可解释性人工智能超声影像特征风险模型预测甲状腺乳头状癌颈部淋巴结转移的价值

目的构建甲状腺乳头状癌(PTC)风险特征可解释性人工智能(AI)模型, 并探讨其联合临床特征预测PTC患者颈部淋巴结转移(CLNM)的价值。方法回顾性收集西安交通大学第二附属医院2021年1月至2022年9月行甲状腺切除术及颈部淋巴结清扫术后病理证实的PTC患者422例, 共422个结节, 按7∶3比例随机分为训练集和测试集, 通过传统机器学习方法提取与PTC风险特征高度相关的影像组学特征, 并建立风险特征概率最优智能预测模型, 再联合临床特征构建预测PTC患者CLNM的风险模型, 并通过绘制ROC曲线, 计算曲线下面积(AUC)评估各模型的诊断效能。结果在测试集PTC风险特征AI可解释模型中, 基于逻辑回归分类的钙化智能诊断模型表现出最高的诊断效能, AUC为0.87(P<0.05)。对比于单独PTC超声风险特征概率模型, 其联合临床特征的列线图综合模型在预测PTC患者CLNM中表现出更高诊断效能, 其AUC为0.97, 诊断临界值为0.15, 对应的准确性、敏感性及特异性分别为92.65%、92.76%及92.54%(均P<0.05)。结论本研究构建的PTC超声AI模型...     

高频超声预测甲状腺癌合并颈部淋巴结转移的临床价值

  目的  探讨高频超声对甲状腺癌颈部淋巴结转移（CLNM）的诊断价值。  方法  选取我院收治的100例甲状腺癌患者为研究对象。依据术后病理组织结果是否有颈部淋巴结转移分为转移组（n=62）和非转移组（n=38）。比较两组术前的超声特征差异,通过Logistic回归分析确立与甲状腺癌CLNM的危险因素;绘制超声特征对甲状腺癌CLNM诊断的ROC曲线;以术后病理为对照,计算超声诊断CLNM的敏感度、特异性等诊断效能参数。  结果  转移组结节大小≥1.5 cm,边界不清晰,质地低回声,微小钙化,纵横比≥1,血流信号丰富的发生率高于非转移组（P < 0.05）。Logistic回归分析显示:结节大小≥1.5 cm、边界不清晰、质地低回声、有微小钙化、纵横比≥1及血流丰富是甲状腺癌颈部淋巴结转移的独立风险因素（P < 0.05）。ROC曲线分析显示:结节大小≥1.5 cm、边界不清、质地低回声、有微小钙化、纵横比及血流信号丰富对甲状腺癌CLNM有诊断价值（AUC分别为0.620、0.649、0.636、0.649、0.602及0.808）。超声诊断甲状腺癌CLNM的阳性预测值为84.38%,阴性预测值为77.78%,敏感度为87.10%,特异性为73.64%,诊断的准确性为82.00%。  结论  高频超声有助于预测甲状腺癌CLNM的风险,有较好的诊断效能。      

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。     

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。     

甲状腺乳头状癌患者术前血清TK1 表达水平联合甲状腺超声特征构建中央区淋巴结转移预测模型及验证

目的 探讨血清胸苷激酶1(serum thymidine kinase 1,sTK1) 联合甲状腺超声特征预测甲状腺乳头状癌（papillarythyroid carcinoma,PTC）患者中央区淋巴结转移（central lymph node metastasis, CLNM）的风险。方法 选取2020 年10 月~2021 年12 月陕西省人民医院确诊的CLNM 的PTC 患者110 例为观察组,同期无CLNM 的PTC 患者104 例为对照组。所有患者行甲状腺超声检查,检测sTK1 等指标水平,采用t 检验比较两组间sTK1 等指标的水平差异,卡方检验分析颈部超声结果的差异,Logistic 回归分析CLNM 的独立危险因素,构建列线图预测模型,并选取2022 年1~5 月陕西省人民医院确诊的80 例PTC 患者对模型的预测准确度进行外部验证。结果 观察组sTK1 水平高于对照组（2.06±0.75pmol/L vs 1.59±0.66pmol/L）,差异有统计学意义（t = 4.75,P < 0.001）,而血清TSH,TG,TGAb 水平与是否发生CLNM 无关,差异无统计学意义（t=0.74,0.75,0.61,均P > 0.05）。sTK1 预测PTC 患者CLNM 的曲线下面积（AUC）为0.678,截断值为1.50 pmol/L,灵敏度和特异度分别为79.1%,61.0%。单因素分析结果显示,sTK1> 1.5pmol/L,边界不清、结节微钙化、肿瘤数目、肿瘤直径>1cm 和淋巴结明显血流信号是PTC 患者CLNM 的独立风险因素（χ2=5.24~26.72,均P < 0.05）,而性别、年龄、低回声、纵横比>1、肿瘤位置与CLNM 无关（χ2=0.27~7.16,均P> 0.05）。基于上述危险因素构建预测模型并进行准确度验证,采用建模原始数据进行内部验证AUC 为0.826,验证队列进行外部验证AUC 为0.809,表明该模型具有一定的预测准确度。结论 PTC 患者术前sTK1 表达水平联合甲状腺超声特征构建CLNM 预测模型具有一定的临床应用价值,当sTK1> 1.5 pmol/L,边界不清、结节微钙化、肿瘤多灶、肿瘤直径>1cm,淋巴结有明显血流信号时,发生CLNM 的概率较高,建议行预防性中央区淋巴结清扫术。     

乙型肝炎相关性肝细胞癌DEB-TACE治疗前后增强CT扫描获取的纹理参数变化及临床意义

  目的  研究乙肝相关肝细胞癌患者经载药微球-经导管动脉化疗栓塞（DEB-TACE）治疗前后增强CT纹理参数变化,并探讨其临床意义。  方法  选择我院2018年6月~2021年6月收治的117例乙肝相关肝细胞癌患者作为研究对象,均采用DEBTACE治疗,分别于患者治疗前、治疗后6周行增强CT扫描,获得纹理参数,分析增强CT纹理参数在评估DEB-TACE治疗疗效中的价值。  结果  DEB-TACE治疗后,HCC患者增强CT纹理参数偏度、熵值、平均值及峰度均较治疗前降低,能量较治疗前上升,差异有统计学意义（P < 0.05）。经DEB-TACE治疗后,共86例患者预后良好,31例预后不良。不同预后患者经治疗后,偏度、熵值、平均值及峰度均较其治疗前降低,能量均较其治疗前上升,差异有统计学意义（P < 0.05）。预后良好组患者治疗前后偏度、熵值、平均值及峰度均低于预后不良组,治疗前后能量均高于预后不良组,差异有统计学意义（P < 0.05）。DEB-TACE治疗前纹理参数在预测HCC患者预后中的效能均较高(AUC>0.75),各参数联合应用的预测价值最高（AUC=0.920,95% CI:0.870~0.970）。DEB-TACE治疗后纹理参数在预测HCC患者预后中均具有一定的效能（AUC>0.70）,各参数联合应用的预测价值最高（AUC=0.810,95% CI:0.731~0.888）。  结论  增强CT纹理参数在评估HCC患者DEB-TACE治疗预后中具有一定的价值,可为临床HCC的治疗提供参考。      

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。      

基于增强双期CT成像的肺亚厘米结节良恶性预测模型

  目的  分析基于增强双期CT成像的肺亚厘米结节良恶性预测模型。  方法  选择我院2019年1月~2021年3月收治的98例肺亚厘米结节患者作为研究对象，依照病理诊断结果分为良性病变组（n=64）和恶性病变组（n=34）。所有受试者行基于增强双期CT成像，采用Logistic回归模型分析增强双期CT成像预测结节良恶性预测模型，绘制ROC曲线分析增强双期CT成像的肺亚厘米结节良恶性预测模型的应用价值。  结果  良性病变组患者毛刺、结节边界清楚、上叶、分叶征、空泡征、胸膜凹陷征、血管集束征、磨玻璃密度发生率与恶性病变组的差异有统计学意义（P < 0.05）；增强双期CT成像预测肺亚厘米结节良恶性预测模型为Log(P)=1.211×毛刺+2.843×分叶+1.981×磨玻璃+0.793×边界不清+1.326；增强双期CT成像预测肺亚厘米结节良恶性预测模型预测患者肺亚厘米结节良恶性的曲线下面积为0.930（P < 0.05）。  结论  基于增强双期CT成像预测肺亚厘米结节良恶性模型临床价值较高，具有较高的预测价值。      

基于临床-影像组学建立子宫内膜癌微卫星不稳定性的评估模型

  目的  探讨应用临床因素联合影像组学建立子宫内膜癌（EC）微卫星不稳定性（MSI）评估模型的价值。  方法  回顾性分析2018年6月~2022年1月手术前经MR影像学检查及手术后病理学检测确诊为EC的患者68例,收集患者影像学及临床病理资料,根据患者微卫星稳定情况将患者分为不稳定组（n=27）和稳定组（n=41）。临床模型构建采用Logistic回归分析对临床因素进行筛选,影像组学模型构建采用3DSlicer软件勾画病灶感兴趣区并提取影像组学特征,利用最小绝对收缩和选择算子算法进行特征降维。绘制ROC曲线对影像组学模型、临床模型和临床-影像联合模型进行预测效能评估,并使用Delong检验比较3种模型的预测效能是否具有统计学差异。  结果  Logistic回归分析显示,错配修复蛋白MutL同源物1、减数分裂后分离蛋白表达和肿瘤分化程度、肌层侵犯深度是EC MSI的临床危险因素。筛选6个影像组学特征用于构建影像组学模型（P < 0.05）。经ROC曲线分析,临床-影像联合模型在EC MSI中具有较好的预测及评估性能（P < 0.05）,临床模型、影像组学模型及临床-影像联合模型AUC分别为0.871、0.932、0.981。Delong检验结果显示临床-影像联合模型和影像组学模型与临床模型比较,差异有统计学意义（Z=1.933、2.735,P=0.046、0.006）。  结论  应用临床因素联合MR影像组学特征建立的评估模型对EC MSI具有较好的预测价值。      

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。     

基于CT影像组学对T1期肺腺癌淋巴结转移有较高的预测价值

  目的  分析CT影像组学对T1期肺腺癌淋巴结转移状态的预测价值。  方法  回顾性选择2016年6月~2019年5月我院收治的肺腺癌患者140例,以术中送检的病理组织标本检查结果为金标准,分为金标准阳性组67例与金标准阴性组73例。分别采用术前增强CT、术前CT影像组学评估两组淋巴结转移发生情况。利用Delong检验评估CT影像组学与增强CT在两组中预测对淋巴结转移的价值。  结果  CT影像组学法对阳性淋巴结转移的预测比率为86.57%（58/67）,高于增强CT法的64.18%（43/67）（P < 0.05）;CT影像组学法对阴性淋巴结转移的预测比率为100.00%（73/73）,高于增强CT法的93.15%（68/73）（P < 0.05）;CT影像组学法预测到的金标准阳性组中发生淋巴结转移患者的风险评分值明显高于未发生淋巴结转移患者（P < 0.05）;金标准阳性组中CT影像组学对患者淋巴结转移预测的曲线下面积高于增强CT（P < 0.05）,金标准阴性组中CT影像组学对患者淋巴结转移预测的曲线下面积高于增强CT（P < 0.05）。  结论  与增强CT相比,CT影像组学在术前预测肺腺癌淋巴结转移阳性预测值和阴性预测值更高,具有更高的诊断价值。      

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。     

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。      

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。