共查询到17条相似文献,搜索用时 406 毫秒
1.
目的: 探讨基于CT图像的影像组学诺模图术前预测胃癌Lauren分型的可行性。方法: 回顾性分析经病理检查确认的539例胃癌患者的临床资料,按照7 ∶3的比例随机分为训练集和验证集,利用ITK SNAP软件对门脉期CT图像进行勾画,从瘤内及瘤周提取两组影像组学特征。利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归筛选出最优特征组合,分别构建了基于瘤内的模型、基于瘤周的模型及联合瘤内及瘤周特征的影像组学标签,基于临床特征构建了临床模型1和临床模型2,最后结合临床特征和影像组学标签构建了影像组学模型。利用受试者工作特征(receiver operator characteristic, ROC)曲线下面积(area under curve,AUC)评估模型的预测能力。采用Delong检验比较各个模型间的预测性能。采用校准曲线验证模型预测概率与实际病理结果的匹配性,决策曲线评估临床信息的有效性。结果: 影像组学标签在训练集与验证集的AUC分别为0.715 (95%CI:0.663~0.767),0.714(95%CI:0.636~0.792)。结合了临床特征及影像组学标签的影像组学模型性能优于其他模型,在训练集与验证集的AUC分别为0.745(95%CI:0.696~0.795),0.758(95%CI:0.685~0.831)。此外,校准曲线和决策曲线证明了影像组学诺模图具有良好的匹配性以及临床实用性。结论: 结合了影像组学标签及临床特征的影像组学模型有助于区分Lauren分型中的弥漫型及肠型胃癌,为合理制定临床治疗策略提供了依据。 相似文献
2.
3.
目的:探讨基于急诊CT平扫影像组学在腹主动脉综合征(AS)中的诊断价值。方法:收集2012年8 月至2020 年10 月于温州医科大学附属第二医院行腹部CT平扫和增强的急诊患者145 例。根据是否患有腹部AS,将所有患者按分层抽样法以7:3分为训练集和验证集。逐层手动勾画CT平扫图像上的腹主动脉并从中提取影像组学特征。经特征筛选后构建影像组学标签,并以此计算每位患者的影像组学评分(Radscore)。采用单因素和多因素Logistic回归分析寻找预测腹部AS的临床危险因素。最后使用多因素Logistic回归构建基于临床危险因素和Rad-score的联合模型,绘制列线图。使用受试者工作特征(ROC)曲线评估模型的诊断性能。结果:单因素和多因素Logistic回归分析显示,腹痛(OR =0.48,95%CI =0.19~1.22,P =0.12)、钙化斑内移(OR =8.76,95%CI =3.27~23.45,P <0.001)是腹部AS的危险因素,其构建的临床模型在验证集的ROC曲线下面积(AUC)为0.79。8个影像组学特征被选择用于构建影像组学标签,其在验证集的AUC为0.88。将该标签与临床模型结合获得联合模型,其在验证集的AUC为0.89。临床决策曲线显示,联合模型的临床实用性最优。结论:基于腹部CT平扫影像组学和临床危险因素构建的列线图能较好地预测急诊患者是否患有腹部AS。 相似文献
4.
目的:探讨CT影像组学在预测食管鳞状细胞癌分化程度中的价值。方法:回顾性分析2008年1月到2016年8月经手术病理切片证实为食管鳞状细胞癌,临床资料完善和术前行CT增强扫描并获得完整图像的160例,随机分成训练集(103例)和验证集(57例),运用Matlab软件对图像进行特征提取并进行筛选,建立影像组学标签。结合获得的影像组学标签和临床资料建立多变量logistic回归分析,建立影像组学模型(radiomics predictive mode)并进行验证。运用受试者操作特征(receiver operator characteristic,ROC)曲线评价模型术前预测食管鳞状细胞癌分化程度的效能。结果:影像组学标签为食道癌病理分化程度显著的独立预测因素。影像组学预测模型在训练组中的曲线下面积(area under curve,AUC)值为0.791,敏感度为81.6%,特异度为72.3%;在验证集中的AUC值为0.757,敏感度为70.0%,特异度为73.0%。结论:基于CT影像提取的影像组学特征构建的模型,对于术前预测食管癌分化程度具有一定的效能。 相似文献
5.
目的:探讨18F-FDG PET/CT影像组学特征预测晚期非小细胞肺癌(non-small cell lung cancer,NSCLC)化疗预后的价值。方法:本项目回顾性研究了146例治疗前行18F-FDG PET/CT检查的Ⅲ期、Ⅳ期NSCLC病例,全部病例在PET/CT检查后都进行了规范化化疗,按8∶2比率将病例随机分为训练组和测试组,并提取影像组学特征。在训练组中应用最小绝对收缩和选择算子(LASSO)算法和Cox风险比例回归模型分别筛选预测无进展生存(Progression-free survival,PFS)的影像组学特征和临床特征,分别建立影像组学模型、临床模型及二者结合的复合模型,计算影像组学评分(Rad-score)、临床评分及复合评分,并在测试组中进行检验。结果:LASSO算法最终筛选出4个影像组学特征,ROC结果表明:影像组学模型在训练组中预测PFS的AUC为0.746,测试组AUC为0.622。COX多因素分析共纳入了3种与PFS相关的临床特征,分别是病理类型、临床分期及MTV30。临床模型、影像组学模型及复合模型预测... 相似文献
6.
目的:构建并验证基于磁共振T2加权像(T2 weighted MRI,T2W-MRI)压脂序列图像术前预测浸润性乳腺癌组织学分级(I/II级、III级)的影像组学标签。方法:回顾性收集2011年6月至2017年2月在广东省人民医院行MRI检查并经病理诊断证实的浸润性乳腺癌患者202例,并进一步将其分为训练组152例(I/II级91例, III级61例)和验证组50例(I/II级30例, III级20例)。通过导出T2加权成像(T2 weighted imaging,T2WI)压脂序列中肿瘤最大层面图像并手动勾画肿瘤感兴趣区、提取影像组学特征后,应用最小绝对收缩和选择算子(the least absolute shrinkage and selection operator,LASSO)-logistic回归模型筛选特征并构建影像组学标签。使用Mann-Whitney U检验分析影像组学标签与浸润性乳腺癌组织学分级之间的关系;应用受试者工作特征(receiver operating characteristic,ROC)曲线并计算曲线下面积(area under curve,AUC)、敏感度、特异度及准确度以评价影像组学标签术前预测浸润性乳腺癌组织学分级的效能;并在验证组中验证其效能。 结果:在训练组中提取并筛选出8个特征用于构建影像组学标签,其在术前预测浸润性乳腺癌组织学分级的效能在训练组中AUC值为0.802(95% CI:0.729~0.875),敏感度、特异度和准确度分别为78.7%,70.3%和73.7%;在验证组中,AUC值为0.812(95% CI:0.686~0.938),敏感度、特异度及准确度分别为80.0%,73.3%和76.0%。结论:基于T2W-MRI压脂序列图像的影像组学标签可术前预测浸润性乳腺癌组织学分级,有望协助临床决策。 相似文献
7.
目的:探讨基于腰椎CT平扫影像组学模型在中老年人腰椎骨质疏松中的诊断价值。方法:选取2020年7月至2020年10月温州医科大学附属第二医院绝经后女性和50岁以上男性66例(骨质疏松症43例,未患骨质疏松症23例),所有患者均行腰椎CT平扫。在纳入患者的腰1~4椎体中,共有237个腰椎符合研究标准,骨质疏松腰椎95个,非骨质疏松腰椎142个。根据腰椎是否存在骨质疏松为标准,将所有腰椎按照分层随机抽样方法以7:3的比例分为训练组和验证组。应用3D Slicer软件在腰椎CT平扫图像上逐层勾画腰椎椎体骨松质以获得三维感兴趣区(ROI),并以单个腰椎椎体为单位提取影像组学特征。使用最大相关-最小冗余(mRMR)对训练组的影像组学特征降维并保留10个特征,然后应用最小绝对收缩和选择算子(LASSO)Logistic回归算法从保留的特征中选择最优特征子集用于建立影像组学模型。采用受试者工作特征(ROC)曲线的曲线下面积(AUC)评估影像组学模型的预测效能。采用校准曲线评估影像组学模型预测腰椎骨质疏松的结果与双能X线吸收测定法(DXA)诊断结果的拟合度。结果:在提取的1 316个影像组学特征中,最终获得7个与腰椎骨质疏松显著相关的影像组学特征用于构建影像组学模型。ROC曲线显示影像组学模型预测腰椎骨质疏松的AUC在训练组和验证组分别为0.908(95%CI =0.863~0.952)和0.935(95%CI =0.873~0.996)。校准曲线评估显示影像组学模型在训练组和验证组中均有较好的拟合度。结论:基于腰椎CT平扫的影像组学模型可作为评估中老年人腰椎骨质疏松的一种无创性辅助工具,有利于协助临床决策,改善患者预后。 相似文献
8.
目的 比较基于靶扫描CT(targeted CT,T-CT)和常规扫描CT(conventional CT,C-CT)图像建立的CT影像组学特征集预测肺磨玻璃结节(ground-glass nodules,GGN)2年生长的价值,并建立影像组学列线图以帮助管理GGN。方法 回顾性收集2018年10月—2019年1月间414个随访肺GGN的T-CT、C-CT图像和临床资料,并按7∶3分为训练组(n=290)和验证组(n=124)。分别采用最小绝对收缩与选择算法逻辑回归、多因素逻辑回归筛选GGN 2年生长相关的影像组学特征及临床特征,构建影像组学特征集、临床特征集,结合成影像组学列线图。采用Delong检验比较基于T-CT和C-CT图像建立的CT影像组学特征集,并分别用C-CT和T-CT数据进行交叉预测。分别采用受试者工作特征曲线下面积(AUC)和临床决策曲线评估各模型效能和临床实用性。结果 T-CT和C-CT图像分别筛选出7个和6个特征用于构建影像组学特征集,两者AUC差异无统计学意义。筛选出年龄、性别和毛刺征3个临床特征构建临床特征集,结合C-CT影像组学特征集构建影像组学列线图。影像组学列线图在训练组和验证组中的AUC分别为0.948和0.933。临床特征的纳入未能显著提高模型预测效能(训练组和验证组P值分别为0.168和0.160),影像组学列线图较影像组学特征集获得更高临床净收益。结论 T-CT和C-CT影像组学特征集均能有效预测GGN的2年生长,且差异无统计学意义。影像组学列线图较影像组学特征集获得更高临床净收益,有助于管理GGN。 相似文献
9.
10.
11.
12.
目的:探讨基于术前CT图像构建的影像组学列线图预测非功能性神经内分泌肿瘤(NF-pNETs)与实性假乳头状瘤(SPTs)的价值。方法:纳入87例经病理证实的NF-pNETs和SPTs,按7:3随机分为训练组(62例)和验证组(25 例)。使用A.K.软件对CT平扫、动脉期和延迟期图像提取肿瘤纹理特征。采用最大相关-最小冗余(mRMR)算法、套索(LASSO)算法及10折交叉验证进行特征降维,筛选出最具特征的参数。运用多因素Logistic回归筛选相关因子结合影像组学评分(Rad-score),构建影像组学列线图模型。采用受试者工作特征(ROC)曲线评价影像组学模型区分二者的诊断效能。决策曲线分析(DCA)评价模型的获益情况。结果:CT平扫、动脉期和延迟期图像提取的396个特征经mRMR、LASSO和10折交叉验证筛选后最终保留特征分别为8个、6个、7个,综合模型最终保留10个特征。使用多因素Logistic回归构建包含性别、年龄、肿瘤最大径和CT平扫、动脉期、延迟期联合的Rad-score综合影像组学列线图。综合影像组学列线图的预测效能优于CT平扫、动脉期和延迟期建立的影像组学模型,训练组ROC曲线下面积为0.97(95%CI =0.94~1.00),验证组为0.92(95%CI =0.81~1.00)。DCA显示风险阈值大于0.45时,使用综合影像组学列线图对鉴别二者的临床应用价值较大。结论:基于CT平扫、动脉期和延迟期构建的综合影像组学列线图对NF-pNETs和SPTs有较好的区分能力,可辅助作为一种术前评估的无创性影像学手段。 相似文献
13.
目的:探讨基于临床特征和平扫CT影像组学特征机器学习模型预测早期脑出血血肿扩大(HE)的价值。方法:收集2018年1月至2020年5月温州医科大学附属第二医院急性早期自发性脑出血患者261例,根据是否存在早期HE分为HE组和非HE组,并将所有样本按7:3随机分为训练集(182例)和验证集(79例)。采用3D Slicer软件对病灶感兴趣区进行勾画。提取影像组学特征并收集患者的临床特征(人口统计学特征、CT影像学特征)。使用最小绝对值收缩和选择算子(LASSO)对影像组学特征进行筛选,保留非零系数特征;采用单因素分析及多因素Logistic回归分析筛选独立危险因素。根据筛选出的特征分别构建临床、影像组学及混合逻辑回归(LR)模型以预测早期脑出血血肿是否扩大。采用受试者工作特征曲线(ROC)及曲线下面积(AUC)对模型的预测效能进行评估。结果:从CT影像中共提取396个影像组学特征,经LASSO算法降维后筛选出7 个具有鉴别意义的影像组学特征。收集临床特征共计10 个,经单因素分析及多因素Logistic回归分析后,发现漩涡征、黑洞征、形状不规则是HE的独立危险因素(P <0.05)。影像组学模型、临床模型及混合模型预测效能:训练集中AUC分别为0.924、0.836和0.968,特异度分别为91.4%、81.0%和95.2%,敏感度分别为81.8%、78.4%和84.4%;验证集中AUC分别为0.919、0.796 和0.929,特异度分别为81.8%、77.5%和88.1%,敏感度分别为76.1%、64.5%和80.4%。结论:基于临床及CT影像组学特征构建的LR模型对HE具有一定的预测效能。 相似文献
14.
目的:联合临床检验指标及影像学特征构建一种能够术前识别胃癌浆膜浸润的模型。方法:选取2015年1月至2019年12月温州医科大学附属第一医院经病理证实的656例胃癌患者,采用随机数字表法分为建模组(394例)和验证组(262例)。收集建模组患者的脾脏影像学资料,对收集的数据进行套索回归并选取差异有统计学意义的特征来构建浆膜浸润预测模型。在最大约登指数下取肿瘤浸润风险评分截断值将患者分为高危组(238例)和低危组(418例),然后与其他浸润相关因素如BMI、年龄、性别、高血压、糖尿病等进行单变量和多变量Logistic回归分析,结合显著的独立影响因素共同建立可视化的浆膜浸润预测列线图。结果:将患者以肿瘤浸润评分≤-0.335分为低危组,>-0.335为高危组,经验证组验证,建模组和验证组的诊断准确性较为一致(P<0.001)。经浸润影响因素的单变量和多变量Logistic回归分析发现,影像组学肿瘤浸润评分(OR=2.9,95%CI=2.1~4.2,P<0.001)、术前低白蛋白(OR=1.3,95%CI=1.2~3.1,P=0.003)、血小板与淋巴细胞比值(OR=1.8,95%CI=1.2~2.7,P=0.004)、肿瘤分化程度(OR=2.6,95%CI= 1.8~3.7,P<0.001)是浆膜浸润的独立影响因素。基于这4个指标建立的预测模型能够较为准确地预测浆膜浸润风险,其AUC值为0.733。结论:基于脾脏影像的肿瘤浸润评分联合其他临床因素可准确预测胃癌浆膜浸润与否,提高诊断精度。 相似文献
15.
16.
目的:探讨联合动态增强磁共振(DCE-MRI)影像组学及临床特征的列线图在乳腺MRI BI-RADS 4类病灶中的诊断价值。方法:回顾性分析2017 年1月至2019 年6月在温州医科大学附属第一医院经病理证实的189个MRI BI-RADS 4类乳腺病灶,其中良性71个,恶性118个。所有患者在病理检查前均接受了DCEMRI扫描和血生化检查。计算DCE-MRI参数图并提取病灶的相应影像组学特征。经特征选择后,通过对所选特征按其系数加权求和来计算影像组学评分(rad-score)。采用单因素和多因素logistic回归分析寻找乳腺癌的临床危险因素。最后使用多因素logistic回归构建基于临床危险因素和影像组学评分的组合模型,绘制列线图。使用ROC曲线评估模型的诊断性能。结果:单因素和多因素分析显示,年龄、低密度脂蛋白胆固醇和总胆红素水平是乳腺癌的临床危险因素,其构建的临床模型在测试集的ROC曲线下面积(AUC)为0.73(0.58~0.87)。经过特征筛选,11个影像组学特征参与计算影像组学评分,其在测试集的AUC为0.80(0.68~0.92)。将其与临床模型进一步结合,AUC提高到0.88(0.79~0.97),差异有统计学意义(P =0.037)。结论:基于DCE-MRI影像组学和临床危险因素构建的列线图用于鉴别诊断乳腺磁共振BI-RADS 4类病灶良恶性有较高价值。 相似文献
17.