影像组学联合临床病理特征预测早期宫颈癌无病生存期的效能

目的：对比最优磁共振组学参数及临床病理参数预测早期宫颈癌患者无病生存期的诊断效能。方法：回顾性分析2013年1月—2018年6月行根治性子宫切除及淋巴结清扫术的186例早期宫颈癌患者[术前国际妇产科联盟（Federation International of Gynecology and Obstetrics,FIGO）分期ⅠB~ⅡA],搜集患者多模态磁共振组学参数、临床特征、术后病理特征及患者术后无病生存期,用最小决策收缩和选择算子（LASSO）及比例风险回归模型来计算影像组学评分（Rad-score）,构建临床病理特征模型（包括有意义的临床特征和病理特征）、影像组学模型（T1CE、DWI、T2WI、T1CE+DWI、T1CE+T2WI、DWI+T2WI 和T1CE+DWI+T2WI的影像组学评分）及联合模型对早期宫颈癌患者无病生存期的预测效能进行相互比较。结果：在预测早期宫颈癌无病生存期中,T1CE序列的组学模型（C指数：训练集0.798,验证集0.758）优于临床病理模型（C指数：训练集0.746, 验证集0.641）。联合模型（病理类型、淋巴结转移及T1CE的影像组学评分）拥有最高的诊断效能（C指数：训练集0.848,验证集 0.784）。结论：基于T1CE的影像组学评分联合临床病理特征对早期宫颈癌无病生存期具有较高的预测效能。     

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。     

基于MRI增强T1WI影像组学预测模型鉴别高级别胶质瘤IDH 1突变型与野生型的价值

目的：探讨基于术前增强T1WI构建的影像组学模型预测高级别胶质瘤患者异柠檬酸脱氢酶-1（IDH 1）突变型与野生型的价值。方法：回顾性分析2012 年6 月至2020 年12 月在温州医科大学附属第五医院行颅脑增强T1WI图像的高级别胶质瘤患者89 例,IDH 1突变型32 例（WHO III级15 例,WHO IV级17例）,IDH 1野生型57例（WHO III级12例,WHO IV级45例）,按7:3随机分为训练组和验证组。使用A.K软件对原始增强T1WI图像进行影像特征提取,Kruskal-Wallis非参数检验、Spearman相关性分析、LASSO回归及10 倍交叉验证进行特征降维,筛选出最具特征的参数。采用受试者操作特征（ROC）曲线评价模型对高级别胶质瘤IDH 1突变型和IDH 1野生型识别的预测效能。决策曲线分析（DCA）评价模型的获益情况。结果：每位患者增强T1WI图像共提取396个不同的纹理参数,通过LASSO降维及10倍交叉验证筛选,最终得到5个最具特征性纹理参数,并计算得到相应放射值,构建训练组和验证组的预测模型,训练组模型的ROC曲线下面积为0.902（95%CI：0.826～0.978）,灵敏度和特异度分别为84.6%和81.8%,验证组模型的ROC曲线下面积为0.844（95%CI：0.676～1.000）,敏感度为77.8%,特异度为80.1%。DCA显示影像组学模型在风险阈值0.1～1.0间较大范围内的净收益优于不作处理模型和全部处理模型。结论：基于MRI增强T1WI构建的影像组学模型可有效识别高级别胶质瘤的IDH 1突变型和野生型。     

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MRI影像组学模型鉴别鼻腔鼻窦内翻乳头状瘤与息肉

目的 探讨基于磁共振T2WI及增强T1WI影像组学模型在鉴别鼻腔鼻窦内翻乳头状瘤与息肉的应用价值。方法 搜集病理证实且具有完整T2WI及增强T1WI图像的内翻乳头状瘤(NIP)病例54例,单侧鼻息肉(NP)病例51例。采用ITK-Snap勾画病灶的所有层面。采用pyradiomics提取影像组学特征,首先使用最小冗余最大相关(mRMR)进行特征提取,进一步使用rfe-SVM特征消除,去掉最小得分的特征,建立预测模型。使用ROC曲线敏感性和特异性评价模型的性能,并在验证集中验证。结果 总共提取影像组学特征1 133个,经mRMR降维后筛选保留30个特征用于建立预测模型。T1WI增强预测模型的AUC值为：训练集0.98,验证集0.95,训练集的敏感度和特异度分别为89.7%和100%,验证集的敏感度和特异度分别为93.8%和93.3%。T2WI预测模型的AUC值为:训练集0.95,验证集0.91,训练集的敏感度和特异度分别为82.1%和95.6%,验证集的敏感度和特异度分别为93.8%和84.2%。结论 基于磁共振影像组学T1WI增强预测模型及T2WI预测模型对鉴别鼻腔鼻窦内翻乳头状瘤及息...     

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。     

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。     

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。     

机器学习结合CT影像组学预测2型糖尿病患者椎体脆性骨折

目的：探讨机器学习结合CT影像组学特征构建模型预测2型糖尿病（type 2 diabetes mellitus,T2DM）患者椎体脆性骨折的准确性。方法：回顾性收集140例（新发椎体脆性骨折的T2DM患者70例,对照组70例）患者CT图像和临床资料。另收集18例（椎体脆性骨折的T2DM患者16例,对照组2例）患者的前次CT图像和临床资料作为外部验证集。应用单因素分析、Pearson相关分析、最小冗余度最大相关度算法、二元logistic回归分析和最小绝对值收缩和选择算子模型筛选出最佳特征。基于支持向量机、多层感知器、极端梯度提升（eXtreme Gradient Boosting,XGBoost）构建预测模型。应用受试者工作特征曲线下面积（area under the curve,AUC）对模型效能进行评估。结果：从每例患者的CT图像中提取了1 037个影像组学特征,然后精简为14个影像组学特征。17个临床特征中性别、年龄、体质指数是预测结果的独立因素。其中XGBoost分类器表现最好,训练集中XGBoost模型的AUC分别为1.000、0.929、1.000;测试集中分别为0.954...     

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。     

基于mp-MRI影像组学预测前列腺癌Gleason分级的价值探讨

目的探讨多参数磁共振成像（mp-MRI）影像组学预测前列腺癌Gleason分级的价值。方法回顾性分析266例前列腺癌病人,根据病理结果分为Gleason评分高危组（Gleason≥4+3分）、Gleason评分低危组（Gleason≤3+4分）,在T2WI横断面、ADC图（b值0、1 500 s/mm2）上手动勾画病灶后进行影像组学特征的提取及量化,将所选病例数据特征随机分为训练组与测试组（测试集比例为0.3）,构建支持向量机分类模型,得到训练组与测试组的ROC曲线及曲线下面积（AUC）。结果Gleason评分高危组118例,Gleason评分低危组148例,其中训练组186例（高危组83例、低危组103例）,测试组80例（高危组35例、低危组45例）,T2WI、ADC图影像组学支持向量机模型训练组的AUC为0.753,测试组AUC为0.741,准确率为62.5%（95%CI:0.572~0.893）;T2WI、ADC图影像组学联合PSA值支持向量机模型训练组的AUC为0.768,测试组AUC为0.752,准确率为72.5%（95%CI:0.613~0.917）;经Delong验证,两者差异无统计学意义（P>0.05）。结论mp-MRI影像组学预测前列腺癌Gleason分级有较高的参考价值。     

基于钆塞酸二钠增强磁共振成像影像组学定量评估肝硬化患者肝脏储备功能的应用价值

目的 利用影像组学技术探究基于钆塞酸二钠增强磁共振成像(MRI)肝胆期图像的影像组学特征与肝硬化Child-Pugh 分级的相关性,创建列线图预测模型并评价其对肝硬化患者肝脏储备功能的预测价值。方法 收集符合纳入标准的100例肝硬化患者,按照Child-Pugh分级标准分成52例Child-Pugh A级患者和48例Child-Pugh B+C级患者,并分别按照7∶3的比例随机分成训练集和测试集。采用AK软件提取训练集患者的钆塞酸二钠增强MRI肝胆期图像的影像组学特征,采用最小绝对收缩与选择算子算法特征选择算法对数据进行降维、特征选择和构建影像组学标签。根据影像组学标签创建预测肝脏储备功能Child-Pugh B+C级的列线图预测模型,将该模型分别应用于训练集和测试集中,并利用受试者工作特征(ROC)曲线定量评估其诊断效能。结果 经过对利用AK软件提取的396个纹理特征参数进行降维筛选,最终得到7个影像组学特征参数。根据以上特征建立构建影像组学标签并创建列线图预测模型。通过Wilcoxon秩和检验统计分析训练集和测试集中的Child-Pugh A级和Child-Pugh B+C级的影像组学标签分数值的差异均具有统计学意义(P=0.000,P=0.001)。列线图预测模型预测肝脏储备功能Child-Pugh B+C级的诊断效能在训练集及测试集中的ROC曲线下面积分别为0.88和0.86。结论 根据不同肝脏储备功能的肝硬化患者影像组学标签创建的列线图预测模型可以作为肝脏储备功能的较为准确可靠的辅助检测工具,为临床医生更加准确评估肝硬化患者的肝脏储备功能提供一种新手段。     

脂肪抑制T2WI影像组学模型在子宫肌瘤和子宫腺肌瘤中的鉴别价值

目的：采用影像组学技术探讨磁共振脂肪抑制T2WI在子宫肌瘤与子宫腺肌瘤中的鉴别价值。方法：回顾性分析120例于2015年4月至2019年9月在温州医科大学附属第二医院经术后常规病理检查确诊为子宫肌瘤或子宫腺肌瘤患者,并于手术前行盆腔磁共振平扫检查。以7:3的分配比例随机分成训练组84例和验证组36例,训练组用于预测模型的建立,验证组用于预测模型的优化与验证。在脂肪抑制T2WI的图像上对感兴趣区（ROI）进行高通量数据采集、特征提取及降维,通过多元logistic回归构建预测模型,以敏感度、特异度、准确率、接受者操作特性曲线下面积（AUC）这4个参数评价模型的预测效能。结果：共提取出396个特征参数,筛选并纳入了6个鉴别子宫肌瘤和子宫腺肌瘤相关的影像组学特征参数。在训练组中,影像组学特征构建的预测模型对鉴别子宫肌瘤和子宫腺肌瘤的AUC值为0.861,敏感度为84.1%（37/44）,特异度为82.5%（33/40）,模型准确率为83.3%（70/84）;在验证组中,鉴别子宫肌瘤和子宫腺肌瘤的AUC值为0.913,敏感度为84.2%（16/19）,特异度为94.1%（16/17）,模型准确率为88.9%（32/36）。结论：基于脂肪抑制T2WI建立的预测模型在训练组和验证组中均取得了良好的预测性能,该预测模型提供了一种更加优越并且无创的子宫肌瘤和子宫腺肌瘤的鉴别工具。     

基于磁共振肝脾影像组学特征结合临床影响因素联合模型诊断显著性肝纤维化的效果评价

目的：探讨基于多模态平扫腹部MRI提取肝脏-脾脏联合影像组学特征结合临床影响因素联合模型在诊断显著性肝纤维化中的效果。方法：收集2017 年5月至2022 年5月于温州医科大学附属第二医院行经肝脏组织穿刺活检或手术病理检查证实为肝纤维化,并在病理检查6个月内接受过标准腹部MRI平扫检查的患者110例,将所有患者以7:3随机分为训练集和测试集。按照METAVIR评分系统,将F2级及以上定义为显著性肝纤维化组（62例）,F2级以下定义为无或非显著性肝纤维化组（48例）。分别标注肝脏、脾脏特征,并从中提取影像组学特征经筛选后分别构建肝脏、肝脏-脾脏联合特征的支持向量机影像组学模型和影像组学标签,以此计算每位患者的影像组学评分（Rad-score）。采用Logistic回归分析显著性肝纤维化的临床影响因素。最后使用Logistic回归构建基于临床影响因素和Rad-score的联合模型,绘制列线图。使用受试者工作特征（ROC）曲线和决策曲线分析（DCA）评估模型的性能。结果：有22、36 个影像组学特征经筛选后分别用于构建肝脏、肝脏-脾脏影像组学模型。多因素Logistic回归分析结果显示,性别女性（OR =0.126,95%CI =0.040～0.354,P ＜0.001）、年龄（OR =0.985,95%CI =0.066～0.999,P =0.011）、乙肝感染（OR =5.139,95%CI =1.898～15.137,P =0.002）、APRI指数≥1（OR =3.793,95%CI =1.231～14.5,P =0.033）是独立临床影响因素,被纳入构建临床预测模型。在Logistic回归模型中,肝脏特征、肝脏-脾脏联合特征所构建的影像组学模型在ROC曲线下面积（AUC）分别为0.828和0.917,表明肝脏-脾脏联合特征影像组学模型诊断效能更优。将肝脏-脾脏联合特征影像组学模型作为影像组学预测模型与临床预测模型结合获得联合预测模型,其在训练集、测试集的AUC分别为0.948和0.963。DCA显示,联合预测模型的临床实用性最佳。结论：基于多模态平扫腹部MRI提取肝脏-脾脏联合影像组学特征较单一肝脏特征在诊断显著性肝纤维化中有更好的诊断效能,联合预测模型相比临床预测模型能进一步提高诊断效能。     

基于T2FLAIR和DTI的影像组学模型对脑胶质瘤免疫组化特征的预测研究

目的 探索基于T2 FLAIR和DTI的影像组学模型对脑胶质瘤IHC特征的预测效能。方法 回顾性分析2015年3月—2019年9月确诊脑胶质瘤患者中48例术前MRI影像和临床数据用于影像组学模型训练。收集术后病理分级、CD34、Ki-67、p53、S-100、syn、vimentin结果。手工标注T2 FLAIR脑胶质瘤区域，在工作站上测量DTI参数。将患者性别、年龄、肿瘤位置、DTI参数及T2 FLAIR图像联合用于影像组学建模，将数据按7︰3的比例随机分为训练集和测试集，并进行特征提取、降维、选择和分类器训练等步骤，训练影像组学模型。以ROC曲线评价模型效能。结果 测试集中脑胶质瘤病理分级、S-100、vimentin、syn、p53、K-i67、CD34的ROC曲线下面积分别为0.910、0.963、0.975、0.950、0.917、0.979和0.933。结论 基于T2 FLAIR的影像组学模型预测脑胶质瘤IHC特征有一定的准确性，而基于DTI参数预测IHC是无效的，尚需扩大样本量进一步研究。     

机器学习结合影像组学特征预测急性脑卒中机械取栓预后

目的：结合机器学习与影像组学特征构建预测急性缺血性脑卒中(acute inschemic strohe,AIS)机械取栓治疗后预后的模型并进行验证。方法：回顾性分析在南京市第一医院就诊的AIS患者,按随机数字表法分为训练集(n=105)和测试集(n= 50),另收集在南京医科大学附属常州市第二人民医院就诊的AIS患者(n=45)作为外部验证。采用A.K.软件提取弥散加权成像(diffusion weighted imaging,DWI)和灌注加权成像(perfusion weighted imaging,PWI)病变区的影像特征,应用最低绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归模型筛选最佳影像组学特征,基于所选特征通过支持向量机(support vector machine,SVM)分类器建立预测急性脑卒中预后预测模型,使用受试者操作特征(receiver operating character? istic,ROC)曲线评价模型的预测效能,并应用验证集对模型进行外部验证。结果：每例患者DWI和PWI图像各提取1 316个影像组学特征,降维后筛选出40个与卒中预后高度相关的特征。ROC曲线分析显示联合DWI+PWI的模型预测训练集和测试集的曲线下面积(area under curve,AUC)(训练集：0.981;测试集：0.891)均高于单序列模型(DWI或PWI),其准确度分别达0.943、 0.900。外部验证结果显示基于DWI+PWI的模型同样优于单序列(DWI或PWI)的预测模型,灵敏度和特异度分别为0.864、 0.783,其准确度可达0.822。结论：结合机器学习与影像组学特征构建的模型可预测AIS机械取栓治疗预后,并具有较好的泛化能力。     

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...     

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。