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的影像组学模型预测胶质母细胞瘤Ki-67的表达水平

目的探讨基于T2WI建立的影像组学模型术前预测胶质母细胞瘤Ki-67表达水平的价值.材料与方法回顾性分析经病理确诊的96例胶质母细胞瘤(glioblastoma,GBM)患者的术前MRI影像,根据Ki-67表达水平分为低表达组(Ki-67<50％)和高表达组(Ki-67≥50).在T2WI轴位图像上手动勾画感兴趣体积(volume of interest,VOI)并提取影像组学特征,所有病例按照70％:30％分为训练组和测试组,训练组用于特征筛选和建立机器学习模型,特征筛选由t检验和最小绝对收缩与选择算子(least absolute shrinkage and selection operator,LASSO)完成,特征筛选后的数据建立随机森林(random forest,RF)、Logistic回归和支持向量机(support vector machine,SVM)三种机器学习模型;测试组用于验证建立的模型并绘制ROC曲线,结果表示为准确度、敏感度、特异度和AUC.结果Ki-67低表达组和高表达组的年龄、性别差异无统计学意义;三种机器学习模型中,RF模型的诊断效能最高,准确度、敏感度、特异度和AUC分别为0.72、0.67、0.76、0.72,Logistic回归模型综合诊断效能最低,SVM模型介于二者之间.结论基于T2WI建立的影像组学模型对术前预测胶质母细胞瘤Ki-67表达水平具有一定的价值,其中RF模型预测效能最好.     

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。     

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T2加权成像的影像组学特征和临床特征模型在早期宫颈鳞状细胞癌深间质浸润中的诊断价值

  目的  初步探讨基于T2加权成像(T2-weighted imaging, T2WI)的影像组学特征联合患者临床特征构建的模型对早期宫颈鳞状细胞癌深间质浸润(deep stromal invasion, DSI)的诊断价值。  方法  回顾性纳入2017年1月至2021年2月在北京协和医院行根治性子宫切除术的早期宫颈鳞状细胞癌患者,并按8∶2的比例随机分为训练集和验证集。收集训练集患者的术前临床特征和矢状位T2WI图像影像组学特征资料,经筛选、特征降维后,采用Logistic回归分析法建立早期宫颈癌DSI诊断模型,包括临床特征模型、影像组学模型和临床-影像组学模型。基于验证集数据,采用受试者工作特征(receiver operating characteristic, ROC)曲线对上述模型的性能进行验证。  结果  共168例符合纳入和排除标准的早期宫颈鳞状细胞癌患者入选本研究。其中训练集135例,验证集33例;经组织病理学证实为浅间质浸润的患者72例,DSI患者96例。共筛选出患者年龄、术前鳞状细胞癌抗原水平、国际妇产科联盟分期3个临床特征和4个影像组学特征用于模型构建。ROC曲线分析显示,临床特征模型、影像组学模型和临床-影像组学模型诊断早期宫颈鳞状细胞癌DSI的曲线下面积分别为0.797(95% CI: 0.623~0.971)、0.793(95% CI: 0.633~0.954)和0.820(95% CI: 0.665~0.974),且以临床-影像组学模型的诊断效能最高,其灵敏度、特异度和准确度分别为85.7%(95% CI: 49.8%~100%)、73.7%(95% CI: 57.9%~100%)和78.8%(95% CI: 69.7%~93.9%)。  结论  基于T2WI图像的影像组学特征联合临床特征构建的临床-影像组学模型可作为一种无创的术前检查手段高效判断早期宫颈鳞状细胞癌间质浸润深度。     

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。     

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。     

T2WI-FS序列影像组学诊断宫颈癌转移及脉管间隙浸润的价值

目的研究T2加权脂肪抑制序列(T2-weighted imaging fat suppression,T2WI-FS)影像组学诊断宫颈癌(cervical cancer,CC)淋巴转移及脉管间隙浸润(lymph vascular space invasion,LVSI)的价值.材料与方法回顾性分析2017年6月至2020年6月间66例CC患者临床资料及术前磁共振成像横轴位T2WI-FS图像,勾画病灶感兴趣区域(region of interest,ROI),将患者预处理图像与ROI图像依次导入A.K.软件,提取T2WI-FS图像上病灶组学特征,经特征降维处理后,建立逻辑回归模型影像组学标签,绘制受试者工作特征(receiver operating characteristic,ROC)曲线,分析T2WI-FS组学标签在诊断CC淋巴转移及LVSI中的价值.结果病理检查结果提示存在淋巴转移者共22例,无转移者44例,分析发现,淋巴转移与患者宫颈间质浸润深度及LVSI有关(P值均<0.01);LVSI阳性患者共27例,阴性患者39例,分析发现,LVSI与患者组织分化程度、宫颈间质浸润深度及淋巴结转移有关(P值均<0.01);T2WI-FS影像组学标签评估患者淋巴转移的曲线下面积(area under the area under the curve,AUC)=0.857,诊断敏感度(sensitivity,Sen)=85.0％,特异度(specificity,Spe)=86.7％,评估患者LVSI的AUC=0.807,诊断Sen=68.3％,Spe=88.3％.结论淋巴结转移及LVSI间相互影响,两者均受到宫颈间质浸润深度的影响,T2WI-FS影像组学标签在评估患者淋巴转移及LVSI中均具有较高的效能,在宫颈癌患者术前病情评估,指导手术治疗方案及预后预测中均具有较高的应用价值.     

基于磁共振T2WI序列影像组学预测急性胰腺炎复发的价值

目的 探讨磁共振T2WI序列影像组学在预测急性胰腺炎复发中的价值.材料与方法 回顾性研究川北医学院附属医院2014年1月至2015年12月急性胰腺炎(acute pancreatitis,AP)患者147例,其中首发AP患者102例、复发性急性胰腺炎(recurrent acute pancreatitis,RAP)患者45例,以7:3比例随机地将其分为训练组和验证组,训练组102例(AP 70例,RAP 32例)和验证组45例(AP 32例,RAP 13例),同时收集两组临床特征(年龄、性别、结石、高脂血症、饮酒史、并发症、严重程度).利用IBEX软件勾画三维的胰腺实质周围并提取纹理特征,包括灰度共生矩阵、灰度游程矩阵、直方图、形状.采用单因素分析、套索算法(least absolute shrinkage and selection operator,LASSO)进行特征筛选,并采用Logistics回归建立预测AP复发的影像组学模型、临床模型,通过ROC曲线下面积(area under the curve,AUC)评估模型预测效能.结果 基于8个纹理特征(信息测量校正、集群趋势、相关性、非相似性、熵、游程非均匀性、偏度、体积)的影像组学模型对预测AP复发具有较高的诊断效能,在训练组中影像组学模型预测AP复发的AUC为0.870(95％CI:0.791～0.949),敏感度为0.903,特异度为0.831,在验证组中AUC为0.836(95％CI:0.718～0.954),敏感度为0.786,特异度为0.774,基于高脂血症的临床模型预测AP复发的AUC为0.634(95％CI:0.550～0.717),敏感度为0.689,特异度为0.578.结论 基于磁共振T2WI序列影像组学模型可预测AP复发.信息测量校正、集群趋势、相关性、非相似性、熵、游程非均匀性、偏度、体积是RAP的显著预测因素.     

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.     

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T2WI纹理分析预测高级别胶质瘤术后复发

目的 观察基于T2WI纹理分析预测高级别胶质瘤(HGG)术后复发的价值。方法 回顾性分析71例术前接受MR检查的HGG患者，根据术后有无HGG复发分为复发组(n=45)和未复发组(n=26),比较组间MRI肿瘤形态参数的差异；于T2WI中提取瘤体、瘤周水肿区及瘤体+瘤周水肿区的纹理特征，分别基于形态特征和纹理特征构建支持向量机(SVM)和随机森林(RF)模型；绘制受试者工作特征曲线，以曲线下面积(AUC)评估各模型的预测效能。结果 组间肿瘤位置、有无囊变、有无子病灶、实质/瘤周DWI信号及强化程度差异均有统计学意义(P均<0.05)。分别于瘤体、瘤周水肿区和瘤体+瘤周水肿区筛选出12、13和13个最佳纹理特征，以之构建的SVM_形态模型预测HGG复发效能(AUC=0.76)高于RF_形态模型(AUC=0.68),SVM_纹理模型预测效能最佳(AUC=0.83)。结论 基于T2WI纹理分析能有效预测HGG术后复发，尤以SVM_纹理模型的预测效能最佳。     

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）均高于各单一序列模型；其在测试集的敏感度（0.794、0.882）、特异度（0.909、0.969）及AUC （0.904、0.934）均高于主观阅片及各单一序列模型；联合LASSO模型预测效能优于联合MRI模型。结论 术前MRI影像组学可有效预测EC风险分层，尤以联合LASSO模型预测效能最佳。     

基于MRI影像组学机器学习模型鉴别小肾癌与乏脂肪肾血管平滑肌脂肪瘤

目的：探讨基于多期相MRI影像组学机器学习模型鉴别小肾癌（small renal cell carcinoma, sRCC）与乏脂肪肾血管平滑肌脂肪瘤（fat-poor renal angiomyolipoma, fp-AML）的价值。 方法：回顾性分析经病理证实的79例sRCCs与35例 ≤4cm的fp-AMLs。分别在T2WI（T2）、增强前T1WI（UP）、皮髓质期（CMP）、实质期（NP）图像上手工勾画全肿瘤感兴趣体积（volumetric area of interest,VOI）并提取影像组学特征。按照7:3的比例划分训练集（86例）与测试集（28例）,采用T检验、最大相关最小冗余（maximal relevance and minimal redundancy, mRMR）算法、最小绝对收缩和选择算子方法（the least absolute shrinkage and selection operator, LASSO）进行特征选择,之后分别建立逻辑回归（logistic regression, LR）与支持向量机（support vector machine, SVM)分类模型。采用受试者工作曲线(receiver operating characteristic, ROC)曲线来评价模型的分类性能。 结果：T2、UP、CMP、NP和四期相整合中分别获得4个、12个、3个、11个和15个最优子集特征。基于NP与四期相整合影像组学特征联合LR构建的模型鉴别效能最佳,模型在训练集中的AUC值分别为0.956、0.986,在测试集中的AUC值均为0.881。结论：基于多期相MRI影像组学特征构建的机器学习模型在鉴别sRCC和fp-AML中具有较高的诊断效能。     

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...     

乳腺良恶性病变鉴别的MRI影像组学预测模型构建:基于随机森林、支持向量机、逻辑回归分类器

  目的  构建基于随机森林、支持向量机和逻辑回归分类器的MRI影像组学预测模型,对乳腺良恶性病变进行鉴别,并评估上述模型的诊断价值。  方法  回顾性分析在南方科技大学盐田医院进行MRI影像检查并获得手术病理的34例乳腺病变患者的动态增强MRI图像。按0.8∶0.2的比例将病例分为训练集（n=27）和测试集（n=7）。采用3D Slicer软件勾画乳腺病灶靶区并生成3D感兴趣体积,对每个感兴趣体积提取1037个影像组学特征,使用LASSO进行影像组学特征降维,然后在训练集中采用随机森林、支持向量机和逻辑回归等3种分类器分别构建乳腺良恶性病变的预测模型,并在测试集中进行评估。  结果  经LASSO降维后共选出6个影像组学特征标签进行建模,3种模型在训练集中的分类效果均非常好（曲线下面积>0.90）,其中稳定性最高的是基于逻辑回归分类器建立的乳腺良恶性病变影像组学预测模型。  结论  基于随机森林、支持向量机和逻辑回归的MRI影像组学预测模型在诊断乳腺良恶性病变方面都具有较好的诊断效能,其中逻辑回归模型更为稳定。影像组学方法可为乳腺良恶性病变的预测提供新的手段。      

构建多参数MRI影像组学脑膜瘤分级模型

目的：探讨构建多参数MRI影像组学模型在脑膜瘤术前分级中的应用价值。方法：回顾性收集544例经兰州大学第二医院病理科证实的脑膜瘤患者的术前临床、影像及术后病理资料。由两名放射科医师以独立盲法分别使用ITK-SNAP软件在T₂WI和对比增强T₁WI上手动勾画肿瘤的感兴趣体积，由数坤科技平台提取影像组学特征。采用Selectpercentile、最小绝对收缩和选择算子(Lasso)筛选最强相关特征，并构建不同的影像组学预测模型，并随机以7∶3的比例对模型进行内部验证。结果：不同的影像组学模型术前预测脑膜瘤分级的诊断效能不同。基于对比增强T₁WI和T₂WI的随机森林(RF)影像组学模型的诊断效能最优，训练集的曲线下面积(AUC)、敏感性、特异性、准确性分别为0.933(95%CI 0.906～0.958)、0.854、0.839、0.842；验证集的分别为0.835(95%CI 0.742～0.913)、0.771、0.845、0.829。结论：基于对比增强T₁WI和T_2<...     

基于超声影像组学及临床特征的可解释性机器学习模型预测乳腺癌新辅助化疗疗效

目的 探讨基于乳腺癌原发灶超声影像组学特征联合临床病理因素构建的机器学习模型预测乳腺癌新辅助化疗(NAC)病理完全缓解的临床价值。方法 回顾性纳入272例术前接受NAC治疗且有病理检查结果的乳腺癌患者,从超声图像中提取并筛选影像组学特征后构建影像组学评分,基于多因素Logistic回归分析、XGBoost、决策树、随机森林、支持向量机等机器学习算法,评分联合临床病理特征构建乳腺癌患者NAC疗效的预测模型并对模型性能加以验证。结果 受试者工作特征曲线显示,基于随机森林算法构建的联合模型预测性能最佳(训练集AUC:0.855,测试集AUC:0.844)。决策曲线分析表明,随机森林模型具有更高的临床获益。SHAP分析显示,对模型预测结果贡献程度最大的3个变量依次为影像组学评分值、Her-2、ER。结论 基于超声影像组学特征构建的机器学习模型可协助评估乳腺癌患者NAC疗效,随机森林模型在诊断性能和临床实用性方面表现最佳。