HBV相关肝细胞癌微血管侵犯术前预测模型的构建与应用

目的构建HBV相关肝细胞癌(HCC)微血管侵犯(MVI)的术前预测模型,并验证其预测效能。方法回顾分析2017年1月至2021年1月海南省肿瘤医院收治的812例HBV相关HCC患者资料,根据手术顺序分为模型组589例和验证组223例,单因素和多因素Logistic回归分析模型组发生MVI的独立影响因素,建立术前预测模型,采用受试者工作特征(ROC)曲线评估预测模型预测HBV相关HCC患者发生MVI的效能,并在验证组中进行独立验证。结果多因素Logistic回归分析显示年龄、中性粒细胞/淋巴细胞比值、甲胎蛋白异质体L3百分比、异常凝血酶原、肿瘤最大直径是HV相关HCC患者发生MVI的独立影响因素(OR分别为0.944、1.215、1.059、2.815、1.201),根据Logistic回归分析结果构建预测模型,ROC曲线分析结果显示,在模型组预测模型预测MVI的曲线下面积(AUC)为0.801,截断值为0.15时,灵敏度为75.2%,特异度为82.4%。在验证组预测模型预测MVI的AUC为0.824,灵敏度75.8%,特异度82.6%,预测低危MVI的AUC为0.788,灵敏度73.8%,特异度80.4%,预测高危MVI的AUC为0.858,灵敏度77.6%,特异度83.7%。结论基于Logistic回归分析构建的术前预测模型对预测HBV相关HCC患者是否发生MVI,特别是高危MVI具有较高的临床价值,可为HBV相关HCC患者的术前治疗方案,手术规划提供参考。     

MRI影像组学及临床特征联合模型预测高强度聚焦超声治疗子宫肌瘤效果

目的 观察基于MRI影像组学及临床特征建立的联合模型预测高强度聚焦超声(HIFU)治疗子宫肌瘤效果的效能。方法 回顾性分析257例接受HIFU治疗的单发子宫肌瘤患者,基于治疗前盆腔轴位T2WI、T1WI、T1对比增强(T1C)及表观弥散系数(ADC)图提取病灶影像组学特征。分别以XGBoost特征选择算法及XGBoost分类器建立预测HIFU即刻消融率和随访肌瘤体积缩小率的影像组学联合临床特征模型A和B。按8∶2比例将数据集分为训练集(n=202)和测试集(n=52),采用受试者工作特征(ROC)曲线和混淆矩阵评估模型的预测效能。结果 经XGBoost算法选择后纳入10个影像组学特征,包括4个T1WI、2个T2WI、1个T1C及3个ADC图影像组学特征,结合肌瘤背侧距骶骨距离和T2WI信号强度构建模型A;纳入10个影像组学特征,含4个T1WI、3个TIC及3个ADC图影像组学特征,结合肌瘤T2WI信号强度构建模型B。ROC曲线结果显示,模型A预测训练集和测试集HIFU治疗肌瘤即刻消融率的曲线下面积(AUC)分别为0.94[95%CI(0.90,0.96)]和0.90[95%CI(0.81,0.97)],模型B预测训练集和测试集肌瘤体积缩小率的AUC分别为0.98[95%CI(0.97,0.99)]、0.91[95%CI(0.81,0.98)]。结论 MRI影像组学联合临床特征模型可有效预测HIFU治疗子宫肌瘤近期及远期效果。     

基于CT影像组学胰十二指肠切除术后胰瘘风险预测模型及其价值

目的 探讨基于CT影像组学模型术前预测胰十二指肠切除术后胰瘘（POPF）的应用价值。方法 回顾性分析106例接受胰十二指肠切除术患者的临床及腹部CT资料,其中POPF（+）组36例,POPF（–）组70例。采用ITAK-SNAP软件勾画CT图像感兴趣区域（ROI）,Python程序的radiomics包进行影像组学特征提取,使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）回归进一步筛选特征、建立影像组学评分（Rad-score）,构建影像组学预测模型。然后将临床特征、Rad-score纳入多因素Logistic回归分析,筛选出POPF发生的独立危险因素,构建临床预测模型以及联合影像学组学特征的混合模型。最后采用受试者工作特征曲线（ROC）评估不同模型的预测效能。结果 共筛选出7个非零影像组学特征并建立了Rad-score。BMI、胰管扩张及Rad-score均是发生POPF的独立危险因素。影像组学预测模型、临床特征预测模型及混合预测模型预测POPF的曲线下面积（AUC）为分别为0.72、0.69、0.80;Delong检验表明临床特征预测模型与混合预测模型间的差异具有统计学意义。结论 基于CT影像组学模型在术前辅助预测胰十二指肠切除术POPF方面具有一定的价值,联合临床指标能够提高模型的预测效能。     

基于CT影像组学预测临床ⅠA期老年非小细胞肺癌淋巴结转移

目的探讨基于胸部增强CT影像组学模型预测临床ⅠA期非小细胞肺癌(NSCLC)老年患者淋巴结转移(LNM)的价值。方法回顾性分析361例临床ⅠA期NSCLC老年患者术前增强CT及临床资料。术后病理显示其中87例LNM(LNM组)、274例无LNM(无LNM组),比较2组临床及影像学表现差异。提取术前增强CT影像学特征,进行归一化和降维,采用最小绝对收缩选择算子(LASSO)法筛选最优影像组学特征,建立影像组学模型。按7∶3比例将患者分为训练组和测试组,于训练组中以10次交叉验证法获得最佳影像组学预测模型。根据临床ⅠA期NSCLC老年患者LNM影响因素建立LNM临床预测模型,以之预测训练组和测试组LNM,并以ROC曲线评价2种模型对于训练组和测试组的诊断效能。结果共于所有病灶中提取396个影像组学特征,经归一化后采用LASSO法获得5个最佳影像组学特征建立影像组学模型,并获得最佳影像组学模型,以之预测训练组和测试组LNM的AUC值分别为0.816和0.797,均高于临床模型(0.650和0.686,P均<0.05)。结论基于胸部增强CT的影像组学模型可用于预测临床ⅠA期NSCLC老年患者LNM。     

原发性肝细胞癌微血管侵犯的术前预测模型构建及临床意义

目的构建原发性肝细胞癌(HCC)微血管侵犯(MVI)的术前预测模型并验证其准确性。方法回顾性分析2017年1月至2019年6月行肝切除术的160例HCC患者的临床病理资料,观察患者MVI情况。采用SPSS20.0软件对数据进行处理分析,计数资料采用χ^2检验;计量资料采用t检验;采用单因素和多因素Logistic回归分析影响MVI的独立危险因素,并构建HCC患者MVI的术前预测模型,通过描绘受试者工作特征曲线(ROC)并计算曲线下面积(AUC)从而来评估模型的预测能力,并以术后病理诊断结果为金标准对预测模型进行验证。结果在160例患者中,有MVI者86例,无MVI者74例。对单因素分析有统计学意义的资料进行Logistic多因素分析,结果显示:肿瘤直径、瘤周低回声晕环、甲胎蛋白(AFP)水平、血小板与淋巴细胞比值(PLR)水平、循环肿瘤DNA(ctDNA)浓度是HCC的MVI独立危险因素。根据Logistic回归分析各变量的回归系数构建预测模型,通过绘制ROC曲线,计算出AUC值为0.914(95%CI 0.820~0.962),当最佳临界值为0.069时对HCC患者MVI具有预测价值,灵敏度为86.5%,特异度为87.9%,约登指数为0.74。以术后病理诊断为金标准,验证预测模型,灵敏度为88.4%,特异度为93.2%,两者灵敏度和特异度无统计学差异(P>0.05)。结论基于Logistic多因素回归分析建立预测模型具有较高的灵敏度和特异性,对HCC微血管侵犯的患者具有较高的预测价值,可为HCC患者的术前治疗方案、手术规划提供参考。     

基于磁共振表观扩散系数图像的影像组学模型对鉴别前列腺癌和前列腺增生的价值

目的探讨基于磁共振表观扩散系数（ADC）图像的影像组学模型对鉴别前列腺癌（PCa）和前列腺增生（BPH）的诊断价值。 方法回顾性分析2018年12月至2019年5月在南通大学附属建湖医院，经手术病理证实且能确定病理分级的42例患者（PCa 21例、BPH 21例）的ADC图像。应用ITK-SNAP软件勾画兴趣区（ROI），将ADC图像导入Analysis-Kinetics分析软件，进行影像特征提取。采用Lasso回归分析进行特征降维。通过Lasso降维筛选出的特征和相应加权系数乘积的线性组合来建立鉴别PCa和BPH的模型，绘制ROC曲线评价模型鉴别PCa和BPH的预测效能。 结果共提取396个影像组学特征，通过特征筛选后最后筛选出5个影像组学特征。建模后影像组学特征对鉴别PCa和BPH具有较好的预测效能，预测模型在训练组中鉴别效能的曲线下面积、准确度、敏感度、特异度、阳性预测值和阴性预测值分别为0.89、90%、80%、100%、100%和83%；在验证组中的曲线下面积、准确度、敏感度、特异度、阳性预测值和阴性预测值分别为0.96、83%、83%、83%、83%和83%。 结论基于磁共振ADC图像的影像组学模型对诊断前列腺癌和前列腺增生具有一定价值。     

弥散加权成像联合动态增强MRI预测肝细胞癌经TACE联合射频消融治疗后复发

目的 观察弥散加权成像（DWI）联合动态增强MRI预测肝细胞癌（HCC）经TACE联合射频消融治疗后复发的价值。方法 回顾性分析80例接受TACE联合射频消融治疗的HCC患者,均于治疗前10天和治疗后20、60及90天接受腹部DWI及动态增强MR检查;计算DWI联合动态增强MRI预测TACE联合射频消融治疗后20天HCC复发的敏感度、特异度及准确率;绘制受试者工作特征（ROC）曲线,评估以表观弥散系数（ADC）值预测TACE联合射频消融治疗后20天HCC复发的效能。结果 参照改良实体瘤疗效评价标准,将47例HCC患者纳入稳定组、33例归为进展组。TACE联合射频消融治疗后20天,稳定组HCC病灶DWI多呈不均匀信号、ADC图呈高信号、增强扫描未见强化,进展组病灶多呈DWI高信号、ADC图低信号、增强扫描轻度强化。DWI联合动态增强MRI预测TACE联合射频消融治疗后20天HCC复发的敏感度、特异度及准确率分别为97.75%（87/89）、92.31%（24/26）及96.52%（111/115）。以ADC值预测TACE联合射频消融治疗后20天HCC复发的曲线下面积为0.82;以ADC=1.42×10^-3 mm²/s为截断值,预测的敏感度及特异度分别为72.13%及82.25%。结论 DWI联合动态增强MRI用于预测TACE联合射频消融治疗后HCC复发具有一定价值;ADC值可作为有效预测指标。     

临床和MRI影像组学及深度学习联合模型预测初发前列腺癌骨转移

目的 基于临床、MRI影像组学及深度学习（DL）构建联合模型，评估其预测初发前列腺癌（PCa）骨转移（BM）的价值。方法 回顾性分析286例经病理证实的初发PCa，根据患者来源将其分为训练集（53例BM、121例无BM）和测试集（29例BM、83例无BM）。采用单因素分析及多因素logistic回归分析筛选初发PCa BM的临床独立风险因素，构建临床模型；基于MR T2WI和弥散加权成像（DWI）提取并筛选最佳影像组学特征，构建影像组学标签评分（Rad-score），以最佳DL特征建立DL标签评分（DL-score），进而构建影像组学-DL模型；最后基于临床独立风险因素、Rad-score及DL-score构建联合模型。绘制受试者工作特征（ROC）曲线，计算曲线下面积（AUC），评估各模型预测初发PCa BM的效能，以决策曲线分析（DCA）对比其临床获益。结果 血清前列腺特异抗原（PSA）（OR=1.003，P<0.01）及国际泌尿病理学会（ISUP）评分（OR=3.023，P=0.01）为初发PCa BM的临床独立风险因素；以之构建的临床模型预测训练集及测试集初发PCa BM的AUC分别为0.79及0.81。以影像组学-DL模型及联合模型预测训练集和测试集初发PCa BM的AUC分别为0.90、0.93及0.92、0.95，联合模型在训练集（Z=3.12、P<0.01，Z=1.76、P=0.04）和测试集的AUC （Z=2.89、P<0.01，Z=2.23、P=0.03）均高于临床模型及影像组学-DL模型。DCA显示，阈值取0.10~0.78时，联合模型的临床获益高于临床模型及影像组学-DL模型。结论 临床和MRI影像组学及DL联合模型可有效预测初发PCa BM。     

人工智能影像辅助诊断平台对直肠癌壁外血管侵犯识别多中心临床研究

目的 探索基于区域卷积神经网络（Faster R-CNN）的人工智能影像辅助诊断平台对识别直肠癌壁外血管侵犯（EMVI）的临床应用价值。方法 回顾性分析我国7家医院2016年7月至2019年2月行直肠高分辨MRI检查的500例直肠癌病人的临床资料,其中EMVI阳性174例和EMVI阴性326例。使用随机数字法将病人资料随机分配到训练组（400例,包括EMVI阳性133例和EMVI阴性267例）和验证组（100例,包括EMVI阳性41例和EMVI阴性59例）。利用Faster R-CNN对训练组20 430张高分辨MRI图像进行学习和训练,建立人工智能影像辅助诊断平台。对验证组5107张高分辨MRI图像进行临床验证,应用受试者工作特征曲线（ROC）和曲线下面积（AUC）,比较人工智能影像辅助诊断平台与高年资影像专家的诊断结果。结果 人工智能影像辅助诊断平台识别EMVI的准确率、敏感度、特异度、阳性预测值和阴性预测值分别为93.4%、97.3%、89.5%、0.90和0.97。AUC为0.98。自动识别单张图像所需时间为0.2 s,而影像学专家判读时间约为10 s。结论 基于Faster R-CNN的人工智能影像辅助诊断平台对识别直肠癌EMVI具有高效率和可行性,可辅助影像科医生进行成像诊断。     

DCE-MRI减影联合血清miR-133a-3p及CCR3预测TACE治疗肝细胞癌早期效果

目的 观察动态增强MRI （DCE-MRI）减影联合血清微小RNA-133a-3p （miR-133a-3p）及CC趋化因子受体3（CCR3）预测TACE治疗肝细胞癌（HCC）早期效果的效能。方法 对107例HCC行TACE,1个月后根据实体肿瘤疗效评价标准将其分为疗效良好组（部分缓解+完全缓解）和疗效不良组（稳定+进展）。对比2组术前DCE-MRI减影参数动脉期、门静脉期对比噪声比（CNR）及血清miR-133a-3p、CCR3水平;采用受试者工作特征（ROC）曲线分析CNR联合血清miR-133a-3p及CCR3预测TACE治疗早期效果的效能。结果 62例疗效良好,45例疗效不良。TACE前,疗效不良组动脉期CNR高于、门静脉期CNR低于疗效良好组,血清miR-133a-3p水平低于、CCR3水平高于疗效良好组（P均<0.001）。ROC曲线结果显示,动脉期CNR、门静脉期CNR、血清miR-133a-3p和CCR3以及四者联合预测TACE治疗早期效果的曲线下面积（AUC）分别为0.785、0.761、0.692、0.707及0.919,特异度分别为88.7%、74.2%、51.6%、77.4%及95.2%,敏感度分别为64.4%、71.1%、82.2%、57.8%及75.6%,四者联合的AUC高于各单独指标（P均<0.05）。结论 DCE-MRI减影参数CNR及血清miR-133a-3p、CCR3均可用于预测TACE治疗HCC早期效果,且联合预测效能更高。     

基于肝细胞癌磁共振成像强化模式的术前微血管侵犯预测研究

目的探讨肝细胞癌(HCC)患者术前肿瘤MRI影像学特征与强化模式在预测微血管侵犯(MVI)中的价值。方法收集2017年1月至2019年6月在宁夏医科大学总医院行MRI检查并在肝胆外科行手术切除的孤立性HCC患者临床资料,按照术后病理诊断分为MVI(+)与MVI(-)两组,分析MVI与HCC的扩散加权成像(DWI)信号、强化模式、强化类型等影像学特征之间的关系。结果最终纳入HCC患者84例,其中男性65例,女性19例,年龄(54.94±11.51)岁。MVI(+)组46例,MVI(-)组38例,两组患者的肿瘤最大径分别为(7.08±3.45)cm和(4.28±2.47)cm,差异有统计学意义(P<0.01)。单因素分析表明,HCC MRI影像学特征指标DWI信号、包膜是否完整、强化模式、肿瘤边缘是否光整、是否存在瘤周异常强化和瘤内动脉,两组患者间差异均有统计学意义(均P<0.05);而T1加权成像信号、T2加权成像信号、病灶是否含脂,两组间差异无统计学意义(均P>0.05)。logistic回归分析表明肿瘤最大径>6.33 cm、3/4型强化模式、肿瘤边缘不光整为MVI(+)的独立危险因素(均P<0.05)。ROC曲线分析表明联合诊断的截断值为0.53、曲线下面积为0.881、敏感性0.870、特异性0.789、约登指数0.659。结论利用多因素logistic回归模型联合ROC曲线分析可以根据HCC MRI影像学特征进行术前HCC MVI预测。     

CT影像组学模型鉴别诊断肺淋巴瘤与肺浸润性黏液腺癌

目的观察CT影像组学模型鉴别诊断肺淋巴瘤与肺浸润性黏液腺癌(PIMA)的价值。方法回顾性分析经病理证实的34例肺淋巴瘤(淋巴瘤组)及64例PIMA患者(PIMA组),按7∶3比例将其随机分入训练集和验证集。于胸部CT纵隔窗图像上沿病灶边缘手动勾画三维容积感兴趣区(VOI),提取影像组学特征参数。以最小冗余最大相关、LASSO十折交叉验证进行特征降维,以多因素Logistic回归分别构建影像组学标签、影像学特征模型及二者融合的个体化预测模型(以列线图表示)。采用受试者工作特征(ROC)曲线评价各模型对肺淋巴瘤与PIMA的鉴别效能,以决策曲线分析(DCA)综合评价模型的临床效用价值。结果共获得15个影像组学参数用于构建影像组学标签;ROC曲线结果显示其鉴别训练集肺淋巴瘤与PIMA的AUC=0.84,验证集AUC=0.77。以空气支气管征、支气管扩张及胸腔积液构建影像学特征模型,训练集AUC=0.85,验证集AUC=0.81;融合列线图对训练集AUC=0.95,验证集AUC=0.92;列线图具有更高的临床效用价值。结论基于CT征象、影像组学标签构建的个体化预测模型可有效鉴别肺淋巴瘤与PIMA。     

术前临床指标对肝细胞癌患者微血管侵犯分级的预测价值

目的 通过对根治性肝切除患者术前临床指标综合分析构建术前预测模型,预测肝细胞癌（HCC）患者是否合并微血管侵犯（MVI）,并验证其预测效能。方法 对2017年3月至2022年6月在南京鼓楼医院肝胆外科收治的579例肝切除HCC患者的临床资料进行回顾性研究,根据手术时间顺序分为模型组279例和验证组300例。采用单因素与多因素Logistic回归分析术前临床指标影响MVI分级的独立危险因素,并建立预测评分模型,通过ROC曲线判断MVI的诊断价值,并在验证组中进行独立验证。结果多因素Logistic回归分析显示,肿瘤最大径>5 cm(OR=8.356,95%CI 3.950～17.675,P<0.001)、肿瘤数目为多个（OR=8.652,95%CI 3.213～23.302,P<0.001）、肿瘤包膜强化（OR=4.636,95%CI 2.266～9.483,P<0.001）及AFP>400μg/L(OR=8.938,95%CI 4.182～19.105,P<0.001)为MVI分级的独立危险因素。根据Logistic回归分析结果构建预测模型,ROC曲...     

基于CT检查影像组学早期肝细胞癌切除术后肿瘤复发的预测模型构建及其应用价值

目的构建基于X线计算机体层摄影术(CT)检查影像组学早期肝细胞癌切除术后肿瘤复发的预测模型,探讨其应用价值。方法采用回顾性队列研究方法。收集2009年1月至2016年12月国内2家医疗中心收治的243例(南京医科大学第一附属医院165例、无锡市人民医院78例)行肝切除术治疗早期肝细胞癌患者的临床病理资料;男182例,女61例;中位年龄为57岁,年龄范围30~86岁。243例患者通过计算机产生随机数方法以2∶1比例分为训练集162例和测试集81例。利用影像组学技术,从CT检查动脉期和门静脉期的肿瘤内部及周边分别提取定量图像特征,每位患者提取3384个影像组学特征参数。在训练集中,通过联合多重特征选择算法[最大相关最小冗余(MRMR)和随机生存森林(RSF)的特征排序+LASSO-COX回归分析]对稳定的特征参数进行降维,建立影像组学标签并预测效能。采用单因素COX回归筛选肿瘤复发危险因素,采用多因素COX逐步向后回归分析构建2个影像组学预测模型,包括影像组学模型1(术前模型)和影像组学模型2(术后模型),并分别在训练集和测试集中验证模型效能。观察指标:(1)随访情况。(2)早期肝细胞癌切除术后肿瘤复发相关的影像组学标签建立。(3)早期肝细胞癌切除术后肿瘤复发相关的影像组学标签预测效能。(4)早期肝细胞癌切除术后肿瘤复发相关的影像组学预测模型构建。(5)早期肝细胞癌切除术后肿瘤复发相关的影像组学预测模型验证。(6)影像组学模型与其他临床统计学模型和现有肝细胞癌分期系统的预测效能比较。(7)影像组学模型对早期肝细胞癌切除术后肿瘤复发风险的分层分析。采用门诊或电话方式进行随访。术后2年内每3个月随访1次,2年后每6个月随访1次。随访内容包括病史采集,实验室指标检查和腹部B超检查。每6个月进行1次增强CT或磁共振成像(MRI)检查,若实验室指标或B超检查怀疑肿瘤复发转移则可提前行增强CT或MRI检查。随访时间截至2019年1月。研究终点为肿瘤复发时间,定义为手术日至诊断肿瘤复发或转移日。正态分布的计量资料以±s表示,组间比较采用t检验;偏态分布的计量资料以M(范围)表示,组间比较采用Mann-Whitney U检验。计数资料以绝对数或百分比表示,组间比较采用χ2检验。采用Kaplan-Meier法绘制生存曲线并计算生存率,采用Log-rank检验进行生存情况分析。血清甲胎蛋白值经过自然对数转换后纳入分析。应用X-tile 3.6.1软件为连续性变量选取最佳截断值。结果(1)随访情况:243例肝细胞癌患者均获得随访。训练集患者随访时间为4.2~109.2个月,中位随访时间为51.6个月;测试集患者随访时间为12.7~107.6个月,中位随访时间为73.2个月。训练集患者2、5年无瘤生存率分别为77.8%、53.1%,测试集患者上述指标分别为86.4%、61.7%,两组患者上述指标比较,差异无统计学意义(χ2=1.773,P>0.05)。(2)早期肝细胞癌切除术后复发相关的影像组学标签建立:3384个影像组学特征中,选择2426个高度稳定的影像组学特征用于分析。通过整合MRMR得分和RSF重要性排序前20位影像组学特征,筛选出37个影像组学特征;采用LASSO-COX回归分析进一步降维,筛选出7个重要影像组学特征构建影像组学标签。上述7个影像组学特征指标(部位、扫描时相、权重系数)分别为特征1(肿瘤周边、动脉期、0.041),特征2(肿瘤周边、动脉期、-0.103),特征3(肿瘤周边、动脉期、-0.259),特征4(肿瘤内部、动脉期、0.211),特征5(肿瘤周边、门静脉期、-0.170),特征6(肿瘤内部、门静脉期、0.130),特征7(肿瘤内部、门静脉期、0.090)。影像组学标签得分方程=0.041×特征1-0.103×特征2-0.259×特征3+0.211×特征4-0.170×特征5+0.130×特征6+0.090×特征7。(3)早期肝细胞癌切除术后肿瘤复发相关的影像组学标签预测效能:影像组学标签在训练集和测试集中均展现出预测效能,一致性指数分别为0.648(95%可信区间为0.583~0.713)和0.669(95%可信区间为0.587~0.750)。(4)早期肝细胞癌切除术后肿瘤复发相关的影像组学预测模型构建:单因素分析结果显示ln(血清甲胎蛋白)、肝硬化、肿瘤边界状态、动脉期肿瘤周边强化、肿瘤内坏死、影像组学标签、肿瘤卫星灶和微血管侵犯是影响早期肝细胞癌切除术后肿瘤复发的相关因素(风险比=1.202,1.776,1.889,2.957,1.713,4.237,4.364,4.258,95%可信区间为1.083~1.333,1.068~2.953,1.181~3.024,1.462~5.981,1.076~2.728,2.593~6.923,2.468~7.717,2.427~7.468,P<0.05)。多因素分析结果显示:影像组学模型1(术前模型)由ln(血清甲胎蛋白)、肿瘤边界状态和影像组学标签构成(风险比=1.145,1.838,3.525,95%可信区间为1.029~1.273,1.143~2.955,2.172~5.720,P<0.05);影像组学模型2(术后模型)由ln(血清甲胎蛋白)、影像组学标签、微血管侵犯和肿瘤卫星灶构成(风险比=1.123,2.386,3.456,3.481,95%可信区间为1.005~1.254,1.501~3.795,1.863~6.410,1.891~6.408,P<0.05)。风险预测方程:影像组学模型1=0.135×ln(血清甲胎蛋白)+0.608×肿瘤边界状态(0:平滑;1:不平滑)+1.260×影像组学标签;影像组学模型2=0.116×ln(血清甲胎蛋白)+0.870×影像组学标签+1.240×微血管侵犯(0:无;1:有)+1.247×肿瘤卫星灶(0:无;1:有)。(5)早期肝细胞癌切除术后肿瘤复发相关的影像组学预测模型验证:在训练集和测试集中,影像组学模型1具有较好的预测效能,一致性指数分别为0.716(95%可信区间为0.662~0.770)和0.724(95%可信区间为0.642~0.806);影像组学模型2展现出更好的预测效能,一致性指数分别为0.765(95%可信区间为0.712~0.818)和0.741(95%可信区间为0.662~0.820)。校准曲线提示影像组学模型的预测概率与实际观察值具有较好一致性。(6)影像组学模型与其他临床统计学模型和现有肝细胞癌分期系统的预测效能比较:在训练集中,影像组学模型1对早期肝细胞癌切除术后肿瘤复发的预测效能与ERASL模型(术前)、巴塞罗那临床肝癌(BCLC)分期、香港肝癌(HKLC)分期和意大利肝癌协作组(CLIP)分级比较,差异均有统计学意义(一致性指数=0.562,0.484,0.520,0.622,95%可信区间为0.490~0.634,0.311~0.658,0.301~0.740,0.509~0.736,P<0.05);影像组学模型2对早期肝细胞癌切除术后肿瘤复发的预测效能与ERASL模型(术后)、Korean模型和第8版TNM分期比较,差异均有统计学意义(一致性指数=0.601,0.523,0.513,95%可信区间为0.524~0.677,0.449~0.596,0.273~0.753,P<0.05)。在测试集中,影像组学模型1对早期肝细胞癌切除术后肿瘤复发的预测效能与ERASL模型(术前)、BCLC分期、HKLC分期和CLIP分级比较,差异均有统计学意义(一致性指数=0.540,0.473,0.504,0.545,95%可信区间为0.442~0.638,0.252~0.693,0.252~0.757,0.361~0.730,P<0.05);影像组学模型2对早期肝细胞癌切除术后肿瘤复发的预测效能与ERASL模型(术后)、Korean模型和第8版TNM分期比较,差异均有统计学意义(一致性指数=0.562,0.513,0.521,95%可信区间为0.451~0.672,0.399~0.626,0.251~0.791,P<0.05)。(7)影像组学模型对早期肝细胞癌切除术后肿瘤复发风险的分层分析:根据X-tile软件分析结果,将影像组学模型1得分<1.4分(对应列线图总分<62.0分)归为低危组,影像组学模型1得分≥1.4分(对应列线图总分≥62.0分)归为高危组;影像组学模型2得分<1.7分(对应列线图总分<88.0分)归为低危组,影像组学模型2得分≥1.7分(对应列线图总分≥88.0分)归为高危组。在训练集中,影像组学模型1预测为低危组患者术后2、5年肿瘤复发率分别为14.1%、35.3%,高危组患者术后2、5年肿瘤复发率分别为63.0%、100.0%,两组比较,差异有统计学意义(χ2=70.381,P<0.05);影像组学模型2预测为低危组患者术后2、5年肿瘤复发率分别为12.9%、38.2%,高危组患者术后2、5年肿瘤复发率分别为81.8%、100.0%,两组比较,差异有统计学意义(χ2=98.613,P<0.05)。在测试集中,影像组学模型1预测为低危组患者术后2、5年肿瘤复发率分别为5.6%、29.3%,高危组患者术后2、5年肿瘤复发率分别为70.0%、100.0%,两组比较,差异有统计学意义(χ2=64.453,P<0.05);影像组学模型2预测为低危组患者术后2、5年肿瘤复发率分别为5.7%、28.1%,高危组患者术后2、5年肿瘤复发率分别为63.6%、100.0%,两组比较,差异有统计学意义(χ2=58.032,P<0.05)。结论本研究通过筛选CT检查影像组学特征建立由7个影像组学特征组合而成的影像组学标签,并由此构建了早期肝细胞癌切除术后肿瘤复发的预测模型。该模型与现有的临床影像病理预后因素形成互补,能在早期肝细胞癌切除术前和术后提供较为准确的、个体化的肿瘤复发风险预测,可为早期肝细胞癌患者的临床决策提供参考。     

基于CT的直肠癌新辅助化疗后病理完全缓解预测模型的初步探索--DACCA数据库的联合研究

目的初步探索基于CT影像组学特征建立的决策树模型对局部进展期直肠癌(LARC)患者行单纯新辅助化疗疗效的评估价值。方法回顾性分析四川大学华西医院肠癌数据库(DACCA)中2016年10月至2019年3月期间符合本研究纳入和排除标准的244例单纯新辅助化疗后行根治性手术的LARC患者的临床及CT检查的DICOM格式图像资料。利用ITK-SNAP软件选取肿瘤最大层面并对影像感兴趣区域进行勾画。使用计算机随机分配软件将200例患者纳入训练集,44例患者纳入测试集。利用MATLAB软件读取DICOM格式图像并提取和筛选影像组学特征,进而用降维后得到的影像组学特征进行机器学习并建模。通过绘制受试者操作特征曲线并计算曲线下面积(AUC)来评估模型预测单纯新辅助化疗后对病理完全缓解(pCR)的效能。结果根据术后病理肿瘤退缩分级(TRG)患者被分为pCR组(TRG0,28例)和非pCR组(TRG1~TRG3,216例)。最终获得13个影像组学特征即6个灰度特征(均值、方差、标准差、偏离度、峰态、能量)、3个纹理特征(对比度、相关性、同质化)及4个形状特征(边界长度、直径、面积、形状参数)。基于CT的决策树模型预测LARC患者新辅助化疗后效果的AUC值为0.772 [95%CI(0.656,0.888)],对于非pCR的预测准确度较高(97.2%),但对于pCR的预测准确度较低(57.1%)。结论在本次初步探索中,基于CT的决策树模型在判断LARC患者新辅助化疗后pCR上较同质研究的预测效能低,通过分析后将进一步从优化算法、继续拓展数据集、挖掘更多影像组学特征值等方面优化模型,从而最终实现pCR的精准预测。     

MRI-based traditional radiomics and computer-vision nomogram for predicting lymphovascular space invasion in endometrial carcinoma

PurposeTo determine the capabilities of MRI-based traditional radiomics and computer-vision (CV) nomogram for predicting lymphovascular space invasion (LVSI) in patients with endometrial carcinoma (EC).Materials and methodsA total of 184 women (mean age, 52.9 ± 9.0 [SD] years; range, 28–82 years) with EC were retrospectively included. Traditional radiomics features and CV features were extracted from preoperative T2-weighted and dynamic contrast-enhanced MR images. Two models (Model 1, the radiomics model; Model 2, adding CV radiomics signature into the Model 1) were built. The performance of the models was evaluated by the area under the curve (AUC) of the receiver operator characteristic (ROC) in the training and test cohorts. A nomogram based on clinicopathological metrics and radiomics signatures was developed. The predictive performance of the nomogram was assessed by AUC of the ROC in the training and test cohorts.ResultsFor predicting LVSI, the AUC values of Model 1 in the training and test cohorts were 0.79 (95% confidence interval [CI]: 0.702–0.889; accuracy: 65.9%; sensitivity: 88.8%; specificity: 57.8%) and 0.75 (95% CI: 0.585–0.914; accuracy: 69.5%; sensitivity: 85.7%; specificity: 62.5%), respectively. The AUC values of Model 2 in the training and test cohorts were 0.93 (95% CI: 0.875–0.991; accuracy: 94.9%; sensitivity: 91.6%; specificity: 96.0%) and 0.81 (95% CI: 0.666–0.962; accuracy: 71.7%; sensitivity: 92.8%; specificity: 62.5%), respectively. The discriminative ability of Model 2 was significantly improved compared to Model 1 (Net Reclassification Improvement [NRI] = 0.21; P = 0.04). Based on histologic grade, FIGO stage, Rad-score and CV-score, AUC values of the nomogram to predict LVSI in the training and test cohorts were 0.98 (95% CI: 0.955–1; accuracy: 91.6%; sensitivity: 91.6%; specificity: 96.0%) and 0.92 (95% CI: 0.823–1; accuracy: 91.3%; sensitivity: 78.5%; specificity: 96.8%), respectively.ConclusionsMRI-based traditional radiomics and computer-vision nomogram are useful for preoperative risk stratification in patients with EC and may facilitate better clinical decision-making.