基于T2加权成像及弥散加权成像的图像纹理分析预测宫颈鳞状细胞癌放化疗疗效的临床价值

  目的  探讨MRI检查T2加权成像(T2-weighted imaging, T2WI)及弥散加权成像(diffusion-weighted imaging, DWI)图像纹理参数与宫颈鳞状细胞癌放化疗疗效的相关性。  方法  回顾性纳入2015年2月至2016年1月北京协和医院接受放化疗的宫颈鳞状细胞癌患者,并根据其预后分为疾病进展组和疾病稳定组。采用TexRAD软件对两组患者放化疗前T2WI、DWI序列图像进行纹理分析,得到空间尺度滤波器(spatial scale filter,SSF)半径值为2、4、6的图像纹理参数。比较两组患者图像纹理参数差异,采用多因素Cox回归分析图像纹理参数与宫颈鳞状细胞癌患者放化疗疗效的相关性。采用受试者工作特征(receiver operating characteristic, ROC)曲线分析各图像纹理参数预测宫颈鳞状细胞癌放化疗后疾病进展的性能。  结果  共121例符合纳入和排除标准的宫颈鳞状细胞癌患者入选本研究。其中疾病进展组46例,疾病稳定组75例。T2WI序列图像中,疾病进展组与疾病稳定组患者的图像纹理参数均值(SSF2、SSF4、SSF6)、偏度(SSF2、SSF4)、熵(SSF4、SSF6)均有显著性差异(P均<0.05);DWI序列图像中,疾病进展组与疾病稳定组患者的图像纹理参数均值(SSF2、SSF4、SSF6)、偏度(SSF4、SSF6)、峰度(SSF2、SSF4)均有显著性差异(P均<0.05)。多因素Cox回归分析结果显示,T2WI序列图像纹理参数均值(SSF2、SSF4、SSF6)及DWI序列图像纹理参数均值(SSF2、SSF6)、熵(SSF2、SSF4、SSF6)、偏度(SSF4、SSF6)与宫颈鳞状细胞癌放化疗疗效具有相关性(P<0.05)。ROC曲线分析结果显示,图像纹理参数均值(T2WI-SSF2、T2WI-SSF4、T2WI-SSF6、DWI-SSF2、DWI-SSF6)、偏度(DWI-SSF6)可预测宫颈鳞状细胞癌放化疗后的疾病进展,曲线下面积(area under the curve, AUC)为0.625~0.746。其中,均值(T2WI-SSF4)的预测效能最高(AUC:0.746),其次为均值(T2WI-SSF2,AUC:0.725)、均值(T2WI-SSF6,AUC:0.703)。  结论  基线MRI检查T2WI、DWI图像纹理参数与宫颈鳞状细胞癌放化疗疗效具有相关性,其均值、偏度可预测宫颈鳞状细胞癌放化疗后疾病进展,且以均值的预测效能最高。     

CT影像组学模型预测膀胱癌术后1年复发的初步研究

  目的  探究基于CT图像的影像组学模型预测膀胱癌术后1年复发的可行性。  方法  回顾性纳入2014年5月至2018年7月于北京协和医院行手术治疗的膀胱癌患者,并对其进行随访,记录疾病复发状况。收集膀胱癌患者术前CT泌尿系成像实质期图像,经滤波处理后进行影像组学特征提取;采用JMIM特征选择算法识别与膀胱癌术后1年复发相关的最佳影像组学特征,采用随机森林模型、自适应增强模型、梯度提升树模型以及3个模型构成的组合模型构建膀胱癌术后1年复发的预测模型,并基于10次10折交叉验证法对各模型进行验证。采用受试者工作特征曲线对各模型的预测性能进行评定。  结果  共228例符合纳入和排除标准的膀胱癌患者入选本研究。随访1年时51例患者复发,177例患者未复发。经交叉验证,随机森林模型、自适应增强模型、梯度提升树模型和组合模型预测膀胱癌术后1年复发的曲线下面积分别为0.729(95% CI: 0.649~0.809)、0.710(95% CI: 0.627~0.793)、0.709(95% CI: 0.624~0.793)、0.732(95% CI: 0.651~0.812),准确度分别为76.8%(95% CI: 70.6%~82.0%)、73.7%(95% CI: 67.4%~79.2%)、61.8%(95% CI: 54.7%~67.7%)、75.0%(95% CI: 68.8%~80.4%),灵敏度分别为52.9%(95% CI: 38.6%~66.8%)、62.7%(95% CI: 48.1%~75.5%)、80.4%(95% CI: 64.3%~88.2%)、58.8%(95% CI: 44.2%~72.1%),特异度分别为83.6%(95% CI: 77.1%~88.6%)、76.8%(95% CI: 69.8%~82.7%)、56.5%(95% CI: 48.9%~63.9%)、79.7%(95% CI: 72.8%~85.2%)。  结论  有机结合基于CT图像构建的多个影像组学模型可预测膀胱癌术后1年的复发风险。     

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。     

基于皮肤镜图像智能分析的早期蕈样肉芽肿诊断模型构建

  目的  比较基于皮肤镜图像的卷积神经网络(convolutional neural network, CNN)二分类模型在蕈样肉芽肿(mycosis fungoides, MF)与炎症性疾病鉴别诊断中的应用价值。  方法  回顾性纳入2016年1月至2020年12月北京协和医院皮肤科门诊确诊的早期MF患者和临床表现与之相似的炎症性皮肤病患者,并按4∶1的比例随机分为训练集和测试集。使用训练集患者的皮肤镜图像对6种经典网络结构利用迁移学习进行训练,以构建CNN二分类模型。同时,在测试集中随机挑选每例患者1幅图像,并结合皮损的临床图像,由13名皮肤科医师对疾病归类进行判读。比较CNN二分类模型与皮肤科医师对测试集病例早期MF与炎症性疾病鉴别诊断的性能,结果以曲线下面积(area under the curve, AUC)、灵敏度、特异度、Kappa值等表示,并采用受试者工作特征(receiver operating characteristic, ROC)曲线进行可视化分析。  结果  共纳入48例早期MF患者(皮肤镜图像402幅)和96例炎症性皮肤病患者(皮肤镜图像557幅),其中训练集117例(皮肤镜图像772幅),测试集27例(皮肤镜图像187幅)。测试集中,皮肤科医师鉴别诊断早期MF与炎症性皮肤病的灵敏度和特异度分别为70.19%(95% CI: 59.68%~80.70%)和94.74%(95% CI: 91.77%~97.71%),Kappa值为0.677(95% CI: 0.566~0.789)。按图像分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.87(95% CI: 0.84~0.89),灵敏度和特异度分别为75.02%(95% CI: 70.19%~79.85%)和82.02%(95% CI: 79.30%~84.87%),Kappa值为0.563(95% CI: 0.507~0.620);按病例分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.97(95% CI: 0.95~0.99),灵敏度和特异度分别为87.50%(95% CI: 78.55%~96.45%)和93.85%(95% CI: 88.93%~98.77%),Kappa值为0.920(95% CI: 0.884~0.954)。ROC曲线显示,按病例分类时网络结构为EfficientNet-B0的CNN二分类模型诊断早期MF的AUC为0.99,灵敏度和特异度分别为88.9%和100%,且13名皮肤科医师诊断的灵敏度和特异度均值对应点位于曲线右下方。  结论  基于皮肤镜图像智能分析的CNN二分类模型可实现对早期MF与炎症性皮肤病的精确分类,对二者的鉴别诊断能力优于皮肤科医师的平均水平。     

宫颈腺样囊性癌临床病理特征及免疫组织化学表型

  目的  探讨宫颈腺样囊性癌(adenoid cystic carcinoma, ACC)临床病理及免疫组化特征。  方法  收集北京协和医院2003年1月至2013年12月病理数据库及会诊数据库中诊断为宫颈腺样囊性癌病例共4例; 并采用免疫组化方法对石蜡组织标本进行检测, 总结其临床病理特征、治疗及预后。  结果  4例宫颈腺样囊性癌患者平均年龄61.5岁, 多为绝经后妇女(3/4), 就诊主要症状为阴道流血(3/4), 肿瘤类型多为外生性肿物(3/4)。病理学特征方面, 3例患者表现为宫颈腺样囊性癌合并侵袭性鳞癌, 1例为宫颈腺样囊性癌单一组分; 腺样囊性癌的主要生长方式为筛状; 免疫组织化学表达方式支持其导管腺上皮及肌上皮两种组成成分:CK7在导管腺上皮中阳性表达, P63、SMA在肌上皮中阳性表达; 腺样囊性癌特征性标志物C-MYB在所有病例中均强阳性表达。3例患者完全切除子宫, 1例患者行宫颈锥切, 临床分期均为Ⅰ期; 术后均行放射治疗, 2例患者同时行化学治疗; 4例患者平均随访时间为21.25个月, 均为无病生存状态。  结论  宫颈腺样囊性癌是一种罕见的特殊类型腺癌, 常合并其他类型的宫颈肿瘤, 免疫组化表型与其他部位的腺样囊性癌相同, 但预后相对较差, 术后可辅以放疗及化疗, 早期发现并治疗可以提高患者生存率。     

食管鳞状细胞癌患者根治术后生存预测模型的建立与验证:一项多中心真实世界队列研究

  目的  建立并验证食管鳞状细胞癌患者根治术后生存预后预测模型与风险分级标准,为术后最优辅助治疗方案的确定提供真实世界证据。  方法  分别收集2011年5月31日至2018年7月31日在河南省安阳市肿瘤医院(安阳中心)和2009年8月1日至2018年12月31日在广东省汕头大学医学院附属肿瘤医院(汕头中心)连续就诊的食管鳞状细胞癌患者的临床数据和生存随访数据。以安阳中心数据集为建模集,采用基于多因素Cox比例风险回归逐步后退法和AIC准则(Akaike information criterion)的“两步法”构建总生存预测模型。通过Bootstrap重抽样1 000次对模型进行内部统计验证,在汕头中心数据集进行外部验证。根据列线图得分构建预后风险分级标准。  结果  建模队列和验证队列分别纳入4 171例和1 895例食管鳞状细胞癌患者。模型由年龄、性别、肿瘤原发位置、T分期、N分期、淋巴结清扫数、肿瘤大小、辅助治疗方案和术前血红蛋白水平9个变量组成。其中,N分期与辅助治疗方案存在显著交互作用(P＜0.001),即与单纯手术相比,N+期患者可能从辅助治疗中获益,但辅助治疗无法改善N0期患者的预后。建模队列的模型一致性指数(C-index)为0.728 (95% CI: 0.713~0.742),经Bootstrap内部验证后为0.722 (95% CI: 0.711~0.739),验证队列的模型C-index为0.679 (95% CI: 0.662~0.697)。校准图提示模型预测生存率与观测生存率一致性良好。在两个队列中模型准确性均显著高于第7版AJCC(American Joint Committee on Cancer)TNM分期系统(P＜0.05)。此外,在各TNM分期内部,该模型仍可实现理想的预后风险分层效果。  结论  本研究为我国食管鳞状细胞癌患者根治术后总生存提供了个体化预测模型,并揭示N分期可能是制订食管鳞状细胞癌患者术后辅助治疗方案的重要决定因素。     

基于超声影像组学特征列线图模型术前鉴别早期与中晚期宫颈鳞癌

目的 观察基于经阴道超声影像组学特征建立的列线图模型术前鉴别早期与中晚期宫颈鳞癌的价值。方法 回顾性收集经术后病理证实的227例宫颈鳞癌患者,利用3D-Slicer软件于术前经阴道声像图中勾画ROI,提取并经冗余性分析、最小绝对收缩和选择算子(LASSO)和10折交叉验证筛选影像组学特征,构建影像组学模型并得到Radscore评分;利用多因素logistic回归纳入Radscore及临床资料构建列线图模型。比较2个模型术前鉴别早期与中晚期宫颈鳞癌的受试者工作特征曲线下面积(AUC);评估列线图模型的校准度及临床收益。结果 最终纳入18个超声影像组学特征;以之构建术前鉴别早期与中晚期宫颈鳞癌的影像组学模型在训练集和验证集的AUC分别为0.839和0.744;联合年龄、流产次数及Radscore评分构建的列线图模型在训练集和验证集的AUC分别为0.882和0.773。DeLong检验结果显示,上述2模型在训练集的AUC差异有统计学意义(P＜0.05)。Hosmer-Lemeshow检验显示,列线图模型在训练集和验证集的校准度均佳(χ²=5.053、7.063,P均＞0.05);决策曲线分析(DCA)显示其在0.01~1.00阈值区间净收益相对较大。结论 基于经阴道超声影像组学特征的列线图模型可于术前较好地鉴别早期与中晚期宫颈鳞癌。     

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。     

颅内前后循环动脉粥样硬化斑块的影像组学特征:多中心前瞻性研究

  目的   探讨颅内前后循环动脉粥样硬化的危险因素及其动脉粥样硬化斑块常规高分辨磁共振成像(high resolution magnetic resonance imaging, HRMRI)特征和影像组学特征是否存在差异。   方法   2014年9月至2017年1月在北京天坛医院和中国人民解放军总医院就诊并接受HRMRI检查的疑似症状性颅内动脉狭窄患者连续入组本研究, 比较前、后循环两组患者动脉粥样硬化的危险因素(年龄、高血压、糖尿病、高脂血症、吸烟、肥胖、性别)、斑块常规HRMRI特征(斑块分布、出血、钙化及重构模式)及影像组学特征。所有斑块采用手工勾勒。   结果   共计141例符合纳入和排除标准的患者入选本研究。前循环颅内动脉粥样硬化患者60例, 其中脑梗死及短暂性脑缺血发作(transient ischemic stroke, TIA)患者分别为52例和8例; 后循环颅内动脉粥样硬化患者81例, 其中脑梗死及TIA患者分别为62例和19例; 前后循环的脑缺血类型无统计学差异(χ²=2.282, P=0.131)。危险因素中, 高血压、糖尿病及高脂血症在两组间有统计学差异(χ²=7.047、5.979、11.176, P=0.008、0.014、0.001)。前后循环责任斑块分别判定为63个及105个, 斑块分布具有统计学差异(χ²=34.363, P < 0.001);174个影像组学特征中, 21.3%(37/174)在前后循环组之间存在统计学差异(t值范围2.0052~7.7029, P < 0.05), 其中单因子判别精度最高的5个影像组学特征为基于灰度共生矩阵的集群阴影、最大二维直径柱(形状特征)、最大二维直径行(形状特征)、偏度(一阶特征)、最小轴长(形状特征), 这些特征的受试者工作特征曲线下面积分别为0.807、0.760、0.786、0.791、0.746。   结论   颅内前后循环动脉粥样硬化的危险因素、常规HRMRI特征及影像组学特征存在显著差异, 影像组学的特征差异较常规HRMRI更多见。      

基于改进的全卷积网络模型预测局部进展期直肠癌新辅助放化疗疗效

  目的  建立基于MRI影像图像预测局部进展期直肠癌(locally advanced rectal cancer，LARC)新辅助放化疗(neoadjuvant chemoradiotherapy，nCRT)后病理学完全缓解(pathological complete response，pCR)模型，以辅助患者个性化治疗方案的制订。  方法  回顾性纳入2013年6月至2018年12月中山大学附属第六医院接受nCRT治疗且行全直肠系膜切除术组织病理对治疗效果进行评定的LARC患者。按1:2的比例将患者依照住院时间先后顺序分为Data A与Data B 2个数据集。其中Data A数据集用于语义分割模型训练，Data B数据集按7:3的比例随机分为训练集和验证集，分别用于pCR预测模型训练与评价。收集Data A数据集病例的T2加权MRI影像资料，采用改进的全卷积网络(fully convolutional networks，FCN)模型对肿瘤区域进行语义分割，建立语义分割模型并提取最终卷积层中的影像特征。采用最小绝对值收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归法对提取的影像特征进行筛选，构建可预测pCR状态的支持向量机(support vector machine，SVM)分类器(预测模型)。以Data B训练集数据为基础，对该预测模型的性能进行训练，进一步在Data B验证集中对其性能进行评价。  结果  共入选符合纳入和排除标准的LARC患者304例，nCRT治疗后82例判定为pCR，222例为非pCR。2013年6月至2015年11月的103例患者为Data A数据集，2015年12月至2018年12月的201例患者为Data B数据集。Data B数据集中，训练集140例、验证集61例。改进的FCN模型对Data B数据集图像分割的Dice值为0.79 (95% CI: 0.65~0.81)，灵敏度为80%(95% CI: 77%~83%)，特异度为72%(95% CI: 64%~85%)。语义分割模型共提取最终卷积层中512个影像特征，经LASSO回归筛选后保留7个，用于pCR状态预测。预测模型在Data B训练集中预测pCR的曲线下面积(area under the curve, AUC)为0.65(95% CI: 0.61~0.71)，在Data B验证集中的AUC为0.69(95% CI: 0.59~0.74)。  结论  本研究提出的改进的FCN模型，对MRI图像进行语义分割具有较高的准确度。基于该方法构建的模型预测LARC患者接受nCRT治疗后pCR状态具有可行性。     

超声影像组学对BI-RADS 4a类不规则乳腺结节良恶性的鉴别价值

目的 探讨超声影像组学对BI-RADS 4a类不规则乳腺结节良恶性的鉴别价值,并结合影像组学、超声特征及临床独立危险因素特征建立列线图,评估其在减少不必要活检中的价值。方法 回顾性收集常规超声检查筛选出的BI-RADS 4a类不规则乳腺结节905例,随机分为训练队列（n=634）和验证队列（n=271）,比例为7∶3。共收集851个影像组学特征,以手术病理结果为金标准,通过Logistic回归模型构建影像组学模型,同时利用单因素逻辑分析及多因素逻辑分析结合影像组学特征、超声特征及临床独立危险因素建立影像组学模型,通过ROC曲线评估影像组学模型及列线图模型对超声BI-RADS 4a类形态不规则乳腺结节的诊断效能。结果 905例不规则乳腺结节中,恶性结节485个,良性结节420个;患者年龄22～83(50.05±11.13)岁,训练队列及验证队列的年龄、Rad-score值、肿块直径等结果差异无统计学意义（P>0.05）;训练队列影像组学模型AUC值为0.927(95%CI:0.900～0.950),验证队列影像组学模型AUC值为0.946(95%CI:0.908～0.976),该模...     

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T2WI影像组学模型可预测低级别胶质瘤1p/19q的缺失状态

  目的  基于磁共振T2WI构建影像组学模型,预测低级别胶质瘤1p/19q缺失状态的价值。  方法  回顾性分析本院经病理证实的154例低级别胶质瘤患者（1p/19q共缺失100例,1p/19q非共缺失54例）,按照分层抽样7∶3分成训练集和验证集。使用3D-Slicer软件对肿瘤区域进行手动分割,用pyradiomics进行特征提取。临床资料的分析采用t检验/χ2检验;影像组学特征采用方差法和10折交叉验证的LASSO算法进行筛选,最后建立支持向量机、高斯朴素贝叶斯、K-近邻、逻辑回归模型,采用ROC曲线的曲线下面积值和sklearn分类报告中的参考指标（准确度、敏感度、特异性、F1分数）进行效能评价。  结果  4种模型中,支持向量机的曲线下面积值最高,训练集和验证集分别为0.95、0.91;参考指标中表现最佳为K-近邻,其准确度、敏感度、特异性及F1分数分别为0.87、0.97、0.70、0.91;其次为支持向量机,各项指标与模型平均值相当。  结论  基于T2WI影像组学模型可以有效地预测低级别胶质瘤1p/19q的缺失状态。      

基于卷积神经网络的病理活检胃癌诊断模型

  目的  基于深度学习技术,建立胃活检病理切片胃癌诊断模型,并对模型的性能进行评价。  方法  回顾性收集2015年1月—2020年1月浙江省人民医院胃活检诊断为正常胃黏膜、慢性胃炎、高级别上皮内瘤变和胃腺癌患者的病理切片。以20倍率扫描为全视野数字图像(whole slide image, WSI),并按2:2:1的比例随机分为图块分类数据集、切片分类训练集与切片分类测试集。对图块分类数据集病变区域进行标注、图块截取后,按20:1:1的比例随机分为训练集、测试集、验证集。基于Efficientnet和ResNet网络结构构建卷积神经网络(convolutional neural network,CNN)图块级癌与非癌分类模型,并以图块分类准确率、受试者操作特征曲线下面积(area under the curve, AUC)评价该模型的性能。基于此模型拼接获取整张WSI的癌变热力图,提取热力图中切片级癌与非癌分类特征,对LightGBM算法进行训练,最终完成整张胃癌活检切片的诊断与识别,其识别结果以AUC、准确率、灵敏度、特异度进行评价。  结果  共入选符合纳入和排除标准的胃良性疾病(正常胃黏膜、慢性炎症)病理切片500张,胃癌(高级别上皮内瘤变、胃腺癌)病理切片500张。图块分类数据集、切片分类训练集与切片分类测试集WSI分别为400张、400张、200张。图块分类训练集、测试集、验证集图块分别为402 000个、20 000个、20 000个。以Efficientnet-b1网络结构建立的CNN模型对测试集、验证集图块分类的准确率[测试集:91.3%(95% CI: 88.2%~95.4%);验证集:92.5%(95% CI: 89.0%~95.3%)]、AUC[测试集:0.95(95% CI: 0.93~0.98);验证集:0.96(95% CI: 0.92~0.98)]均最高。基于LightGBM算法构建的模型识别整张切片为胃癌的AUC为0.98(95% CI: 0.89~0.98),准确率为88.0%(95% CI: 81.6%~94.3%),灵敏度为100%(95% CI: 88.0%~100%),特异度为67.0%(95% CI: 57.0%~85.0%)。  结论  基于胃活检病理切片建立的CNN诊断模型可对癌变组织进行定位,实现图块级和切片级病变性质精确分类,准确识别胃癌,有望提高病理诊断效率。     

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。     

灰阶超声影像组学鉴别诊断皮下组织血管瘤与卡波西型血管内皮瘤

目的 观察灰阶超声影像组学鉴别诊断皮下组织血管瘤（HE）与卡波西型血管内皮瘤（KHE）的价值。方法 回顾性分析143例皮下组织HE和70例KHE共252处病灶,按7：3比例将病灶随机分为训练集（n=176）和验证集（n=76）;提取病灶灰阶超声影像组学特征,构建影像组学模型,结合临床资料建立联合模型,观察各模型鉴别诊断皮下组织HE与KHE的效能。结果 共选取22个系数非零的稳定特征。影像组学模型鉴别训练集皮下组织HE与KHE的曲线下面积（AUC）、准确率、敏感度、特异度、阳性预测值及阴性预测值分别为0.91[95%CI（0.89,0.93）]、91.41%、83.20%、93.92%、95.79%及89.00%;用于验证集分别为0.85[95%CI（0.83,0.87）]、90.78%、79.32%、97.90%、96.71%及88.68%。联合模型鉴别训练集皮下组织HE与KHE的AUC、准确率、敏感度、特异度、阳性预测值及阴性预测值分别为0.94[95%CI（0.92,0.96）]、94.33%、90.77%、96.38%、94.23%及94.90%;用于验证集分别为0.90[95%CI（0.88,0.92）]、92.14%、85.69%、95.76%、93.33%及92.30%。联合模型鉴别诊断皮下组织HE与KHE的AUC均大于影像组学模型（P均<0.05）。结论 灰阶超声影像组学鉴别诊断皮下组织HE与KHE的效能较佳;联合临床特征可进一步提高其诊断效能。     

超声影像组学在鉴别诊断甲状旁腺腺瘤和甲状旁腺增生中的价值

目的 探讨超声影像组学方法在鉴别诊断甲状旁腺腺瘤（PA）和甲状旁腺增生（PH）中的临床应用价值。方法 选取2019年1月至2023年6月我院收治的133例甲状旁腺功能亢进症患者（共181枚病灶）,其中腺瘤66例（67枚）,增生67例（114枚）,比较两组临床资料及病灶常规超声特征。所有病灶按7:3分为训练集（126枚）和验证集（55枚）,基于灰阶超声图像勾画感兴趣区（ROI）并提取影像组学特征。应用最小绝对收缩和选择算子（LASSO）回归筛选特征并构建影像组学模型;应用多因素Logistic回归筛选重要的常规超声特征并构建常规超声模型;应用多因素Logistic回归构建基于影像组学特征和常规超声特征的联合模型。绘制受试者工作特征曲线（ROC）以评估各模型的效能并在验证集中进行验证;绘制校准曲线分析影像组学模型和联合模型预测结果与实际结果的一致性。结果 基于LASSO算法筛选出8个影像组学特征用于构建影像组学模型。单因素和多因素Logistic回归分析显示,病灶最大径、外周线状高回声和极性供支血管征为鉴别PA和PH的重要常规超声特征（均P＜0.05）。在训练集和验证集中,影像组学模型曲线下面积（AUC）分别为0.764和0.750,常规超声模型AUC分别为0.812和0.838,联合模型AUC分别为0.825和0.856。联合模型AUC在训练集和验证集中均高于影像组学模型,差异均有统计学意义（均P＜0.05）;其余各模型间AUC比较差异均无统计学意义。结论 影像组学联合模型能较准确地鉴别甲状旁腺腺瘤和甲状旁腺增生,可为临床制定手术方案提供一定的参考价值。