基于增强 CT 影像组学模型在鉴别良恶性小肾肿瘤的价值

目的 探讨增强CT影像组学模型鉴别良恶性小肾肿瘤(直径≤4 cm)的价值。方法 选取经病理证实为恶性小肾肿瘤患者151例，良性小肾肿瘤患者49例。采用分层抽样方法将200例患者按照7∶3比例随机划分为训练集140例及验证集60例，分别于肾皮髓质期、实质期及排泄期逐层手动勾画感兴趣区(ROI),提取影像组学特征。采用最小绝对收缩和选择算法(LASSO)进行降维，建立单独期相模型和联合期相模型共7个模型：1)皮髓质期；2)实质期；3)排泄期；4)皮髓质期-实质期；5)皮髓质期-排泄期；6)实质期-排泄期；7)三期联合模型。通过绘制受试者工作特征曲线(ROC)及曲线下面积(AUC)评估模型的诊断效能。使用De-Long检验比较不同模型间的效能差异。结果 三期联合模型的鉴别效能(训练集AUC为0.931;验证集AUC为0.870)高于两两联合模型和单独期相模型，差异有统计学意义(P<0.05);皮髓质期-实质期模型的鉴别效能(训练集AUC为0.913,验证集AUC为0.832)高于皮质期-排泄期模型、实质期-排泄期模型和单独期相模型，差异有统计学意义(P<0.05)。单独期相模型中...     

基于三期增强CT影像组学和临床特征在小肾透明细胞癌鉴别诊断中的应用分析

目的 探讨基于三期增强CT的影像组学和临床特征在小肾透明细胞癌与小肾非透明细胞癌的鉴别诊断中的应用价值。方法 回顾性分析102例(透明细胞肾细胞癌75例，非透明细胞肾细胞癌27例)经病理诊断为肾细胞癌(RCC)的患者的包括性别、年龄、肿瘤最大径、肿瘤位置(左肾或右肾)、出血、钙化、囊变坏死、中心瘢痕、假包膜在内的临床信息及患者的三期增强CT图像，在每一期的图像上逐层勾画感兴趣区(ROI);提取病灶的纹理特征；利用方差阈值法、K最佳法、LASSO模型进行降维筛选，分别在皮质期、实质期、排泄期筛选出来20、11、14个最佳特征；利用这些影像组学特征和具有统计学意义的临床特征构建基于支持向量机(SVM)模型的单期、两期联合、三期联合分类器模型；通过受试者工作特征(ROC)曲线和校准曲线来评价模型的性能。结果 患者仅假包膜一项临床信息与小肾癌的病理类型的差异具有统计学意义(P=0.001),其余的临床信息包括：性别、肿瘤位置、出血、钙化、囊变坏死、中心瘢痕、年龄、肿瘤最大径与小肾癌病理类型的差异均无统计学意义(P>0.05);在测试集上，实质期模型达到曲线下面积(AUC)=0.59,排泄...     

CT影像组学预测肾透明细胞癌核分级：扫描期相及ROI勾画策略

【摘要】目的：探讨不同CT扫描期相及感兴趣区（ROI）勾画策略对影像组学方法预测肾透明细胞癌（ccRCC）核分级效能的影响。方法：回顾性搜集具有完整4期CT扫描图像（平扫期、皮髓质期、实质期和排泄期）且经病理证实为ccRCC的137例患者的病例资料。其中,96例为低级别（Fuhrman 1级和2级）ccRCC,41例为高级别（Fuhrman 3级和4级）ccRCC。在每期图像中选取肿瘤最大层面,使用ITK-SNAP软件分别勾画出病灶最大层面的2D-ROI并获得全瘤3D-ROI,并使用Pyradiomics软件分别提取病灶的影像组学特征。然后,采用22种特征选择方法和8种分类算法对组学特征进行筛选并构建了176个分类模型,使用五折交叉检验法验证各模型的预测效能,并采用诊断符合率、敏感度、特异度和受试者工作特征曲线下面积（AUC）评估模型的预测效能。结果：基于3D-ROI的影像组学模型鉴别高、低核级ccRCC的前5个最大AUC的平均值及相应诊断符合率的平均值高于基于2D-ROI的影像组学模型。基于平扫期的影像组学模型的前5个最大AUC的平均值优于其它3个期相。在平扫、皮髓质期、实质期和排泄期CT图像上基于3D-ROI的组学模型的最大AUC分别为0.822、0.732、0.742和0.780,基于2D-ROI的组学模型的最大AUC分别为0.738、0.692、0.710和0.674。结论：采用影像组学方法预测ccRCC核分级推荐选用平扫图像和全瘤3D-ROI。     

基于CT影像组学列线图鉴别腮腺多形性腺瘤与基底细胞腺瘤的价值

目的:探讨CT影像组学列线图对腮腺多形性腺瘤(PA)和基底细胞腺瘤(BCA)的鉴别诊断价值。方法:回顾性分析2020年1月-2022年8月在本院经病理证实的88例PA和29例BCA患者的临床资料和CT平扫及双期增强图像。以7∶3的比例将所有患者随机分为训练集(n=81)和测试集(n=36)。分别在3期(动脉期、平扫和静脉期)CT图像上沿病灶边缘逐层勾画ROI,提取病灶的全容积影像组学特征，并采用Spearman相关性分析、互信息法以及递归特征消除法行特征筛选，构建训练集模型和验证测试集模型并计算相应的影像组学评分(Radscore)。经单因素分析，将有统计学意义的临床资料和CT征象用于构建临床模型。基于影像组学模型和临床模型建立联合模型，并绘制联合模型的列线图。采用受试者工作特征曲线(ROC)、连续净重分类改善度(NRI)及综合判别改善度(IDI)来评估各模型的诊断效能，采用校准曲线评估和决策曲线评估列线图的准确性和临床实用价值。结果:基于CT平扫、动脉期和静脉期图像分别筛选出7个、8个和8个最佳组学特征。单期相(动脉期、平扫和静脉期)影像组学模型及临床模型鉴别PA与BAC的AUC分别...     

CT影像组学模型及深度学习技术预测肺腺癌EGFR突变

【摘要】目的：探讨基于CT图像建立的影像组学模型及深度学习模型在预测肺腺癌表皮生长因子受体（EGFR）突变中的价值。方法：回顾性分析228例经手术病理证实的肺腺癌患者的CT图像,其中EGFR突变型116例,野生型112例。由两位放射科医师各自独立在CT图像上沿肺癌病灶边缘手动逐层勾画感兴趣区（ROI）获得病灶全容积ROI后提取影像组学特征。比较两位医师提取的影像组学特征的一致性,自高年资医师提取的特征中选取组内相关系数大于0.7的影像组学特征纳入研究。分别按照70%和30%的比例将所有病灶随机划分为训练集和验证集。在训练集中利用LASSO回归方法对影像组学特征进行筛选后,分别建立影像组学评分（Radscore）、随机森林（RF）和支持向量机（SVM）三种影像组学模型。此外,将训练集图像输入ResNet深度学习网络中建立深度学习模型。在验证集中对上述4个模型进行验证,计算敏感度、特异度和ROC曲线下面积（AUC）来评价不同模型的预测效能。结果：自CT图像中共提取了306个一致性良好的影像组学特征,经筛选后获得9个最佳特征用于建立影像组学模型。在验证集中,SVM模型的AUC（0.813）高于Radscore（0.761）和RF模型（0.775）,但差异无统计学意义（P=0.089和0.330）;ResNet模型的AUC为0.916,高于SVM模型（0.813）、Radscore（0.761）和RF模型（0.775）。ResNet模型与Radscore和RF模型间AUC的差异具有统计学意义（P=0.031和0.043）,与SVM模型间AUC的差异无统计学意义（P=0.106）。ResNet模型的敏感度为0.879,高于SVM模型（0.771）、Radscore（0.818）和RF模型（0.743）。ResNet模型的特异度为0.914,高于SVM模型（0.758）、Radscore（0.714）和RF模型（0.727）。结论：基于CT图像的影像组学模型能够较好地预测EGFR基因突变,深度学习技术可以有效提高模型的预测准确性。     

基于CT图像的深度学习模型鉴别良恶性肾肿瘤

目的:探讨基于CT图像的深度学习模型对肾脏良、恶性肿瘤的鉴别诊断价值。方法:回顾性搜集2008-2020年经病理证实且符合本研究要求的798位患者(共805例肾肿瘤)的临床和三期(平扫、皮髓质期和实质期)腹部CT影像资料。其中,来自本院的418例肾癌和78例肾良性肿瘤的资料用于建立影像组学模型和内部验证,来自另外两个研究中心和一个公共数据库(癌症医学图像数据库TCIA)的262例肾癌和47例肾良性肿瘤的资料作为独立外部验证集。使用ITK-SNAP3.6.0软件,在三期CT图像中选择肿瘤边缘显示较清楚的一期图像,选取肿瘤最大层面及其上、下相邻层面,沿病灶边缘手动勾画ROI,再通过软件的空间调整技术,使另外两期CT图像上肿瘤的边缘与勾画的ROI的边缘最大程度地拟合。使用ResNet50网络中的卷积核作为特征提取器,分别提取3期图像上肾肿瘤的影像组学特征,并采用Mann-Whitney U检验进行特征的筛选。对于同一肾肿瘤,分别建立基于单期和3期CT图像的深度学习模型,并对各模型的预测效能进行外部验证。随后,将训练集中良、恶性肿瘤组的样本数按3种比例(1∶1、1∶2、1∶3)进行设置,分别用...     

CT定量分析对肾脏乏脂血管平滑肌脂肪瘤与肾透明细胞癌的鉴别诊断

【摘要】目的：探讨CT定量分析对肾脏乏脂血管平滑肌脂肪瘤（mfAML）与肾透明细胞癌 （ccRCC）的鉴别诊断价值。方法：搜集经病理证实的60例ccRCC患者和33例mfAML患者的CT影像资料。分别测量肾肿瘤病灶实质部分及同侧肾皮质的四期CT值。对比两组病灶的平扫CT值及强化方式的差异,对不同强化模式下两组病灶的三期增强CT值、绝对强化CT值及相对强化幅度分别进行定量分析。结果：mfAML组肿瘤实质平扫CT值较ccRCC组高,差异有统计学意义（P＜0.001）,且当平扫CT值取43HU为阈值时,鉴别二者的敏感度达93.3%。增强扫描后mfAML与ccRCC大部分均表现为“快进快出”型强化,差异无统计学意义（χ2=4.358,P=0.085）。“快进快出强化”型及“持续强化”型ccRCC组肿瘤三期增强CT值、三期绝对强化CT值及三期相对强化幅度均高于mfAML组,差异均有统计学意义（P＜0.05）。且当“快进快出型”病灶排泄期相对强化幅度取0.40为阈值、“持续强化”型病灶皮髓质期相对强化幅度取0.40为阈值时,鉴别mfAML组与ccRCC组的敏感度分别达91.5%、100%。结论：平扫时CT值＞43HU、“快进快出型”病灶排泄期相对强化幅度、“持续强化”型病灶皮髓质期相对强化幅度＜0.40诊断肿瘤为mfAML时有较高诊断价值。     

基于CT影像组学列线图鉴别甲状腺乳头状癌与结节性甲状腺肿的价值

目的 探讨基于CT影像组学列线图鉴别诊断甲状腺乳头状癌(PTC)与结节性甲状腺肿(NG)的临床价值。方法 回顾性分析经病理证实的甲状腺结节患者的临床资料及CT图像。术前2周内行CT平扫及增强扫描；PTC 113例，NG 119例；以7∶3的比例随机分层抽样划分成训练集(n=162)和测试集(n=70)。从CT平扫及双期增强图像中提取甲状腺结节相关征象和影像组学特征，通过临床影像征象和影像组学特征筛选，训练集与测试集均构建4个独立模型并计算影像组学评分，基于影像组学评分和临床模型构建联合模型，并基于联合模型绘制列线图。通过受试者工作特征曲线、曲线下面积(AUC)、连续净重分类改善度(NRI)及综合判别改善度(IDI)等多个指标评估各模型对PTC与NG的鉴别诊断效能，利用校准曲线直观的评估列线图的可靠性与准确性，使用决策曲线评估列线图的临床实用价值。结果 平扫、动脉期、静脉期分别保留了6、4、3个影像组学特征，分别构建单期相影像组学模型。单期相中，平扫模型鉴别诊断效能最优，6个独立预测因子用于构建临床模型，基于联合模型的列线图对PTC与NG具有最高的鉴别诊断效能(训练集：AUC为0.980...     

CT相对强化比值鉴别肾嗜酸性细胞瘤与肾透明细胞癌的应用价值

目的:探讨CT相对强化比值(病灶/肾皮质密度比值)鉴别肾嗜酸性细胞瘤(RO)与肾透明细胞癌(RCC)的应用价值.方法:回顾性分析经手术病理证实的14例RO和32例RCC的CT强化特征.分别测量两组病例CT增强各时相病灶强化区域及相邻肾皮质密度,比较各时相病灶CT值和病灶/肾皮质密度比值.采用独立样本t检验及卡方检验对测量结果进行统计学分析.结果:RCC于CT增强皮质期、髓质期和肾盂期测得的病灶CT绝对值均高于RO,但差异无统计学意义(P均＞0.05);27例RCC(27/32,占84％)皮质期病灶/肾皮质密度比值＞1,仅1例RO(1/14,占93％)病灶/肾皮质密度比值＞1,两者间差异具有统计学意义(P＜0.05);10例RO(10/14,占71％)髓质期病灶/肾皮质密度比值高于皮质期,呈“延迟强化”表现,仅1例RCC(1/32,占3％)髓质期病灶/肾皮质密度比值高于皮质期,呈“延迟强化”表现,两者间差异具有统计学意义(P＜0.05).以皮质期病灶/肾皮质密度比值＜1为标准,诊断RO的敏感度、特异度、阳性预测值、阴性预测值、准确性分别为93％、84％、72％、84％和87％;以髓质期病灶/肾皮质密度比值高于皮质期为标准,诊断RO的敏感度、特异度、阳性预测值、阴性预测值、准确性分别71％、97％、91％、91％和89％.结论:应用CT相对强化比值(病灶/肾皮质密度比值)分析法有助于鉴别RO与RCC.     

基于CT影像组学鉴别非小细胞肺癌纵隔转移性淋巴结的模型研究

目的建立不同CT扫描时相图像鉴别非小细胞肺癌(non-small cell lung cancer,NSCLC)纵隔淋巴结的影像组学模型,并探讨不同模型的诊断效能。方法回顾性分析86例NSCLC患者的术前CT图像,所有患者均行平扫期、动脉期和静脉期CT扫描。选取231枚纵隔淋巴结为研究对象,将2015年1月—2017年6月入组的163枚淋巴结作为训练组,2017年7月—2018年6月入组的68枚淋巴结作为验证组。分别在三时相图像上勾画感兴趣区域(regions of interest,ROI),每个ROI提取841个影像特征,使用LASSO算法筛选特征,基于各时相CT影像组学特征和两不同时相CT影像组学特征的差值建立模型。比较不同模型的受试者工作特征曲线(receiver operating characteristic,ROC)下面积(AUC值)、敏感性、特异性、准确度、阳性预测值和阴性预测值的差异。结果共建立6个模型,其AUC值均>0.800。平扫期CT模型具有最优的鉴别效能,其训练组的AUC值、特异性、准确度、阳性预测值分别为0.926、0.860、0.871、0.906,验证组的AUC值、特异性、准确度、阳性预测值分别为0.925、0.769、0.882、0.870,均高于其他模型。平扫和静脉期CT图像联合动脉期CT图像之后,训练组的敏感性、阴性预测值分别从0.879、0.821和0.919、0.789提高到0.949、0.878和0.979、0.900。结论CT各时相影像组学模型均可用于辅助临床诊断淋巴结。平扫CT影像组学模型的AUC值最高,而联合动脉期CT图像可提高模型的敏感度及阴性预测值。     

低剂量CT灌注联合影像组学评估非小细胞肺癌的纵隔淋巴转移

目的:探究基于低放射剂量CT灌注影像提取CT灌注参数以及影像组学参数联合评估非小细胞肺癌(NSCLC)纵隔淋巴转移的效能。方法:纳入2017年3月-2020年5月经病理证实为纵隔淋巴转移的NSCLC患者以及非纵隔淋巴转移的NSCLC患者,所有患者于术前行低剂量CT灌注扫描。术中系统性清扫患者N1及N2站淋巴结,并取肿瘤组织以及淋巴结分别做微血管密度免疫组化检验以及淋巴结病理检测。将所有患者按照分层随机的原则以7:3的比例分为训练组和验证组。诊断医师基于CT灌注图像进行肿瘤感兴趣区域分割,并提取CT灌注参数:血流量(BF)、血容量(BV)、平均通过时间(MTT)、血管通透性(PMB)以及396个影像组学参数。基于训练组人群的影像组学特征降维后采用LASSO构建影像组学标签Radscore,联合Radscore以及CT灌注参数构建多元逻辑回归模型评估非小细胞肺癌患者纵隔转移的可能性。结果:经过特征降维后,利用LASSO构建Radscore,选择惩罚系数log(λ)=0.867,共计7个影像组学。Radscore在训练组中和验证组中评估NSCLC纵隔淋巴细胞转移时具有较好的诊断效能(0.840 vs 0.841);训练组中纵隔转移和非纵隔转移患者的CT灌注参数:MTT以及BV具有统计学差异,且在训练组和验证组中的诊断效能高于随机诊断[(0.687 vs 0.698>0.500)(0.672 vs 0.698>0.500)]。联合Radscore以及CT灌注参数BV和MTT构建的联合模型Image model的诊断效能在训练组中高于Radscore、BV、MTT(P=0.378、0.014、0.010),在验证组中低于Radscore,高于BV、MTT(P=0.563、0.631、0.093)。Image model Hosmer-Lemeshow统计结果显示模型与实际观察情况无显著差异,可拟合(P>0.05)。结论:CT灌注参数与影像组学标签可用以评估非小细胞肺癌患者纵隔淋巴是否转移,同时联合CT灌注参数与影像组学标签可构建联合模型评估纵隔淋巴是否转移。     

基于T2WI和增强MRI影像组学列线图预测宫颈鳞癌淋巴脉管间隙浸润

目的:探讨基于T₂WI和增强MRI影像组学列线图对宫颈鳞癌淋巴脉管间隙浸润(LVSI)的预测价值。方法:将92例经术后病理证实的宫颈鳞癌患者纳入研究,并按7:3的比例随机分为训练集(66例)和验证集(26例)。所有患者术前行MRI检查,在横轴面T₂WI和对比增强T₁WI(T1CE)上选取病灶最大层面沿肿瘤边缘勾画ROI,应用AK软件提取影像组学特征。采用mRMR和LASSO回归分析对提取的纹理特征进行初步筛选,然后进行多因素logistic回归分析,构建影像组学模型。使用单因素logistic回归分析筛选临床病理危险因素,并使用多因素logistic回归结合影像组学评分(Radscore)构建影像组学列线图。应用ROC曲线评估影像组学模型、临床病理危险因素模型和影像组学列线图模型的预测能力,并应用决策曲线分析评估影像组学列线图的临床应用价值。结果:在T₂WI和T1CE图像上分别提取病灶的396个影像组学特征,最终筛选出14个具有最大诊断效能的纹理特征。使用多因素logistic回归构建包含FIGO分期、分化程度和Radscore的影像组学列线图。影像组学列线图的预测效能优于临床病理危险因素模型(训练集中,AUC:0.96 vs.0.70;Delong检验:Z=4.04,P=5.415e-05;验证集中,AUC:0.87 vs.0.71;delong检验:Z=1.24,P=0.02)。决策曲线分析显示风险阈值为0.01~1.00时使用影像组学列线图对预测宫颈鳞癌LVSI情况的临床应用价值较大。结论:基于双序列MRI构建的影像组学列线图对宫颈鳞癌LVSI情况有较好的预测能力,可作为一种术前评估的无创性影像学生物标志。     

基于增强CT影像组学列线图预测单发肝细胞癌GPC3表达状态

目的 探讨增强CT影像组学列线图在鉴别单发肝细胞癌（HCC）磷脂酰肌醇蛋白聚糖3（GPC3）表达中的价值。方法 回顾性收集来自2个医疗机构共152例单发HCC病人的临床及影像资料,所有病人均行上腹部增强CT扫描并记录GPC3表达水平。天津市第一中心医院的106例病人资料作为训练集（GPC3阳性83例、阴性23例）,天津医科大学肿瘤医院的46例病人资料作为验证集（GPC3阳性35例、阴性11例）。对所有病人术前1个月内增强CT影像进行影像组学特征提取。在训练集中,对所有影像组学特征进行降维并得到最优子集,计算影像组学评分（Radscore）;比较GPC3阳性组和阴性组间临床资料[包括血清甲胎蛋白（AFP）、糖类抗原199（CA199）等]的差异,将差异有统计学意义的指标进行二元logistic回归分析,获得GPC3阳性的独立预测因素。将获得的临床信息及Radscore分别建立临床列线图、影像组学列线图及联合列线图。采用受试者操作特征曲线下面积（AUC）分析各列线图对GPC3表达状态的预测能力,采用DeLong检验比较各列线图间的诊断效能,并用决策曲线分析评估列线图的临床价值。使用验证集数据对列线图预测效能进行验证。结果 二元logistic回归显示血清AFP、CA199、Radscore是GPC3阳性的独立危险因素[优势比（OR）分别为8.503、1.090、13 300.044,均P<0.05]。校准曲线显示联合列线图对GPC3阳性表达的预测概率与实际概率一致性良好。训练集中,联合列线图的AUC（0.918）高于影像组学列线图（0.842）和临床列线图（0.787）（均P<0.05）,联合列线图的敏感度最高,而临床列线图的特异度最高;验证集中,联合列线图的AUC（0.896）高于影像组学列线图（0.726）和临床列线图（0.803）（均P<0.05）,联合列线图的敏感度和特异度均最高。决策曲线分析显示当阈值概率处于16%~86%时,联合列线图的临床净获益高于临床列线图和影像组学列线图。结论 基于增强CT的影像组学列线图可以术前鉴别单发HCC GPC3阳性和阴性表达,联合列线图进一步提高了预测效能。     

基于增强CT影像组学评分和临床分期的列线图预测胃癌脉管浸润的价值

目的 探讨基于增强CT影像组学评分（Radscore）和TNM分期的列线图预测胃癌脉管浸润（LVI）的价值。 方法 回顾性收集160例术前行上腹部CT增强检查且行术后胃癌LVI状态评估的病人,男109例,女51例,平均年龄（62.23±10.74）岁。160例病人（包括LVI阴性者92例,阳性者68例）按照7∶3比例随机分为训练集（112例）和测试集（48例）;其中,训练集中LVI阴性者60例、阳性者52例,测试集中LVI阴性者32例、阳性者16例。基于增强CT影像提取并筛选影像组学特征,建立影像组学标签并计算Radscore。采用t检验、Mann-Whitney U检验、卡方检验或Kruskal-Wallis H 检验比较LVI阳性组和阴性组间临床病理特征[病人性别、年龄、肿瘤直径、TNM分期、AJCC分期、肿瘤分化程度及癌胚抗原（CEA）、糖类抗原199（CA199）]的差异,将差异有统计学意义的特征和影像组学标签纳入多因素logistic回归,建立临床影像联合模型和列线图。采用受试者操作特征（ROC）曲线评估影像组学模型和列线图的预测效能并计算相应的曲线下面积（AUC）。采用决策曲线评价影像组学模型和列线图的临床净获益。分别基于训练集及测试集中的数据绘制校准曲线对列线图进行验证。 结果 LVI阳性组和阴性组间肿瘤T分期、N分期、AJCC分期的差异均有统计学意义（均P<0.05）,且LVI阳性组的Radscore高于阴性组（P<0.05）。在测试集中,基于T分期、N分期、AJCC分期和Radscore的临床影像联合模型预测LVI的AUC值、准确度和特异度较影像组学模型分别提高了8.2%、18.2%和21.9%。决策曲线分析显示应用联合模型的临床净获益优于影像组学模型。联合模型的列线图显示Radscore得分最高,其次是AJCC分期,最后是N分期和T分期。训练集和测试集中的校准曲线显示列线图的预测结果与真实结果具有较好的一致性。 结论 联合T分期、N分期、AJCC分期和增强CT的Radscore建立的列线图能够成功预测胃癌LVI。     

基于不同时相增强CT的影像组学对胰腺实性假乳头状肿瘤侵袭性行为的预测价值

目的:探讨CT影像组学对胰腺实性假乳头状肿瘤（pSPN）侵袭性行为的预测价值。方法:回顾性分析2012年1月至2021年1月郑州大学第一附属医院经术后病理证实的pSPN患者的CT图像,其中侵袭性23例、非侵袭性59例。分别在平扫、动脉期和静脉期CT图像上逐层勾画感兴趣区（ROI）获得三维ROI,每个ROI提取1 316...     

基于乳腺X线图像影像组学列线图对乳腺癌腋窝淋巴结转移的预测价值

目的:探讨基于乳腺X线图像影像组学列线图对乳腺癌腋窝淋巴结(ALN)转移的预测价值.方法:回顾性分析188例乳腺癌患者的乳腺X线图像和临床资料,按照7:3的比例将患者随机分割为训练组(n=130)和验证组(n=58).使用MaZda软件在乳腺X线图像内提取影像组学特征,应用方差选择法和最小绝对收缩与选择算子算法(LAS...     

基于动态增强MRI影像组学评分和激素受体的列线图预测乳腺癌新辅助化疗不敏感的价值

目的 探讨基于动态增强MRI（DCE-MRI）影像组学评分（Radscore）和激素受体状态的列线图预测乳腺癌新辅助化疗（NAC）疗效不敏感的价值。 方法 回顾性收集128例行乳腺癌NAC治疗的女性病人,平均年龄（49.2±10.0）岁。128例病人按照7∶3比例随机分为训练集90例（疗效敏感者47例,疗效不敏感者43例）和测试集38例（疗效敏感者15例,疗效不敏感者23例）。基于DCE-MRI影像提取并筛选影像组学特征,采用多因素逻辑回归构建影像组学模型并计算模型的Radscore。采用t检验、χ²检验或Fisher确切概率检验比较训练集和测试集中临床病理指标[年龄、雌激素受体（ER）、孕激素受体（PR）、人表皮生长因子受体-2（HER-2）和肿瘤增殖细胞核抗原-67（Ki-67）],将差异有统计学意义的临床病理指标和Radscore纳入多因素逻辑回归,建立联合模型和列线图。应用受试者操作特征（ROC）曲线下面积（AUC）评价影像组学模型和联合模型的预测效能。应用决策曲线评估影像组学模型和联合模型的临床应用价值。 结果 在训练集中,ER和PR在疗效敏感与不敏感组间的差异均有统计学意义（均P<0.05）,但未得到测试集的验证（均P>0.05）。在训练集中,联合模型预测NAC不敏感的AUC值和准确度分别高于影像组学模型约3.8%和3.1%。在测试集中,联合模型预测NAC不敏感的AUC值高于影像组学模型,其较后者提高了约2.3%,但两者的准确度相同。在基于ER、PR和Radscore构建的联合模型列线图中,Radscore得分最高,其次是ER和PR。决策曲线分析显示联合模型的临床获益高于影像组学模型。 结论 基于DCE-MRI的Radscore和ER、PR构建的联合模型列线图能够较好地预测NAC疗效不敏感。     

影像组学分析和机器学习在肺结节良恶性分类中的应用

目的:探讨CT纹理特征对良恶性肺结节的鉴别价值及在独立数据集上的泛化能力。方法:回顾性分析LIDC-IDRI和LUNGx数据库中共1428个肺结节(直径3~30 mm)的CT图像,其中良性1221个、恶性207个。将LIDC-IDRI数据库的1372个结节(良性1190个,恶性182个)作为训练集,LUNGx数据库的56个结节(良性31个,恶性25个)作为独立验证集。利用Pyradiomics软件包,每个结节共提取了946个影像组学特征。对在良恶性组间差异具有统计学意义的纹理特征,进一步使用最小绝对收缩选择算子(LASSO)或三联法(Fisher+POE+ACC+MI,FPM)进行特征的筛选,使用支持向量机(SVM)算法建立肺结节良恶性预测模型。对最优模型的效能在测试集中直接评估,在训练集中通过交叉验证法进行评估。结果:在训练集中对最优模型进行交叉验证得到的AUC、符合率、敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)分别为0.892、0.859、0.788、0.876、0.492和0.964。经特征选择后,共17个影像组学特征被纳入肺结节良恶性的分类诊断模型。在验证集中,最优诊断模型的AUC、符合率、敏感度、特异度、PPV和NPV分别为0.765、0.745、0.800、0.700、0.689和0.808。结论:基于CT影像组学分析的纹理特征在肺结节良恶性的分型中具有良好的效能和一定泛化性,可应用于临床上肺结节良恶性的计算机辅助诊断。     

分层分析影像组学模型在肺腺癌诊断中的价值

目的:建立并验证可高效鉴别肺腺癌及其浸润程度的预测模型,并根据结节/肿块性质分层分析模型的预测效能.方法:回顾性分析本院2011年10月-2018年12月经病理证实的肺结节/肿块患者2105例.根据肿瘤性质,分为磨玻璃组(A组,1711例)和实性组(B组,394例),组内以2017年10月为界,分为训练集和测试集.收集...