基于增强CT影像组学模型鉴别肾透明细胞癌与非透明细胞癌

目的 建立基于增强CT的影像组学模型,评估其鉴别肾透明细胞癌（ccRCC）与非透明细胞癌（non-ccRCC）的应用价值。方法 将147例ccRCC及32例non-ccRCC患者随机分为训练集125例和测试集54例。将所有患者的增强CT资料导入ITK-SNAP软件,手动勾画ROI,获得16个特征,分别建立基于特征的随机森林（RF）模型和逻辑回归（LR）模型,采用ROC曲线观察模型对ccRCC的诊断效能。结果 训练集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度0.83;LR模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.83。测试集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.89;LR模型诊断ccRCC的AUC为0.88（P<0.05）,特异度为0.90,敏感度为0.77。结论 基于增强CT影像组学模型可用于鉴别ccRCC与non-ccRCC;RF模型诊断价值较LR模型更高。     

基于多参数MRI及影像组学建立机器学习模型诊断临床显著性前列腺癌

目的 建立基于多参数MRI（mpMRI）和影像组学特征的机器学习模型,评价其诊断临床显著性前列腺癌（CSPC）的价值。方法 结合纹理分析、MR动态增强定量分析、前列腺影像报告与数据系统（PI-RADS）评分和部分临床资料建立Logistic回归（LR）、逐步回归（SR）、经典决策树（cDT）、条件推断树（CIT）、随机森林（RF）和支持向量机（SVM）模型,运用ROC曲线和决策曲线分析法（DCA）评价上述模型和变量的重要性。结果 验证组中RF模型诊断CSPC的AUC大于SVM、cDT、SR模型（P均<0.05）,RF模型与LR、CIT模型诊断CSPC的AUC差异无统计学意义（P均>0.05）,其余各模型间诊断CSPC的AUC差异无统计学意义（P均>0.05）。概率阈值为16%~91%时,RF模型的净获益最大,优于其他模型;概率阈值为23%~91%时,SVM模型的净获益仅次于RF模型而优于其他模型。前列腺特异性抗原密度（PSAD）和部分纹理分析参数的重要性较高。结论 RF模型诊断CSPC优于其他模型,SVM模型次之。PSAD和纹理分析相关参数诊断CSPC的重要性高于PI-RADS评分和动态增强MRI定量参数。     

基于深度学习的超声影像诊断对终末期慢性肾病的价值

目的探讨基于深度学习的卷积神经网络模型DenseNet121对终末期肾病的诊断价值。 方法回顾性选择2019年1月1日至9月30日期间中日友好医院诊断为终末期肾病的489张肾超声影像和对照组450张健康肾超声影像。采用深度卷积神经网络模型DenseNet121进行网络的训练和验证,把是否为终末期肾病作为参考标准。然后将深度学习模型的诊断结果与专业影像医师的诊断结果进行比较。以受试者工作特征曲线（ROC）评价深度学习模型的诊断性能,以准确性、特异度、敏感度和曲线下面积（AUC）作为衡量指标比较深度学习模型和专业影像医师的诊断性能,采用Delong方法比较2种诊断方式AUC的差异。 结果专业医师对终末期肾病诊断的准确性为89.36%,敏感度为81.63%,特异度为97.77%,AUC为0.897。基于深度学习的卷积神经网络模型对终末期肾病诊断的准确性为93.51%,敏感度为96.12%,特异度为90.66%,AUC为0.934;与专业医师相比,具有更高的诊断能力（Z=3.034,P=0.002）。 结论基于深度学习的超声诊断方法显示了较高的诊断性能,有潜力辅助专业影像医师,进行终末期肾病的诊断。     

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.     

机器学习在鉴别肺纯磨玻璃结节浸润性腺癌与非浸润性腺癌中的应用

目的 研究基于影像组学特征构建的机器学习模型对鉴别肺纯磨玻璃结节浸润性腺癌与非浸润性腺癌的价值。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌，其中浸润性腺癌32例，非浸润性腺癌55例（包括原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾化感兴趣区（ROI），A.K.软件（Artificial Intelligent Kit，GE health）进行影像组学特征提取。采用单因素方差分析、秩和检验及t检验筛选有意义的特征参数，Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数分别构建支持向量机（SVM）、随机森林（RF）、逻辑回归（LR）三种机器学习模型，采用十折交叉验证法得到最优模型，并绘制ROC曲线用于评价三种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、logistics回归三种机器学习模型可以有效鉴别两组病变，准确率（Accuracy）依次为93.30%、86.70%、83.30%，曲线下面积（AUC）分别为0.94、0.92、0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，说明利用机器学习的方法可以在术前有效的鉴别浸润性腺癌与非浸润性腺癌。     

机器学习鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌

目的 探讨基于影像组学特征构建的机器学习模型鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌的可行性。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌患者，其中浸润性腺癌32例，非浸润性腺癌55例（原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾画ROI，A.K.软件提取影像组学特征。筛选有意义的特征参数，以Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数，分别构建支持向量机（SVM）、随机森林（RF）及逻辑回归（LR）3种机器学习模型，采用十折交叉验证法得到最优模型，绘制ROC曲线，评价3种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、LR 3种机器学习模型可有效鉴别浸润性腺癌与非浸润性腺癌，准确率分别为93.30%、86.70%和83.30%，AUC分别为0.94、0.92和0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，可于术前有效鉴别肺浸润性腺癌与非浸润性腺癌。     

基于机器学习算法的胃癌淋巴结转移预测模型研究

目的 基于4种机器学习(ML)算法构建胃癌淋巴结转移的预测模型并验证。方法 回顾性收集531例胃癌根治术患者的临床资料,按3∶1比例将患者随机分为训练集399例和测试集132例。通过单因素分析筛选胃癌淋巴结转移的特征选择变量,分别建立逻辑回归、随机森林、K-邻近算法、支持向量机算法模型并进行变量重要性排序。将所有ML算法模型在测试集中进行验证,绘制受试者工作特征(ROC)曲线,基于曲线下面积(AUC)、灵敏度、特异度、准确度确定最优ML算法模型。基于最优ML算法模型的变量重要性排序构建列线图模型,通过ROC曲线、校准曲线、决策曲线评价列线图模型的区分能力、校准能力和临床适用性。结果 4种ML算法模型比较结果显示,随机森林模型为最优算法模型,其在训练集中的准确度、灵敏度、特异度分别为72.7%、69.9%、75.0%,AUC为0.803,其在测试集中的准确度、灵敏度、特异度分别为64.4%、66.7%、62.5%,AUC为0.751。基于随机森林算法模型的变量构建列线图模型,ROC曲线显示列线图模型在训练集、测试集中的AUC分别为0.721、0.776,校准曲线和决策曲线显示列线图模型在...     

对比增强液体衰减反转恢复序列MRI影像组学评估成人弥漫性低级别胶质瘤1p/19q状态

目的 观察对比增强液体衰减反转恢复（CE-FLAIR）序列MRI影像组学模型判断成人弥漫性低级别胶质瘤（DLGG）1p/19q状态的价值。方法 纳入135例成人DLGG患者、含81例1p/19q共缺失,经分层抽样按7 ∶ 3比例将其分为训练集（n=95）及验证集（n=40）。基于训练集CE-FLAIR数据提取、筛选DLGG 1p/19q共缺失影像组学特征,构建支持向量机（SVM）、随机森林（RF）、极限梯度提升（XGBoost）、轻量梯度提升机（LightGBM）及逻辑回归（LR）模型;绘制受试者工作特征曲线,计算曲线下面积（AUC）,评价影像组学模型判断训练集及验证集DLGG 1p/19q状态的价值,并以DeLong检验进行比较。结果 共提取851个影像组学特征,以Mann-Whitney U检验筛选出74个差异有统计学意义者,再经5折交叉验证的最小绝对收缩和选择算子选出12个与1p/19q状态显著相关者;以之构建的SVM、RF、XGBoost、LightGBM及LR模型评价训练集DLGG 1p/19q状态的AUC分别为0.89、0.97、0.97、0.96及0.85,评估验证集的AUC分别为0.86、0.92、0.93、0.92及0.78。验证集中,LR模型的AUC低于SVM、RF、XGBoost及LightGBM （Z=2.981、3.136、3.014、2.827,P均<0.05）,而后四者间AUC差异均无统计学意义（P均>0.05）;RF模型准确率最高,为88.24%。结论 基于CE-FLAIR影像组学模型可有效评估成人DLGG1p/19q状态;SVM、RF、XGBoost及LightGBM模型效能均较高,以RF模型准确率最高。     

基于X线及超声乳腺影像报告和数据系统构建机器学习模型预测乳腺癌分子分型

目的 观察基于X线及超声的乳腺影像报告和数据系统（BI-RADS）选取影像学特征构建的机器学习模型预测乳腺癌分子分型的可行性。方法 回顾性分析200例经病理的浸润性乳腺癌，根据免疫组织化学结果分为Luminal组（n=109）与非Luminal组（n=91），组内按7 ：3比例随机分为训练亚组及测试亚组。采集11个临床信息，并提取24个影像学特征，建立4种机器学习模型，通过受试者工作特征（ROC）曲线评价各模型预测不同分子分型乳腺癌的效能，比较各模型曲线下面积（AUC）的差异。结果 测试组随机森林（RF）、极端梯度提升（XGBoost）、逻辑回归（LR）及支持向量机（SVC）模型判断不同分子分型乳腺癌的敏感度分别为74.10%、74.10%、77.80%和70.40%，特异度分别为63.60%、51.50%、57.60%和60.60%，准确率分别为68.30%、61.70%、66.70%和65.00%；其中RF模型判断Luminal型与非Luminal型乳腺癌的AUC值最大（AUC=0.70，P<0.05），但与其他模型间差异均无统计学意义（P均>0.05）。结论 RF模型预测不同分子分型乳腺癌的效能较好。     

超声影像组学在腮腺多形性腺瘤与腺淋巴瘤鉴别诊断中的应用价值

目的：探讨超声影像组学对腮腺多形性腺瘤及腺淋巴瘤鉴别诊断能力。方法：回顾性收集2016年1月-2021年9月于皖南医学院第一附属医院（弋矶山医院）经手术病理证实的133例多形性腺瘤和99例腺淋巴瘤的超声图像及临床相关资料。按7∶3的比例分为训练集162例、验证集70例。利用ITK-SNAP软件上手动勾画肿瘤的感兴趣区（Region Of Interest，ROI），采用Pyradiomics 软件提取二维超声腮腺病灶影像组学定量特征，将提取特征正则化，采用Spearman相关分析，再使用选择最小绝对收缩与选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）模型，筛选出最佳特征。分别采用支持向量机（SVM）、K紧邻（KNN）、决策树（Decision tree）三种机器学习算法根据筛选的最佳特征构建超声影像组学模型，建立对多形性腺瘤和腺淋巴瘤鉴别诊断能力。绘制受试者操作特征（Receiver Operating Characteristic，ROC）曲线评价鉴别各个模型诊断的效能。采用Delong检验评估模型的差异，应用决策曲线分析（DCA）评估模型的临床应用价值。结果：超声影像组学鉴别腮腺常见的良性肿瘤时，提取影像组学21个特征，利用SVM、KNN、Decision tree算法所构建模型鉴别效能AUC、灵敏度、特异度、准确度分别是：0.848、0.842、0.814、0.826；0.721、0.947、0.481、0.652；0.620、0.684、1.000、0.608。通过DeLong检验发现SVM算法优于其他两种算法所构建的模型。结论：超声影像组学利用机器算法可以用于多形性腺瘤与腺淋巴瘤的鉴别。     

基于颅脑T1WI对比增强图像构建卷积神经网络模型鉴别肺癌与乳腺癌脑转移

目的 分析基于对比增强颅脑T1WI(T1CE)构建的卷积神经网络(CNN)模型鉴别肺癌与乳腺癌脑转移的效能。方法 回顾性分析97例经手术病理证实的乳腺癌脑转移(39例)与肺癌脑转移(58例)患者，于颅脑T1CE中手动勾画病灶ROI并提取其影像组学特征，采用单因素分析及最小绝对收缩和选择(LASSO)算法进行特征降维，筛选最优特征；分别构建传统机器学习支持向量机(SVM)、随机梯度下降(SGD)、K邻近(KNN)、决策树(DT)、随机森林(RF)、极端随机树(ET)、逻辑回归(LR)模型及深度学习CNN模型，将按7∶3数据分为训练集和验证集，采用受试者工作特征(ROC)曲线评估8种模型鉴别验证集中肺癌与乳腺癌脑转移的效能。结果 共纳入202个脑转移癌，含乳腺癌、肺癌脑转移各101个。基于颅脑T1CE提取1 050个特征，经单因素分析及LASSO算法降维后得到5个最优特征；以之构建的SVM、SGD、KNN、DT、RF、ET、LR及CNN模型鉴别验证集肺癌与乳腺癌脑转移的曲线下面积(AUC)分别为0.88、0.83、0.87、0.74、0.84、0.86、0.88及0.90,其中CNN模型的...     

基于非增强MRI的影像组学术前预测肝细胞癌微血管浸润的研究

目的建立基于非增强MRI的影像组学模型对肝细胞癌(hepatocellular carcinoma,HCC)的微血管侵犯(microvascularinvasion,MVI)进行术前预测。材料与方法回顾性分析经手术病理证实是否有MVI的HCC病人129例。所有患者术前2周内行3.0 T MRI。在T2WI-FS及ADC图中逐层勾画病灶区域提取影像组学特征。使用三步降维方法Variance Threshold、SelectKBest、LASSO算法依次进行降维来进行特征选择。分别使用六种分类器包括逻辑回归(logistic regression,LR)、支持向量机(supportvectormachine,SVM)、K近邻(K-NearestNeighbor,KNN)、决策树(decision tree,DT)、随机森林(random forest,RF)、极限梯度增强树(extreme gradient boosting,XGBoost)对提取的特征进行机器学习。通过绘制ROC曲线下面积(areaundercurve,AUC)、敏感度(sensitivity)、特异度(specificity)三个指标来评价各分类器所构建模型的效能。结果从T2WI-Fat suppressed (FS)及ADC图中分别提取出1409个影像组学特征。经过降维,最终从T2WI-FS图中筛选出12个以及从ADC图中选出8个最优特征来分别构建两个组学模型。两种分类器SVM、LR基于T2WI-FS特征所构建的模型性能最佳,对应的受试者工作特征AUC值分别为0.869、0.801,准确度为0.78、0.81。结论使用T2WI-FS的12个组学特征,可以获得较高的AUC值和准确度。因此,认为基于T2WI-FS的三维成像组学特征可以作为潜在的生物标志物来对肝细胞癌的微血管浸润进行术前非侵入性预测。     

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。     

基于多中心数字化乳腺X线摄影影像组学预测乳腺癌人表皮生长因子受体-2过表达

目的 观察基于多中心数字化乳腺X线摄影(DM)影像组学预测乳腺癌人表皮生长因子受体-2(HER-2)过表达的价值。方法 回顾性分析来自机构1(n=336)、2(n=142)、3(n=130)共608例经病理证实乳腺癌患者的DM资料。按照7∶3比例将来自机构1、2共478例分为训练集(334例，其中92例HER-2阳性、242例HER-2阴性)和验证集(144例，40例HER-2阳性、104例HER-2阴性);以来自机构3的130例(33例HER-2阳性及97例HER-2阴性)为外部验证集。于显示病变面积较大的内外斜(MLO)位或头足(CC)位DM图像中勾画病灶ROI,提取及筛选最佳影像组学特征，以支持向量机(SVM)构建影像组学模型，用于预测乳腺癌HER-2过表达；采用受试者工作特征(ROC)曲线评估模型的诊断效能，绘制校准曲线及决策曲线，评价其校准度及临床获益。结果 共筛选出3个最佳影像组学特征，以之构建的SVM影像组学模型预测训练集、验证集及外部验证集乳腺癌HER-2过表达的曲线下面积(AUC)分别为0.824、0.775及0.812。校准曲线显示，该模型在训练集、验证集及外部验证...     

基于MRI影像组学预测肝泡型包虫病边缘微血管侵犯

目的 评估基于MR T2WI影像组学模型预测肝泡型包虫病（HAE）病灶边缘微血管侵犯的价值。方法 回顾性分析89例经术后病理证实的HAE患者,其中32例病灶边缘存在微血管侵犯、57例无侵犯。提取病灶MR T2WI影像组学特征,以方差阈值法和单变量选择法筛选最优特征,以随机森林（RF）、极限梯度增强树（XGBoost）和逻辑回归（LR）三种分类器构建预测HAE病灶边缘微血管侵犯的机器学习（ML）模型。按8：2比例将患者分为训练集（n=70）和测试集（n=19）,验证模型的预测效能;绘制受试者工作特征（ROC）曲线,计算其曲线下面积（AUC）。结果 共提取1 409个影像组学特征,经特征降维选出7个最优影像组学特征,并以之构建模型。ROC曲线显示,XGBoost模型在训练集及测试集中的AUC分别为0.96和0.89。结论 基于MR T2WI影像组学XGBoost模型可有效预测HAE病灶边缘微血管侵犯。     

基于CT影像组学结合机器学习模型预测食管胃结合部腺癌人表皮生长因子受体2状态

目的 评估基于C T影像组学结合机器学习模型术前预测食管胃交界处腺癌(A EG)人表皮生长因子受体2(HER2)状态的价值.方法 回顾性分析101例经术后病理证实的AEG患者,按7:3比例将其分为训练集(n=70)和验证集(n=31).基于门静脉期增强CT提取AEG影像组学特征,以最小绝对值选择与收缩算子回归模型针对训...     

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）,该模型训练队列的敏感度、准确度、特异性、F1值、精确度分别为0.879、0.879、0.877、0.909、0.940,该模型验证队列的敏感度、准确度、特异性、F1值、精确度分别为0.890、0.896、0.909、0.921、0.956;校准曲线显示该模型训练队列和验证队列有较好的校准度;训练队列列线图模型AUC值为0.943（95% CI:0.912~0.960）,验证队列列线图模型AUC值为0.968（95% CI:0.924~0.970）。  结论  超声影像组学及列线图模型在提高BI-RADS 4a类形态不规则乳腺结节良恶性的诊断效能有重要价值,对BI-RADS 4a类不规则乳腺结节有更好的预测效能,并且能够减少不必要的活检。