基于CT影像组学对孤立性肺结节性质分类的预测效能

目的：探讨肺结节CT影像组学特征与病理分类的关系,并评估不同分层递进影像组学模型对肺结节病理分类的预测效果。方法：纳入2017年7月—2019年8月189例病理证实且具有完整资料的肺结节患者,包括良性结节71例,恶性非浸润结节51例,恶性浸润性结节67例。分别构建3种CT影像组学模型,模型1对良性及恶性结节（包括恶性非浸润及浸润性结节）分类;模型2对恶性非浸润及浸润性结节分类;模型3对良性、恶性非浸润及浸润性结节分类。对所有勾画感兴趣区（ROI）进行高通量特征采集,采用智能方法进行特征和分类器筛选建立最佳模型。受试者工作特征（ROC）曲线及曲线下面积（AUC）用于评价模型的预测效能,计算灵敏度、特异度、准确率、阳性预测值和阴性预测值。结果：模型1、2及3分别筛选出20、2及20个影像组学特征,绘制ROC曲线,验证组AUC值分别为0.85、0.89及0.84,模型1灵敏度、特异度、准确率、阳性预测值及阴性预测值为79.66％、70.42％、84.59％、81.74％及67.57％;模型2为88.06％、74.51％、82.2％、81.94％及82.61％;模型3为71.34%、85.05%、70.37%％、83.2%及76.3%。结论：基于CT图像影像组学特征模型可以较好地反映良性结节、恶性非浸润结节及浸润性结节的差异,对其进行分类。     

基于多序列MRI影像组学预测早期宫颈癌淋巴血管侵犯的研究

  目的  探索基于多序列MRI图像的影像组学方法在预测早期宫颈癌淋巴血管侵犯(LVSI)中的临床价值。  方法  选取2015年1月—2020年2月宁波大学附属人民医院收治经病理证实的早期宫颈癌患者134例,分层抽样选取训练组91例,验证组43例,术前均行MRI平扫、对比增强(CE-MRI)及弥散成像(DWI)检查。在T₂WI-FS、CE-MRI及DWI序列图像上分别勾画肿瘤感兴趣区,采用LASSO回归及诺模图法提取影像组学特征并建立预测模型,训练组进行特征选择分类及模型建立,验证组对构建的预测模型进行验证,分析基于MRI各序列影像组学模型对早期宫颈癌LVSI的预测效能。  结果  采用LASSO回归在早期宫颈癌患者的T₂WI-FS、CE-MRI和DWI序列影像中分别提取具有预测意义的宫颈癌LVSI的影像组学特征,WavEnLH_s-4、Horzl_LngREmph在各序列中均被筛选出。通过logistics回归模型分别构建的不同序列MRI的影像组学模型对早期宫颈癌LVSI诊断效能均较高,T₂WI-FS、CE-MRI及DWI在训练组的AUC分别为0.810、0.803和0.781,在验证组的AUC分别为0.785、0.761和0.752。使用诺模图法构建的多序列MRI影像组学在训练组的AUC为0.893,在验证组的AUC为0.859。  结论  通过诺模图法构建的基于T₂WI-FS、CE-MRI及DWI序列影像组学模型作为一种客观的影像分析方法,对早期宫颈癌LVSI具有较高的预测效能并具有一定临床应用价值。      

CT影像组学联合临床特征在预测肺腺癌EGFR突变中的价值

目的探究CT影像组学联合临床特征对肺腺癌EGFR突变状态的预测效能。方法对125例肺腺癌病人进行回顾性研究,分成训练组（n=74）与验证组（n=51）,基于CT成像提取影像组学特征;采用支持向量机（SVM）分类器,分别构建临床模型、影像组学模型以及联合模型;受试者工作特征曲线（ROC）及曲线下面积（AUC）用于评价模型的预测效能。结果临床模型、影像组学模型以及联合模型在训练组中的AUC分别为0.749（0.653~0.843）、0.818（0.711~0.898）、0.860（0.760~0.930）,在验证组中的AUC分别为0.753（0.612~0.863）、0.797（0.661~0.896）、0.855（0.728~0.938）。结论对于肺腺癌EGFR突变状态的预测,CT影像组学特征优于临床因素与CT征象,当影像组学结合临床因素与CT征象,能进一步提高预测效能。     

CT影像组学在肝细胞癌联合治疗后短期疗效的应用

  目的   探讨增强CT的影像组学模型在预测肝细胞癌（hepatocellular carcinoma,HCC）经导管肝动脉化疗栓塞（transcatheter arterial chemoembolization,TACE）联合索拉菲尼治疗后短期疗效（6个月内）中的价值。  方法   回顾性分析159例TACE联合索拉菲尼治疗的肝癌患者的临床、病理及术前CT图像,根据改良后实体瘤疗效评价标准（modified response evaluation criteria in solid tumors,mRECIST）对介入术后 6 个月肿瘤局部控制率进行评估。提取动脉期和门脉期的影像组学特征并构建影像组学模型。根据术前一般临床危险因素、基本影像特征,建立术前临床模型。将影像组学模型加入术前临床模型,组成联合模型。分别绘制3个模型的受试者工作特征曲线（ROC）,并分别计算曲线下面积（AUC）。  结果  从1 708个影像组学特征中共筛选出11个影像组学特征值建立影像组学模型,训练组及验证组模型AUC分为0.945、0.918。临床因素除了肿瘤最大径线和肿瘤数目外,差异有统计学意义（P < 0.05）,其余差异无统计学意义（P > 0.05）,二者构建的临床模型训练组及验证组的AUC分别为0.811、0.857。联合模型训练组及验证组AUC分别为0.958、0.95。  结论  影像组学模型是预测TACE联合索拉菲尼短期疗效的一个强有力的独立预测因素,能明显提高术前临床模型的预测能力,可在TACE联合索拉菲尼治疗前筛选出进展危险性较高的患者,帮助临床医生制定个性化的治疗及随访方案,改善患者预后。     

影像组学联合预测模型在预测非小细胞肺癌淋巴结转移中的建立和应用价值

  目的  开发并验证影像组学模型,用于预测非小细胞肺癌术前淋巴结转移风险。  方法  2014年1月至2015年12月100例经临床病理确诊的非小细胞肺癌100例组成训练组,并用该数据建立影像组学预测模型。影像组学特征在平扫及增强CT上进行提取。Lasso-logistic模型用于数据降维、特征选择以及影像组学标记的建立。一致性系数（ICCs）用于评价观察者内部以及观察者之间的重复一致性。以一致性指数（C-index）评价影像组学标签对淋巴结转移的鉴别预测能力,并采用受试者工作特性（ROC）曲线下面积（AUC）展示。多因素logistic回归分析用于建立影像组学联合预测模型,该预测模型的参数包括影像组学标记和独立的临床危险因素。建立的影像组学模型由2016年1月至2017年12月连续纳入的100例非小细胞肺癌病例组成验证组进行验证。采用AUC评价该模型的鉴别预测效能,并用Delong检验进行模型间（联合预测模型与单纯使用22个影像组学标记的模型之间）的比较;用Hosmer-Lemeshow good of fit test（拟合优度检验）评价预测模型的校准度,其结果使用校正曲线表示,以比较模型预测的结果与实际淋巴结转移的一致性。  结果  提取特征时,观察者内部和观察者间的一致性好,ICC均大于0.75。从300个影像组学特征中提取出22个,其组成的影像组学标记,对于鉴别预测淋巴结转移状态的AUC,训练组为0.781,验证组为0.776。建立的影像组学预测模型包含了影像组学标记和血清癌胚抗原（CEA）、细胞角蛋白19片段抗原（CYFRA21-1）、癌抗原125（CA125）水平。用此联合预测模型预测淋巴结转移状态,训练组的AUC为0.836,验证组的AUC为0.821,均高于训练组和验证组单纯使用22个影像组学标记的模型,差异有统计学意义（P<0.05）。影像组学联合预测模型在训练组和验证组中均有较好的校准度,与实际淋巴结转移一致性高。  结论  本研究开发了一个包含了影像组学特征、临床危险因素的影像组学联合预测模型,该模型能够直观预测非小细胞肺癌患者术前的淋巴结转移风险。     

基于CT图像影像组学模型对甲状腺结节良恶性预测的研究

目的 本研究旨在探讨基于CT影像组学模型对甲状腺结节良恶性的鉴别价值。方法 回顾性收集甲状腺结节患者185例患者的胸部CT纵膈窗影像资料,共186枚结节,良性结节104枚,恶性结节82枚。将显示病灶的薄层CT图像以DICOM格式上传至达尔文医准科研平台,在病灶的中心层面及其上下层面勾画感兴趣区(ROI),通过最小、最大值归一化预处理,对每一维度特征的线性进行拉伸。然后采用Lasso Glogistic回归模型进行模型选择,对特征的重要性进行评估。最后以筛选出的特征维度为特征参数构建Lasso Glogistic回归模型,使用受试者工作特性曲线(ROC曲线)分析模型的诊断效能,并计算敏感度、特异度和诊断符合率。结果 经过特征筛选,8个影像组学特征用于构建甲状腺结节良恶性鉴别模型。训练组中预测模型的ROC曲线下面积(AUC)为0.83(95%可信区间：0.73-0.93),灵敏度和特异度分别为88.7%、 82.0%,诊断准确率75%;测试组中AUC为0.81(95%可信区间：0.6-0.99),灵敏度和特异度分别为88.5%、 84.6%,诊断准确率76.13%。结论 基于胸部CT纵膈窗...     

CT影像组学在预测非小细胞肺癌淋巴结转移中的价值

目的探讨基于胸部CT影像组学在术前预测非小细胞肺癌淋巴结转移中的价值。方法回顾性分析经术后病理证实的143例非小细胞肺癌病人临床、胸部CT增强影像资料。按照7:3比例,随机分为训练组（n=100）和验证组（n=43）。在静脉期图像上提取肿瘤的影像组学特征,采用最小绝对收缩选择算子（LASSO）逻辑回归用于数据降维、特征筛选。分别基于影像组学特征和临床-影像特征（最大径、毛刺征）构建预测模型。采用受试者工作特征曲线（ROC）的曲线下面积（AUC）评价不同模型的鉴别预测效能,并对模型的ROC曲线行Delong检验;在验证组中评估其预测效能。结果共提取939个影像组学特征,经筛选最终得到6个最优特征并建立影像组学预测模型。对于术前预测淋巴结转移的效能,在训练组中,影像组学模型AUC为0.864（95%CI:0.781~0.924）,大于临床模型的AUC为0.662（95%CI:0.561~0.754）（P < 0.01）;在验证组中,影像组学模型AUC为0.860（95%CI:0.720~0.964）,大于临床模型的AUC为0.664（95%CI:0.504~0.880）（P < 0.05）。结论基于胸部CT增强图像提取影像组学特征及其构建的预测模型,影像组学模型的效能高于临床模型,可以作为一种预测非小细胞癌病人淋巴结是否转移的辅助工具,具有良好的临床应用前景。     

基于临床及CT特征构建预测肺浸润性黏液腺癌的机器学习模型

  目的  肺黏液腺癌是一种罕见的肺癌亚型,存在独特的分子生物学特征,并影响治疗方案的选择。本研究拟通过建立浸润性黏液腺癌的机器学习模型来提高治疗前黏液腺癌诊断的准确性。  方法  回顾性分析河北医科大学第四医院在2017年1月—2022年5月期间经穿刺活检或手术病理证实的620例肺浸润性腺癌患者资料。采用倾向性评分匹配法(PSM)进行1 : 1匹配后按7 : 3比例将患者随机分为训练集和测试集, 应用具有统计学差异的变量构建支持向量机(SVM)、随机森林(RF)及逻辑回归(LR)3种机器学习模型, 并通过AUC值选择最优模型。通过5折交叉验证方法分析最优机器学习模型AUC值及绘制决策曲线分析(decision curve analysis, DCA)曲线, 并构建诺莫图。  结果  结果显示病灶位于下叶、囊腔、支气管截断征及ΔCTV值是浸润性黏液性腺癌的独立预测因素。将以上4个特征通过机器学习构建预测模型并进行模型比较, 最终显示逻辑回归模型(AUC = 0. 801)为最优模型。将285例随机抽取30%为测试集(85例), 剩余样本作为训练集进行5折交叉验证, 逻辑回归模型在验证集中得到AUC为0. 777, 测试集中的AUC为0. 785, 准确度为0. 682, 训练集中的AUC为0. 803, 准确度为0. 749。最终构建逻辑回归模型的诺莫图, 模型校准曲线中的Briser Score为0. 149, 且绘制的DCA曲线同样显示该模型具有良好的预测能力及稳定性。  结论  通过对基于临床及CT特征的机器学习模型的分析, 构建了原发性肺浸润性黏液性腺癌的临床预测模型, 该模型具有潜在指导临床诊断的作用。      

基于影像组学的煤工尘肺结节分析联合临床因素预测肺癌发生的价值

目的 研究影像组学、临床因素与煤工尘肺结节恶变间的关系,构建煤工尘肺结节恶变的最佳预测模型。方法 收集2015年1月—2019年6月在重庆市九龙坡区第二人民医院就诊的425例煤工尘肺患者的临床资料及共628个结节CT图像,以7∶3的比例随机分成训练集和验证集,每组数据内分为恶变组和未恶变组。对结节进行基本影像特征判读并勾画感兴趣区,提取影像组学特征。利用影像组学关键特征构建Radscore公式,通过logistic回归对临床特征、影像组学特征、临床特征和Radscore建立预测模型并使用AUC及Delong检验比较模型的预测效能。结果 3年随访过程中病理证实恶性结节54枚,直径为（1.70±0.63）cm,未发生恶变结节574枚,直径为（1.68±0.76）cm,2组直径比较差异无统计学意义（t=0.468,P=0.642）;2组接触煤尘工龄、家族史、吸烟史、饮酒史、毛刺征与空泡征比较,差异有统计学意义（均P<0.05）;年龄、结核史、COPD病史比较,差异无统计学意义（均P>0.05）。LASSO筛选出11个影像组学特征。在验证集中混合模型取得最佳效果,AUC为0.895...     

增强CT影像组学对肾透明细胞癌恶性程度的鉴别

目的 探索基于CT增强图像影像组学鉴别肾透明细胞癌恶性程度的价值。方法 回顾性分析192例经病理证实为肾透明细胞癌(CCRCC)增强CT图像资料,其中低级别组(Ⅰ-Ⅱ级,n=111)、高级别组(Ⅲ-Ⅳ级,n=81)。对于增强CT皮质髓质期(CMP)、肾实质期(NP)、排泄期(EP)及三期联合的图像进行影像组学特征提取,运用最小绝对收缩率和选择运算符(LASSO)进行降维,选取有价值的组学特征,采用五折交叉验证将样本量分为训练组及测试组,训练组采用支持向量(support vector mach ine,SVM)及逻辑回归(logistic regression,LR)两类分类器创建CMR、NP、EP及三期联合的影像组学模型,运用受试者工作特征曲线下面积(AUC)、准确度、灵敏度、特异度、精确度最终评估影像组学模型对于肾透明细胞癌恶性程度的诊断效能,并用测试组进一步验证。结果 基于CMP、 NP、EP及三期联合图像所建立的影像组学模型与CCRCC恶性程度显著相关,且CMP影像组学模型对于CCRCC恶性程度诊断效能最高(R=0.83,1, 0.801)。SVM分类器模型测试组CMP、NP、...     

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。     

动态增强成像影像组学分析鉴别良恶性腮腺病变的价值研究

目的 腮腺肿瘤类型复杂,动态增强扫描定性分析鉴别腮腺肿瘤的良恶性较为困难,本研究利用腮腺动态增强的定量参数图像进行影像组学分析,判断动态增强成像在鉴别腮腺肿瘤良恶性中的价值。方法 回顾性分析新疆维吾尔自治区人民医院2019年1月—2022年4月病理证实的51例腮腺占位性病灶磁共振图像,共54个病灶,其中多形性腺瘤12个,Warthin瘤19个,恶性肿瘤8个,其余非肿瘤病变15个。腮腺动态增强图像生成转运常数(K_trans)、血管外细胞外容积分数(V_e)、血浆容积分数(V_p)、回流常数(K_ep)定量位图,通过FAE软件提取影像学特征,建立鉴别腮腺病变良恶性诊断的影像组学模型,并用AUC、敏感性、特异性、准确度等指标对影像组学模型进行评价,判断腮腺良恶性肿瘤样病变鉴别的效能。同时,将多形性腺瘤、腺淋巴瘤和非肿瘤性病变分别与恶性腮腺瘤进行影像组学比较分析。结果 腮腺动态增强定量图像通过特征提取进行影像组学分析,判断腮腺肿块良恶性的AUC、准确度、敏感性、特异度分别为0.612、0.844、0.500、0....     

MRI纹理分析在识别前列腺导管内癌成分中的价值

  目的  探究基于纹理分析的影像组学方法在识别前列腺癌导管内癌（intraductal carcinoma of the prostate gland, IDCP）成分中的价值。  方法  回顾性分析56例前列腺癌患者的磁共振成像（MRI）,其中单纯腺癌患者31例,含IDCP成分腺癌患者25例。分析病灶影像学特征,然后将纳入患者的T2加权成像（T2WI）,增强扫描动脉期、静脉期序列图像导入Omni-Kinetics软件进行病灶纹理特征的提取,建立基于各序列纹理参数及联合影像特征的回归预测模型。采用受试者工作特征（ROC）曲线评估各纹理模型的诊断效能。  结果  外周带病灶影像特征中,含IDCP成分腺癌患者外科包膜侵犯、突破前列腺包膜、精囊腺侵犯发生率高于单纯腺癌患者（P<0.05）;移行带病灶影像特征中,含IDCP成分腺癌患者伴前列腺增生、侵犯前列腺包膜、精囊腺侵犯和侵犯血管神经束等影像特征发生率更高（P<0.05）。在单纯腺癌与含IDCP成分腺癌的鉴别诊断中,外周带组中筛选出4个动脉期纹理特征,纹理模型和合并是否侵犯精囊腺的混合模型的曲线下面积（AUC）分别为0.890和0.938,两模型的 AUC 差异无统计学意义;移行带组中筛选出2个动脉期纹理特征和2个静脉期特征,纹理模型和合并是否侵犯血管神经束的混合模型的AUC分别为0.844和0.901,两模型的 AUC 差异无统计学意义。  结论  含IDCP成分的腺癌伴前列腺外侵犯征象的发生率更高。在识别IDCP成分上,与T2WI相比,增强序列纹理分析的结果更具有鉴别价值。     

基于多序列MRI的影像组学模型在腮腺肿瘤良恶性诊断中的应用

目的 探究腮腺肿瘤良恶性的诊断中应用基于多序列MRI的影像组学模型的临床价值。方法 选取2021年1月1日—2022年5月30日于台州市中心医院就诊经病理检查证实的腮腺肿瘤患者共97例,其中良性肿瘤64例,恶性肿瘤33例,提取患者的临床资料及MRI图像。通过ITK-SNAP软件分割感兴趣区域(ROI),使用3D-slicer软件的PyRadiomics插件在T₁加权对比增强成像序列(T₁Wce)、T₂加权序列(T₂WI)及基于弥散加权成像(DWI)序列构建的表观弥散系数(ADC)图像中提取120个影像特征,使用Lasso回归进行特征降维,最后使用筛选的影像特征构建支持向量机(SVM)模型。然后绘制ROC曲线,评估模型的诊断效能。结果 2组患者年龄、性别差异无统计学意义。基于患者T₁Wce、T₂WI和ADC序列以及3个序列联合构建4个影像组学模型用于腮腺肿瘤良恶性诊断,AUC分别为T₁Wce模型0.752,T₂WI...