基于临床联合CT影像组学特征列线图预测急性胰腺炎预后

目的 观察基于临床联合CT影像组学特征构建的联合模型列线图预测急性胰腺炎（AP）预后的价值。方法 回顾性分析203例临床首诊AP患者的临床及上腹部CT资料,按7 ： 3比例将其分为训练集（n=142）和验证集（n=61）,基于增强静脉期CT提取并筛选最优影像组学特征,计算影像组学评分Radscore;根据预后分为预后良好组（n=114）与预后不良组（n=89）。将临床变量（包括临床及CT表现）及Radscore纳入单因素和多因素逻辑回归分析,筛选影响AP预后的独立危险因素;构建临床、影像组学和联合模型,以受试者工作特征（ROC）曲线评价其预测AP预后的效能;以联合模型预测指标构建列线图,结合校准曲线评估其校准度。结果 共筛选出7个最优影像组学特征用于计算Radscore,其中C反应蛋白、糖尿病史和Radscore为影响AP预后的独立危险因素。联合模型预测训练集及验证集AP预后的AUC （0.84、0.82）均高于临床模型（0.71、0.66,Z=3.12、2.71,P均<0.05）;其预测训练集的AUC （0.84）高于影像组学模型（0.76,Z=2.39,P=0.02）,预测验证集的AUC （0.82）与影像组学模型（0.81）差异无统计学意义（Z=0.08,P>0.05）。校正曲线显示联合模型列线图的校准度良好。结论 基于临床联合CT影像组学特征列线图可有效预测AP预后。     

多时相CT影像组学模型预测胸腺瘤风险分类

目的 观察多时相CT影像组学模型预测胸腺瘤风险分类的价值。方法 纳入86例经病理确诊的单发胸腺瘤患者,包括32例高风险及54例低风险胸腺瘤,按照7∶3比例将其分为训练集(n=59)和验证集(n=27);采用单因素及多因素logistic回归分析训练集临床及CT特征,筛选胸腺瘤风险分类的独立预测因素,构建临床-CT模型。分别基于平扫、动脉期(AP)、静脉期(VP)、平扫+AP、平扫+VP、AP+VP及平扫+AP+VP提取并筛选最优影像组学特征,计算影像组学评分(Rad-score);采用受试者工作特征(ROC)曲线选取最佳影像组学模型,以之联合临床-CT特征构建联合模型。绘制ROC曲线,计算曲线下面积(AUC),评估各模型预测胸腺瘤风险分类的效能。结果 周围脂肪浸润是胸腺瘤风险分类的独立预测因素(OR=0.029,P=0.004)。ROC曲线显示,模型_AP+VP为最佳影像组学模型,其与联合模型预测训练集胸腺瘤风险分类的AUC分别为0.860及0.877,均高于临床-CT模型的0.736(Z=1.925、-2.464,P均＜0.05),预测验证集的AUC分别为0.835及0.847,亦高于临床-CT模型的0.641(Z=1.840、-2.137,P均＜0.05);模型_AP+VP与联合模型在训练集和验证集的AUC差异均无统计学意义(Z=-1.180、0.291,P均＞0.05)。结论 多时相CT影像组学模型可有效预测胸腺瘤风险分类。     

基于临床病理及常规和功能MRI影像组学模型预测乳腺癌腋窝淋巴结转移

目的 评估基于临床病理及常规和功能MRI（fMRI）影像组学模型预测乳腺癌腋窝淋巴结（ALN）转移的价值。方法 回顾性分析140例浸润性乳腺癌,按7∶3比例将其分为训练集（n=99）和验证集（n=41）。采用多因素Logistic回归分析分别建立基于临床病理及MRI特征的临床模型及各序列图像影像组学、联合序列影像组学以及临床病理及常规和fMRI影像组学的个体化模型,以受试者工作特征（ROC）曲线评价其诊断效能;比较个体化模型与临床模型曲线下面积（AUC）的差异,应用决策曲线分析（DCA）评估模型的临床获益。结果 临床模型预测训练集和验证集ALN转移的AUC分别为0.95和0.88;T2WI、DWI、DCE-MRI模型及联合序列模型在验证集中的AUC分别为0.67、0.71、0.72及0.76。个体化模型在训练集和验证集中的AUC为0.98和0.93,与临床模型差异均无统计学意义（Z=1.56、1.34,P=0.12、0.18）。DCA结果显示阈值>0.25时,个体化模型的净受益高于临床模型。结论 基于临床病理及常规和功能MRI的个体化模型预测乳腺癌ALN转移的效能与临床模型相当,其净受益高于后者,且均优于单一序列模型。     

增强CT模型及影像组学模型预测肾透明细胞癌WHO/ISUP分级

目的 比较增强CT模型与影像组学模型预测肾透明细胞癌（ccRCC）WHO/ISUP分级的效能。方法 回顾性分析131例经病理确诊ccRCC患者,按照3 ∶ 2比例分层抽样分为训练集（n=78）和验证集（n=53）。根据2016版肾癌WHO/ISUP病理分级标准,以Ⅰ~Ⅱ级为低级别、Ⅲ~Ⅳ级为高级别ccRCC。训练集55例低级别、23例高级别ccRCC;验证集37例低级别、16例高级别ccRCC。以训练集构建增强CT模型及影像组学模型预测ccRCC级别,于验证集加以验证,比较其诊断效能。结果 增强CT模型在训练集及验证集预测高、低级别ccRCC的曲线下面积（AUC）分别为0.89及0.76,敏感度分别0.83及0.56,特异度分别为0.84及0.87;影像组学模型的AUC分别为0.98及0.85,敏感度分别0.96及0.91,特异度分别为0.75及0.84。训练集中影像组学模型的AUC大于增强CT模型（Z＝2.05,P<0.05）,验证集中二者AUC差异无统计学意义（Z＝0.95,P=0.34）。决策曲线分析结果显示高风险概率阈值为0.08~1.00时,影像组学模型净获益高于增强CT模型。结论 影像组学模型预测ccRCC WHO/ISUP分级的效能优于增强CT模型。     

瘤内及瘤周表观弥散系数影像组学特征预测髓母细胞瘤患儿预后

目的 观察瘤内及瘤周表观弥散系数（ADC）影像组学特征预测髓母细胞瘤（MB）患儿预后的价值。方法 回顾性分析74例MB患儿资料,根据术后2年随访结果将其分为进展组（n=29）及无进展组（n=45）,并按6：4比例分为训练集（n=44）或验证集（n=30）。基于ADC图提取并筛选瘤内及瘤周影像组学特征,分别建立瘤内、瘤周及瘤内+瘤周影像组学模型,并以之结合临床及常规影像学特征建立联合模型;比较各模型预测MB患儿预后的效能。结果 训练集中,临床-常规影像-瘤周影像组学模型、临床-常规影像-瘤内+瘤周影像组学模型曲线下面积（AUC）均大于单一瘤周影像组学模型（P均<0.05）;验证集中,临床-常规影像学-瘤内+瘤周影像组学模型的AUC最大,但与其他模型差异均无统计学意义（P均>0.05）。结论 瘤内及瘤周ADC影像组学特征可用于预测MB患儿预后;联合临床及常规影像学特征或有助于提高预测效能。     

基于增强CT影像组学术前预测胃腺癌淋巴结转移

目的 观察增强CT影像组学模型术前预测胃腺癌淋巴结转移（LNM）的价值。方法 回顾性分析193例经术后病理证实的单发胃腺癌的腹部双期增强CT资料,将其分为训练集（n=97）和验证集（n=96）,比较LNM （+）与LNM （－）肿瘤CT表现的差异。分别于增强动脉期和静脉期CT提取病灶影像组学特征,构建相应影像组学标签;将单因素分析有统计学意义的CT参数及其影像组学标签纳入多因素logistic回归分析,筛选胃腺癌LNM的独立预测因素,分别建立临床模型及影像组学列线图。采用受试者工作特征（ROC）曲线评估各模型预测胃腺癌LNM的效能,计算曲线下面积（AUC）,比较其差异。结果 训练集含54例LNM （+）和43例LNM （－）,验证集含58例LNM （+）和38例LNM （－）。LNM （+）患者肿瘤厚度和阳性淋巴结占比均高于LNM （－）者（P均<0.05）。肿瘤厚度及淋巴结状态均为LNM的独立预测因素（P均<0.01）并用于构建临床模型。淋巴结状态和静脉期影像组学标签是胃腺癌LNM的独立预测因素（P均<0.01）,以之构建的影像组学列线图在训练集和验证集中的AUC分别为0.810和0.778,与临床模型AUC差异均无统计学意义（0.772、0.762,Z=1.11、0.27,P=0.27、0.78）。结论 基于增强CT影像组学模型术前预测胃腺癌LNM效能较佳。     

基于CT影像组学术前预测胃癌淋巴血管侵犯

目的 探讨基于CT影像组学术前预测胃癌淋巴血管侵犯的价值。方法 回顾性收集经手术病理证实的181例胃癌患者,将其随机分为训练集（n=120）和验证集（n=61）。首先基于增强CT静脉期图像分割肿瘤区域并提取影像组学特征;然后利用训练集筛选与淋巴血管侵犯相关特征,构建影像组学标签;最后基于验证集验证模型,采用ROC曲线及校准曲线评估模型的预测效能及拟合度。结果 最终提取7个与胃癌淋巴管血管侵犯最相关的影像组学特征构建影像组学标签,其在训练集的ROC曲线AUC为0.742[P=0.001,95%CI（0.652,0.831）],验证集AUC为0.727[P=0.002,95%CI（0.593,0.853）]。基于训练集所得最优阈值为0.422,模型在训练集中的准确率、敏感度和特异度分别为0.708、0.586、0.806,将此阈值用于验证集,其准确率、敏感度和特异度为0.689、0.519、0.824。校准曲线显示影像组学标签在训练集及验证集均具有较好的拟合度（P均>0.05）。结论 CT影像组学可作为预测胃癌术前淋巴血管侵犯提供的全新的无创影像学方法。     

临床、CT影像组学及融合模型预测肝细胞癌分化程度

目的 评价临床、CT影像组学及融合模型预测肝细胞癌（HCC）分化程度的可行性。方法 纳入330例HCC患者,根据病理所见分化程度分为高分化组（n=85）、中分化组（n=161）及低分化组（n=84）,比较组间临床资料及CT征象差异。按3∶1比例随机将各组分为训练集及测试集。提取训练集CT影像组学特征,构建临床模型、影像组学模型及融合模型。绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评估各模型鉴别不同分化程度HCC的效能。结果 共纳入352个CT影像组学特征,109个来自高、中分化HCC,84个来自中、低分化HCC,159个来自高、低分化HCC。临床模型鉴别高、低分化HCC的AUC为0.85;CT影像组学模型鉴别高分化与中、低分化HCC的AUC分别为0.80及0.79;融合模型鉴别高、低分化HCC的AUC为0.88。结论 临床、CT影像组学及融合模型预测高、低分化HCC的效能均较高。CT影像组学模型可较好地预测高、中分化HCC。     

基于增强CT影像组学模型预测胰十二指肠切除术后胰瘘

目的 评估基于术前腹部增强CT影像组学模型预测胰十二指肠切除术（PD）术后胰瘘（POPF）的价值。方法 回顾性分析252例接受PD患者的术前腹部增强CT资料,按7：3比例将其分为训练集（n=177）和验证集（n=75）。于训练集增强静脉期CT图像中勾画胰腺实质作为感兴趣容积（VOI）,提取其影像组学特征,并筛选最优特征建立影像组学模型;绘制模型预测PD术后POPF的受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价模型预测效能;以验证集数据进行验证。结果 共选出14个最优影像组学特征用于构建影像组学模型。影像组学模型在训练集和验证集的AUC分别为0.82[95%CI（0.76,0.88）]和0.82[95%CI（0.72,0.91）]。结论 基于术前增强CT影像组学模型能有效预测PD术后POPF。     

基于非小细胞肺癌双能CT表现及影像组学列线图模型预测其血管生成拟态

目的 基于非小细胞肺癌(NSCLC)双能CT (DECT)表现及影像组学构建联合列线图模型,分析其预测NSCLC血管生成拟态(VM)的价值。方法 回顾性分析137例经手术病理证实的单发NSCLC患者,以7 ∶ 3比例将其分为训练集和验证集。基于肺窗CT提取及筛选最优影像组学特征,计算影像组学评分。以单因素分析及多因素logistic回归分析筛选NSCLC表达VM的独立预测因素,分别以之构建临床、能谱及影像组学模型;基于独立预测因素构建联合列线图模型。采用受试者工作特征曲线评估各模型预测NSCLC VM的效能,以校准曲线分析模型的拟合度,以决策曲线分析评估模型的临床获益。结果 最终筛选出6个最优影像组学特征。病灶最大径、毛刺征、CT_{140 keV}及影像组学评分为NSCLC VM的独立预测因素(OR=2.25、9.69、0.99、-14.44,P均＜0.05)。临床、能谱及影像组学模型预测验证集NSCLC VM的曲线下面积(AUC)分别为0.83、0.85、0.87,均低于联合列线图模型(AUC=0.95,Z=2.14、2.10、2.07,P均＜0.05)。联合列线图模型预测结果与实际结果的一致性较好,且其临床获益较高。结论 基于DECT及影像组学构建的联合列线图模型能可有效预测NSCLC VM。     

联合含瘤周肿瘤全体积CT影像组学特征及临床相关独立预测因子列线图预测肺腺癌淋巴血管侵犯

目的 观察基于含瘤周的肿瘤全体积(GPTV) CT影像组学特征及临床相关独立预测因子构建的联合模型列线图预测肺腺癌淋巴血管侵犯(LVI)的价值。方法 回顾性分析142例经病理证实的肺腺癌患者,以7 ∶ 3比例将其随机分为训练集(n=100,40例LVI阳性、60例LVI阴性)和验证集(n=42,17例LVI阳性、25例LVI阴性)。以单因素分析及多因素logistic回归分析筛选肺腺癌LVI的临床相关独立预测因子,以之构建临床模型。分别基于肿瘤全体积(GTV)及含瘤周3 mm、6 mm、9 mm的GPTV (GPTV₃、GPTV₆和GPTV₉)的增强动脉期CT图提取并筛选最佳影像组学特征,构建影像组学模型,即GTV、GPTV₃、GPTV₆和GPTV₉模型并筛选最佳者;基于后者的影像组学评分和临床相关独立预测因子构建联合模型,绘制列线图进行可视化。以受试者工作特征(ROC)曲线评估各模型预测肺腺癌LVI的效能,以决策曲线分析(DCA)评价联合模型列线图的价值。结果 性别、吸烟和毛刺征均为肺腺癌LVI的临床相关独立预测因子(P均＜0.05)。分别基于GTV、GPTV₃、GPTV₆及GPTV₉筛选出7、16、10及8个最佳影像组学特征,用于构建GTV、GPTV₃、GPTV₆及GPTV₉模型。GPTV₃模型预测训练集、验证集肺腺癌LVI的曲线下面积(AUC)分别为0.82、0.77,均高于GTV (0.79、0.72,Z=3.74、2.62,P均＜0.01)、GPTV₆(0.80、0.72,Z=2.40、2.06,P均＜0.05)及GPTV₉(0.77,0.72,Z=3.03、2.59,P均＜0.01),为最佳影像组学模型。联合模型列线图(0.86、0.73,Z=2.66、2.31,P均＜0.05)及GPTV₃模型(0.82、0.77,Z=2.23、2.54,P均＜0.05)于训练集和验证集的AUC均高于临床模型(0.73、0.61),而联合模型列线图与GPTV₃模型的AUC差异均无统计学意义(Z=1.57、0.88,P均＞0.05)。阈值取0.20~0.50时,联合模型列线图与GPTV₃模型的净获益相当,且均大于临床模型。结论 基于GPTV₃影像组学特征及临床相关独立预测因子的列线图可有效预测肺腺癌LVI。     

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...     

基于增强CT放射组学预测肝细胞肝癌病理分级

目的 观察增强CT放射组学术前预测肝细胞肝癌（HCC）病理分级的可行性及价值。方法 回顾分析429例经手术病理证实的HCC患者，分为训练组（n=329）和测试组（n=100），记录其临床特征；提取动脉期（AP）及静脉期（VP）CT图像的放射组学特征，应用最小绝对值收敛和选择算子（LASSO）回归分析法对其进行降维，筛选最有价值的组学特征后，构建基于AP、VP、AP+VP图像特征的组学模型，计算2组放射学评分并进行二分类判别。根据病理结果定义高级别和低级别HCC，采用10倍交叉验证训练选择最优组学预测模型，筛选对预测HCC病理分级有意义的临床特征后，构建临床模型以及联合组学特征和临床特征的联合模型。绘制3种模型预测训练组和测试组HCC病理分级的ROC曲线，评估其诊断能力。结果 联合组学模型最优，其判别训练组及测试组高级别和低级别HCC的放射学评分的差异均有统计学意义（Z=8.58、3.24，P均<0.05）。测试组中，联合模型预测HCC病理分级的AUC值（0.70）与组学模型（0.69）和临床模型（0.63）差异均无统计学意义（P均>0.05）。结论 基于增强CT图像的放射组学特征可用于术前预测HCC病理分级。     

MRI影像组学预测结直肠癌患者KRAS基因突变

目的 构建MR T2WI影像组学模型,评价其预测结直肠癌患者Kirsten大鼠肉瘤（KRAS）病毒癌基因亚型的价值。方法 将99例经病理证实的结直肠癌患者分为训练组（n=68）及验证组（n=31）,根据KRAS基因检测结果进一步将其分为突变亚组及野生亚组,训练组2亚组分别含36、32例,验证组2亚组分别含16、15例,比较亚组间实验室检查结果及肿瘤大小的差异;提取并筛选训练组MR T2WI影像组学特征,构建影像组学模型、临床模型及影像组学-临床联合模型。绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价各模型预测结直肠癌患者KRAS基因亚型的效能;以DeLong检验比较各模型间效能差异。通过校正曲线分析3种模型的校正性能,以Hosmer-Lemeshow检验评价校准曲线的校准度;以决策曲线分析（DCA）评价3种模型临床应用价值。结果 训练组和验证组内亚组间实验室检查结果及肿瘤大小差异均无统计学意义（P均>0.05）。共提取3个组学特征用于构建预测模型。影像组学模型与临床模型、影像组学-临床联合模型预测2组KRAS基因亚型的AUC差异均无统计学意义（P均>0.05）;影像组学-临床联合模型预测训练组KRAS基因亚型的AUC显著高于临床模型（P<0.05）,但在验证组差异均无统计学意义（P>0.05）。校准曲线及Hosmer-Lemeshow检验显示3种模型预测值和观察值的一致性良好（P均>0.05）。影像组学模型和影像组学-临床联合模型在2组中的DCA曲线净收益值均高于临床模型。结论 MR T2WI影像组学纹理特征预测结直肠癌患者KRAS基因突变亚型具有一定潜力。     

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...     

超声风险模型预测胎盘植入性疾病侵袭性

目的 观察基于超声征象建立的风险模型预测胎盘植入性疾病（PAS）侵袭性的价值。方法 回顾性分析133例PAS患者资料,根据PAS有无侵袭性将其分为侵袭组（63例）和非侵袭组（70例）。比较组间12个PAS相关超声征象及胎盘下缘与宫颈内口距离（D值）的差异,以单因素logistic回归及受试者工作特征（ROC）曲线分析选定判断PAS侵袭性超声征象的数目阈值,并建立其二分类变量,通过多因素logistic回归确定其与D值是否为预测PAS侵袭性的独立影响因素,并由此建立预测模型。结果 12个相关征象中,胎盘后低回声带中断或消失、子宫肌层变薄、异常胎盘陷窝、胎盘增厚、宫颈受累、膀胱壁中断或消失、胎盘陷窝供应血管、桥血管、胎盘基底部血流增多及子宫膀胱间血管增多在侵袭组中的检出率均高于非侵袭组（P均<0.05）,而胎盘隆起和外生性包块组间检出率差异均无统计学意义（P均>0.05）。侵袭组多见前壁为主的前置胎盘及多超声征象;多超声征象及D值过小是预测PAS侵袭性的独立危险因素（P均<0.05）,所获预测模型为logit（P）=-0.717+1.551×多超声征象-0.216×D值,其曲线下面积（AUC）为0.905。结论 PAS多超声征象及胎盘下缘与宫颈内口距离过短均为预测PAS侵袭性的独立危险因素;所获模型用于预测PAS侵袭性风险效能较佳。