CT皮质期影像组学预测肾细胞癌亚型的研究

目的：探讨基于CT皮质期影像组学鉴别肾透明细胞癌(ccRCC)和非透明细胞癌(non-ccRCC)的价值。方法：回顾性分析2017年1月—2022年12月经病理证实的122例肾细胞癌患者的资料,其中ccRCC 82例,non-ccRCC 40例,并以随机数表法按7∶3的比例将患者分成训练集(n=85)和验证集(n=37)。在CT皮质期手工逐层勾画肿瘤感兴趣区(ROI)后提取影像组学特征,使用特征间线性相关检查和F检验依次进行特征筛选,采用逻辑回归分类器构建影像组学模型。采用t检验、χ²检验及Logistic回归分析筛选CT影像特征,建立常规影像模型。综合影像组学评分和常规影像模型建立联合模型。绘制ROC曲线评估各模型的预测效能,AUC比较采用Delong检验。结果：影像组学模型在训练集和验证集中的AUC分别为0.990(95%CI 0.976～1.0)和0.890(95%CI 0.774～1.0)。在训练集和验证集中,影像组学模型和联合模型的预测效能均优于常规影像模型,差异有统计学意义(P均<0.05);相比联合模型,在验证集中影像组学模型的预测效能略高,但...     

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。     

基于病变内部及周围MRI影像组学特征预测临床显著性前列腺癌

目的探究基于病变内部及病变周围MRI影像组学模型预测临床显著性前列腺癌的价值。材料与方法140例(训练集112例,测试集28例)进行过前列腺磁共振扫描的患者纳入研究。手动勾画T2加权成像(T2 weighted imaging,T2WI)、ADC图像病变内部区域(intralesional volume,ILV)及病变周围区域(perilesional volume)并分别提取影像组学特征,构建最小绝对值收敛和选择算子(least absolute shrinkage and selection operator,LASSO)回归预测模型。运用ROC曲线分析、临床决策曲线分析对模型进行评估。结果训练集的AUC、准确率分别为:0.93(95%置信区间:0.88~0.98,特异度:0.87,敏感度:0.89)、0.84(95%置信区间:0.76~0.90)。测试集的AUC、准确率分别为0.92(95%置信区间:0.81~1.00,特异度:0.95,敏感度:0.68)、0.89(95%置信区间:0.72~0.98)。临床决策曲线分析中诊断阈值位于0.01~0.83或0.87~0.98时,运用预测模型患者具有良好的净受益。结论基于病变内部及病变周围MRI影像组学特征对于临床显著性前列腺癌的预测具有应用价值。     

超声影像组学在鉴别腮腺多形性腺瘤与基底细胞腺瘤中的临床价值

目的 探讨超声影像组学在腮腺多形性腺瘤(PA)与基底细胞腺瘤(BCA)鉴别诊断中的价值。方法 纳入222例病理诊断为腮腺PA或BCA患者,并分为训练集(130例PA和28例BCA)与验证集(51例PA和13例BCA)。从每个病例超声图像中提取了1 316个影像组学特征,经降维筛选后构建超声影像组学评分。同时构建临床+超声模型、超声影像组学模型及超声影像组学评分模型。通过受试者工作特征(ROC)曲线、校准曲线评价模型的预测效能,使用决策曲线分析(DCA)评估临床应用价值。结果 选择8个特征构建超声影像组学评分。年龄、形态、超声影像组学评分是鉴别PA与BCA的独立预测变量,基于上述变量构建超声影像组学模型。校准曲线显示超声影像组学模型的一致性较好,训练集与验证集的曲线下面积(AUC)分别为0.892(95%CI:0.834～0.951)、0.878(95%CI:0.793～0.963)。DCA结果表明其临床价值优于其他模型。结论 超声影像组学模型可较准确地鉴别PA和BCA,具有优化临床决策的潜力。     

基于多参数MRI影像组学信号预测直肠癌KRAS基因突变的研究

目的探索多参数MRI影像组学信号模型预测直肠癌(rectal cancer,RC)KRAS基因突变的价值.材料与方法回顾性分析深圳市人民医院2019年4月至2020年12月104例经病理证实且行术前MRI检查的直肠癌患者的临床病理资料和提取RC的多参数MRI影像组学特征.采用t检验、χ2检验或Mann-Whitney U检验分析临床病理特征和影像组学特征与KRAS基因突变的相关性,将有统计学意义的特征纳入LASSO回归模型进行特征选择和建立影像组学信号.采用受试者工作特征(receiver operating characteristic,ROC)的曲线下面积(area under the curve,AUC)评价影像组学信号对KRAS基因突变的预测效能.结果临床病理资料在有无KRAS基因突变间差别无统计学意义.321个影像组学特征中,单因素分析表明16个影像组学特征与KRAS基因突变有相关性.LASSO回归筛选出7个影像组学特征构建影像组学信号,在验证集和预测集中预测KRAS基因突变的AUC值分别为0.81(0.70～0.92)和0.77(0.63～0.91,P=0.60),其中ADC特征中一阶偏度的压缩系数最大为3.36.结论MRI影像组学特征可以作为预测KRAS基因突变的生物学标记,其中ADC特征中偏度的预测效能最好.     

MRI影像组学鉴别三阴性与非三阴性乳腺癌的价值

目的探讨基于多参数MRI影像组学特征在术前鉴别诊断三阴性与非三阴性乳腺癌的价值。方法回顾性分析106例乳腺癌患者的多参数MRI图像,73例为训练组,33例为验证组。根据病理分子分型,将患者分为三阴性乳腺癌24例,非三阴性82例。采用ITK软件手动勾画病灶体积兴趣区(VOI),于A.K软件中提取影像组学特征并进行筛选,以构建组学标签。采用多元Logistic回归分别构建4个预测模型:ADC、T2WI、DCE、联合特征集,采用ROC曲线下面积、敏感度、特异度评价训练组中影像组学标签鉴别三阴性与非三阴性乳腺癌的诊断效能,并用验证组进行验证。结果训练组中,T2WI的AUC值最高0.993,高于其他特征集(ADC:0.964;DCE:0.866;联合:0.973)。验证组中T2WI预测模型的AUC值为0.885高于其他特征集(ADC:0.837;DCE:0.810;联合:0.880)。敏感度T2WI和DCE特征集最高达96%。ADC特征集特异度最高81.5%。结论基于MRI的影像组学特征在鉴别三阴性与非三阴性乳腺癌方面具有较大价值,尤其是基于T2WI序列的组学标签,可能是潜在的生物学标志。     

联合临床、MR T2WI及表观弥散系数图影像组学特征列线图预测初发前列腺癌骨转移

目的 评估基于临床、MR T2WI及表观弥散系数(ADC)图影像组学特征构建的联合模型列线图预测初发前列腺癌骨转移的价值。方法 回顾性分析110例接受前列腺MR检查且经病理证实的初发前列腺癌患者,根据⁹⁹Tc^m亚甲基二磷酸盐(⁹⁹Tc^m-MDP)全身骨显像分为骨转移组(n=50)和无骨转移组(n=60)。基于T2WI及ADC图各提取851个、共1 702个影像组学特征,筛选最佳特征,计算影像组学评分并建立影像组学模型。应用单因素和多因素logistic回归分析筛选初发前列腺癌骨转移的临床相关独立危险因素,建立临床模型,并构建临床独立危险因素联合影像组学评分联合模型,绘制列线图将之可视化。以受试者工作特征(ROC)曲线评估各模型预测初发前列腺癌骨转移的效能,以决策曲线分析(DCA)评价联合模型的价值。结果 最终选出11个最佳影像组学特征,以之建立的影像组学模型预测初发前列腺癌骨转移的曲线下面积(AUC)为0.82。总前列腺特异性抗原、碱性磷酸酶和N分期是初发前列腺癌骨转移的临床独立危险因素(P均＜0.05),以之构建的临床模型的AUC为0.93。联合模型的AUC(0.96)高于临床模型(Z=－2.066,P=0.039)和影像组学模型(Z=－3.451,P＜0.001)。联合模型在阈值概率0~0.98时的临床净获益大于临床模型。结论 基于临床联合T2WI及ADC图影像组学特征的列线图可有效预测初发前列腺癌骨转移。     

基于超声造影影像组学预测局部进展期直肠癌新辅助放化疗病理完全缓解的应用研究

目的评估基于超声造影的影像组学模型对局部进展期直肠癌(LARC)患者新辅助放化疗(nCRT)后病理完全缓解(pCR)的预测效能。方法本研究回顾性纳入2018年4月至2023年4月在广西医科大学第一附属医院接受nCRT后行全直肠系膜切除的106例LARC患者, 以6∶4随机划分为训练集63例(pCR者14例)和验证集43例(pCR者12例)。基于PyRadiomics从超声造影图像肿瘤感兴趣区域提取影像学特征。采用类内相关系数、Mann-WhitneyU检验、最小绝对收缩和选择算子算法对特征进行降维。最后选取7个与pCR相关的影像学特征, 基于R语言使用弹性网络回归构建超声造影影像组学模型, 并与临床特征融合构建一个联合模型。采用ROC曲线下面积(AUC)评估模型的诊断效能。结果训练集中, 超声造影影像组学模型的AUC为0.695(95%CI=0.532～0.859), 联合模型的AUC为0.726(95%CI=0.584～0.868)。验证集中, 超声造影影像组学模型的AUC为0.763(95%CI=0.625～0.902), 联合模型的AUC为0.790(95%CI=0.653～0....     

基于双参数MRI影像组学构建的支持向量机模型对乳腺癌人表皮生长因子受体-2和激素受体表达的预测效能

目的 构建基于磁共振T₂WI反转恢复压脂(TIRM)及扩散加权成像(DWI)序列图像的支持向量机(SVM)模型,评估其对乳腺癌人表皮生长因子受体-2(HER-2)和激素受体(HR)表达水平的预测效能。方法 收集128个于术前或治疗前接受乳腺MRI检查的乳腺癌病灶。根据免疫组织化学(IHC)或原位荧光杂交(FISH)检测结果进行分组。使用ITK-SNAP软件在磁共振TIRM和DWI序列图像上勾画三维容积感兴趣区(VOI),并导入Pyradiomics程序提取影像组学特征。对数据进行归一化处理后使用基于支持向量机的递归特征消除法(SVM-RFE)筛选特征。采用随机分层抽样方法将108例病例按照8∶2比例分为训练组及验证组,另外20例作为外部测试组。采用SVM机器学习分类器构建影像组学模型。采用受试者工作特征(ROC)曲线评估模型预测效能。采用DeLong检验评估各影像组学模型ROC曲线下面积(AUC)。采用SHAP算法进行可视化分析,并筛选最具贡献力的预测特征。结果 联合模型(训练组AUC=0.94;验证组AUC=0.90)对HER-2的预测效能均高于TIRM模型(训...     

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。     

垂体相关临床及MRI影像组学特征联合列线图鉴别特发性中枢性性早熟与单纯乳房早发育

目的 观察垂体相关临床及MRI影像组学特征联合列线图鉴别特发性中枢性性早熟(ICPP)与单纯乳房早发育(PT)的价值。方法 纳入67例ICPP及51例PT共118例患儿,按照7 ∶ 3比例随机分为训练集(n=83)和验证集(n=35),记录其垂体相关临床资料,以多因素logistic回归分析筛选并建立临床模型。采集垂体MRI,基于矢状位T1WI提取垂体影像组学特征,以最大相关最小冗余、最小绝对收缩和选择算子及多因素logistic回归筛选最佳影像组学特征,构建影像组学模型。联合应用临床、MRI及影像组学特征构建列线图模型。绘制受试者工作特征曲线,评估模型鉴别诊断效能;以决策曲线分析(DCA)观察临床获益度。结果 训练集ICPP与PT患儿年龄、骨龄、体质量、黄体生成素(LH)基础值、卵泡刺激素基础值及垂体高度差异均有统计学意义(P均＜0.05)。骨龄及LH基础值是鉴别ICPP与PT的独立因素(OR=1.807、1.422,P均＜0.05),以之建立的临床模型鉴别训练集、验证集ICPP与PT的曲线下面积(AUC)分别为0.849和0.812。共提取垂体1 781个影像组学特征,于其中筛选出1个形态特征、1个一阶特征及1个灰度区域大小矩阵特征建立影像组学模型,其鉴别训练集和验证集ICPP与PT的AUC分别为0.956和0.947。基于最终得出的2个临床及3个垂体MRI影像组学特征构建的列线图模型鉴别训练集、验证集ICPP与PT的AUC分别为0.981、0.977,均优于临床模型(P均＜0.05),而与影像组学模型差异无统计学意义(P均＞0.05)。一定危险阈值范围内,列线图模型净收益最大。结论 基于垂体相关临床及MRI影像组学特征建立的联合列线图模型用于鉴别ICPP与PT具有较高价值。     

CT影像组学列线图评估非小细胞肺癌程序性死亡受体1表达

目的 观察CT影像组学列线图评估非小细胞肺癌(NSCLC)程序性死亡受体1(PD-1)表达的价值。方法 纳入143例NSCLC患者，其中PD-1阳性30例、阴性113例；按7∶3比例将其分为训练集(n=101)和验证集(n=42),比较PD-1阳性与阴性患者临床资料差异，以logistic回归分析筛选临床因素，构建临床模型；基于CT提取并筛选影像组学特征，建立影像组学模型；结合临床因素及影像组学特征构建CT影像组学列线图，分析各模型评估PD-1表达的效能。结果 针对训练集及验证集，临床模型评估NSCLC PD-1表达的曲线下面积(AUC)分别为0.79和0.74,影像组学模型的AUC分别为0.89和0.81,CT影像组学列线图的AUC分别为0.92及0.86。DeLong检验结果显示，仅临床模型与CT影像组学列线图评估训练集NSCLC PD-1表达的AUC差异有统计学意义(Z=2.47,P=0.01),其余AUC两两比较差异均无统计学意义(P均>0.05)。结论 CT影像组学列线图有助于评估NSCLC PD-1表达。     

机器学习鉴别ⅠA期宫颈癌与高级别鳞状上皮内病变:基于MRI影像组学模型

目的 利用宫颈MRI图像提取影像组学特征,建立随机森林模型识别ⅠA期宫颈癌与高级别鳞状上皮内病变(high-grade squamous intraepithelial lesion,HSIL).材料与方法 回顾性分析经手术病理证实的43例ⅠA期宫颈癌患者与51例HSIL患者,按照4:1的比例设置训练集(ⅠA=34,HSIL=41)与测试集(ⅠA=9,HSIL=10).收集其术前MRI图像,经预处理后上传至影像组学云平台,分别在OSag-T2WI、OAx-T1WI以及OAx-T2FS上逐层手动勾画宫颈,获得宫颈三维容积感兴趣区(volume of interest,VOI),提取组学特征.采用方差阈值分析法(Variance Threshold)、单变量特征选择法(SelectKBest)以及最小绝对值收缩和选择法(least absolute shrinkage and selection operator,LASSO)进行数据降维、特征选择.采用随机森林模型进行机器学习,绘制ROC曲线,分析不同序列组学模型的诊断效能.结果 基于OSag-T2WI、OAx-T1WI、OAx-T2FS以及OSag-T2WI联合OAx-T2FS分别得到8个、10个、6个以及9个有效特征.以OSag-T2WI联合OAx-T2FS的组学特征值建立的随机森林模型诊断效能最高,AUC为0.89[95％CI(0.74～1.00)];基于OAx-T1WI的模型诊断效能最低,AUC为0.51[95％CI(0.23～0.78)].结论 基于MRI的影像组学随机森林模型可以较好地在没有明确病灶的情况下区分ⅠA期宫颈癌与HSIL,对于术前减少侵入性检查与指导术式有着重大的意义.