基于mp-MRI影像组学预测前列腺癌Gleason分级的价值探讨

目的探讨多参数磁共振成像（mp-MRI）影像组学预测前列腺癌Gleason分级的价值。方法回顾性分析266例前列腺癌病人,根据病理结果分为Gleason评分高危组（Gleason≥4+3分）、Gleason评分低危组（Gleason≤3+4分）,在T2WI横断面、ADC图（b值0、1 500 s/mm2）上手动勾画病灶后进行影像组学特征的提取及量化,将所选病例数据特征随机分为训练组与测试组（测试集比例为0.3）,构建支持向量机分类模型,得到训练组与测试组的ROC曲线及曲线下面积（AUC）。结果Gleason评分高危组118例,Gleason评分低危组148例,其中训练组186例（高危组83例、低危组103例）,测试组80例（高危组35例、低危组45例）,T2WI、ADC图影像组学支持向量机模型训练组的AUC为0.753,测试组AUC为0.741,准确率为62.5%（95%CI:0.572~0.893）;T2WI、ADC图影像组学联合PSA值支持向量机模型训练组的AUC为0.768,测试组AUC为0.752,准确率为72.5%（95%CI:0.613~0.917）;经Delong验证,两者差异无统计学意义（P>0.05）。结论mp-MRI影像组学预测前列腺癌Gleason分级有较高的参考价值。     

多模态颅脑MRI影像组学特征在预测胶质母细胞瘤患者生存风险分层中的应用研究

目的探讨多模态颅脑MRI影像组学特征在预测胶质母细胞瘤（GBM）患者生存期风险分层中的作用。方法回顾性分析BRATS2018数据库中经手术病理证实的GBM患者163例,按入组时间分为训练组114例,测试组49例。提取所有患者术前MRI图像影像组学特征,评估传统影像视觉特征,然后对训练组数据使用最大相关-最小冗余算法和梯度提升决策树算法进行降维后建立影像组学标签模型,计算患者的影像组学标签分数,最终结合影像视觉特征和临床因素,使用多元逻辑斯回归构建总生存期联合预测模型并绘制列线图。基于测试组数据使用ROC曲线评估模型的诊断效能,并用决策曲线分析验证。结果从每例患者的4个MRI序列图像、5个感兴趣区共提取纹理特征7920个,经降维后筛选出26个最优价值特征构建影像组学标签。使用多元逻辑斯回归构建包含了深部白质、年龄和影像组学标签的联合诊断模型,并生成列线图,该模型在训练组和测试组中预测长短生存期的准确率分别为0.848和0.800。列线图、联合影像、影像组学标签、深部白质受累和年龄在所有患者中的诊断准确率分别为0.941、0.908、0.873、0.663和0.655。基于模型区分的高危组与低危组中的GBM患者数差异有统计学意义（P＜0.05）。结论影像组学标签、深部白质和年龄是GBM患者的独立预测因子,基于三者的联合模型而绘制的列线图可用于预测GBM患者总生存期,有助于进行生存风险分层。     

CT影像组学识别非酒精性脂肪性肝炎的应用研究

目的 构建并验证基于CT的全肝影像组学模型用于识别非酒精性脂肪性肝炎（non-alcoholic steatohepatitis，NASH）。方法 回顾性选取2018年6月至2022年12月浙江省人民医院收治的122例非酒精性脂肪性肝病患者，其中NASH患者52例。将纳入患者按7：3比例随机分为训练组（n=85）和测试组（n=37），选取每例患者的肝脏平扫图像提取影像组学特征，对训练组提取的特征进行降维并建立影像组学标签，之后联合相关临床特征构建联合预测模型用于识别NASH患者，使用受试者操作特征曲线及测试组数据评估模型的诊断效能。结果 联合预测模型基于年龄和影像组学标签构建，该模型在训练组和测试组中识别NASH患者的诊断效能分别为0.899和0.880，特异性分别为91.2%和88.1%，敏感度分别为86.7%和88.2%。校准曲线在训练组和测试组中也显示出良好的校准性能。结论 基于肝脏CT的影像组学模型可定量评估NASH，有望为临床提供一种无创性评价工具。     

基于CT平扫的影像组学模型在预测老年人腰椎骨质疏松中的价值

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。     

中性粒细胞与白蛋白比值在转移性胰腺癌患者中的预后价值及预测模型构建

目的：探讨中性粒细胞与白蛋白比值（NAR）在转移性胰腺癌（mPC）患者中的预后价值，并构建预后预测模型。方法：回顾性分析2013年10月至2022年4月在广西医科大学附属肿瘤医院就诊的223例mPC患者的临床资料，按2∶1的比例将患者随机分为训练集和验证集。采用X-tile对NAR取最佳截断值并进行分组。采用Kaplan-Meier法绘制生存曲线，并进行logrank检验。采用多因素Cox比例风险回归模型分析mPC患者预后的影响因素，并基于此构建列线图模型。通过受试者工作特征（ROC）曲线下面积（AUC）、校准图和临床决策曲线（DCA）来评估列线图的性能。用X-tile分为高危组与低危组，采用Kaplan-Meier法和log-rank检验评估两组患者的生存差异。结果：NAR的最佳截断值为0.13。低NAR组中位总生存期（OS）长于高NAR组（P=0.003）。Cox模型分析结果显示，高NAR是影响mPC预后的独立危险因素（HR=1.455,95%CI:1.065～1.988,P=0.018）。训练集和验证集的ROC曲线、校准图和DCA均体现了基于NAR构建的列线图模型具有良好的区分能...     

基于增强CT特征的logistic模型预测胸腺上皮肿瘤组织学分型

目的探讨基于增强CT影像学特征构建并验证logistic模型在预测胸腺上皮肿瘤组织学分型中的应用价值。方法回顾性分析2015年12月至2020年6月在浙江省人民医院行增强CT检查并经病理证实的178例胸腺上皮肿瘤患者资料,根据组织学分型分为低危组91例（A、AB、B1）、高危组（B2、B3）43例和胸腺癌44例。将所有患者依据检查时间先后按7:3比例诊断时间分为训练组124例和测试组54例。由2位放射科医师采用盲法对肿瘤CT特征进行评估,分析不同影像特征与组织学分型的相关性,建立并验证logistic预测模型,使用ROC曲线评估模型的诊断效能,使用决策曲线分析（DCA）评估模型效益。结果3组患者年龄、性别、钙化、强化程度的差异均无统计学意义（均P＞0.05）,肌无力、大小、形状、边界、坏死、强化方式、心包侵犯、大血管侵犯、胸膜侵犯、心包积液、胸腔积液、肿大淋巴结比较差异均有统计学意义（均P＜0.05）。使用多因素logistic回归构建包含了形态、边界、心包侵犯的预测模型,该模型预测高危胸腺瘤及胸腺癌的AUC在训练组和测试组中分别为0.900和0.889。结论基于增强CT特征构建的logistic预测模型是一种无创性预测胸腺上皮肿瘤组织学分型的工具,有助于识别高危胸腺瘤及胸腺癌。     

基于多参数磁共振成像的影像组学列线图在识别脑白质高信号半暗带中的应用研究

目的探讨使用T2WI联合FLAIR序列成像的影像组学列线图识别脑白质高信号半暗带的临床可行性。方法回顾性分析2012年至2017年我院收治的57例白质高信号进展患者和57例健康体检者的资料并分为训练组(n=80)和验证组(n=34)。对每例患者和健康体检的白质高信号半暗带区分别对T2WI和FLAIR图像提取纹理特征,然后对训练组使用最小绝对收缩与选择算子算法进行降维并建立影像组学标签,同时结合临床危险因素作为Logistic回归分析的潜在预测因子构建识预测模型并制作模型列线图。通过验证组数据评估影像组学列线图的性能和临床应用价值。结果列线图预测白质高信号半暗带的准确率在训练组和验证组中分别为0.881和0.862。Hosmer-Lemeshow检验在训练和验证集间差异均无统计学意义(P>0.05)。使用受试者工作特征曲线评估列线图、影像组学标签和糖尿病因素的AUC分别为0.829、0.819和0.64。结论基于多参数磁共振成像的影像组学列线图可作为一种量化工具帮助临床医生识别白质高信号半暗带,从而进行早期的干预治疗。     

基于MRI增强T1WI影像组学预测模型鉴别高级别胶质瘤IDH 1突变型与野生型的价值

目的：探讨基于术前增强T1WI构建的影像组学模型预测高级别胶质瘤患者异柠檬酸脱氢酶-1（IDH 1）突变型与野生型的价值。方法：回顾性分析2012 年6 月至2020 年12 月在温州医科大学附属第五医院行颅脑增强T1WI图像的高级别胶质瘤患者89 例,IDH 1突变型32 例（WHO III级15 例,WHO IV级17例）,IDH 1野生型57例（WHO III级12例,WHO IV级45例）,按7:3随机分为训练组和验证组。使用A.K软件对原始增强T1WI图像进行影像特征提取,Kruskal-Wallis非参数检验、Spearman相关性分析、LASSO回归及10 倍交叉验证进行特征降维,筛选出最具特征的参数。采用受试者操作特征（ROC）曲线评价模型对高级别胶质瘤IDH 1突变型和IDH 1野生型识别的预测效能。决策曲线分析（DCA）评价模型的获益情况。结果：每位患者增强T1WI图像共提取396个不同的纹理参数,通过LASSO降维及10倍交叉验证筛选,最终得到5个最具特征性纹理参数,并计算得到相应放射值,构建训练组和验证组的预测模型,训练组模型的ROC曲线下面积为0.902（95%CI：0.826～0.978）,灵敏度和特异度分别为84.6%和81.8%,验证组模型的ROC曲线下面积为0.844（95%CI：0.676～1.000）,敏感度为77.8%,特异度为80.1%。DCA显示影像组学模型在风险阈值0.1～1.0间较大范围内的净收益优于不作处理模型和全部处理模型。结论：基于MRI增强T1WI构建的影像组学模型可有效识别高级别胶质瘤的IDH 1突变型和野生型。     

基于磁共振肝脾影像组学特征结合临床影响因素联合模型诊断显著性肝纤维化的效果评价

目的：探讨基于多模态平扫腹部MRI提取肝脏-脾脏联合影像组学特征结合临床影响因素联合模型在诊断显著性肝纤维化中的效果。方法：收集2017 年5月至2022 年5月于温州医科大学附属第二医院行经肝脏组织穿刺活检或手术病理检查证实为肝纤维化,并在病理检查6个月内接受过标准腹部MRI平扫检查的患者110例,将所有患者以7:3随机分为训练集和测试集。按照METAVIR评分系统,将F2级及以上定义为显著性肝纤维化组（62例）,F2级以下定义为无或非显著性肝纤维化组（48例）。分别标注肝脏、脾脏特征,并从中提取影像组学特征经筛选后分别构建肝脏、肝脏-脾脏联合特征的支持向量机影像组学模型和影像组学标签,以此计算每位患者的影像组学评分（Rad-score）。采用Logistic回归分析显著性肝纤维化的临床影响因素。最后使用Logistic回归构建基于临床影响因素和Rad-score的联合模型,绘制列线图。使用受试者工作特征（ROC）曲线和决策曲线分析（DCA）评估模型的性能。结果：有22、36 个影像组学特征经筛选后分别用于构建肝脏、肝脏-脾脏影像组学模型。多因素Logistic回归分析结果显示,性别女性（OR =0.126,95%CI =0.040～0.354,P ＜0.001）、年龄（OR =0.985,95%CI =0.066～0.999,P =0.011）、乙肝感染（OR =5.139,95%CI =1.898～15.137,P =0.002）、APRI指数≥1（OR =3.793,95%CI =1.231～14.5,P =0.033）是独立临床影响因素,被纳入构建临床预测模型。在Logistic回归模型中,肝脏特征、肝脏-脾脏联合特征所构建的影像组学模型在ROC曲线下面积（AUC）分别为0.828和0.917,表明肝脏-脾脏联合特征影像组学模型诊断效能更优。将肝脏-脾脏联合特征影像组学模型作为影像组学预测模型与临床预测模型结合获得联合预测模型,其在训练集、测试集的AUC分别为0.948和0.963。DCA显示,联合预测模型的临床实用性最佳。结论：基于多模态平扫腹部MRI提取肝脏-脾脏联合影像组学特征较单一肝脏特征在诊断显著性肝纤维化中有更好的诊断效能,联合预测模型相比临床预测模型能进一步提高诊断效能。     

基于CT影像组学列线图鉴别非功能性神经内分泌肿瘤与实性假乳头状瘤

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。     

影像组学联合预测模型在预测非小细胞肺癌淋巴结转移中的建立和应用价值

  目的  开发并验证影像组学模型,用于预测非小细胞肺癌术前淋巴结转移风险。  方法  2014年1月至2015年12月100例经临床病理确诊的非小细胞肺癌100例组成训练组,并用该数据建立影像组学预测模型。影像组学特征在平扫及增强CT上进行提取。Lasso-logistic模型用于数据降维、特征选择以及影像组学标记的建立。一致性系数（ICCs）用于评价观察者内部以及观察者之间的重复一致性。以一致性指数（C-index）评价影像组学标签对淋巴结转移的鉴别预测能力,并采用受试者工作特性（ROC）曲线下面积（AUC）展示。多因素logistic回归分析用于建立影像组学联合预测模型,该预测模型的参数包括影像组学标记和独立的临床危险因素。建立的影像组学模型由2016年1月至2017年12月连续纳入的100例非小细胞肺癌病例组成验证组进行验证。采用AUC评价该模型的鉴别预测效能,并用Delong检验进行模型间（联合预测模型与单纯使用22个影像组学标记的模型之间）的比较;用Hosmer-Lemeshow good of fit test（拟合优度检验）评价预测模型的校准度,其结果使用校正曲线表示,以比较模型预测的结果与实际淋巴结转移的一致性。  结果  提取特征时,观察者内部和观察者间的一致性好,ICC均大于0.75。从300个影像组学特征中提取出22个,其组成的影像组学标记,对于鉴别预测淋巴结转移状态的AUC,训练组为0.781,验证组为0.776。建立的影像组学预测模型包含了影像组学标记和血清癌胚抗原（CEA）、细胞角蛋白19片段抗原（CYFRA21-1）、癌抗原125（CA125）水平。用此联合预测模型预测淋巴结转移状态,训练组的AUC为0.836,验证组的AUC为0.821,均高于训练组和验证组单纯使用22个影像组学标记的模型,差异有统计学意义（P<0.05）。影像组学联合预测模型在训练组和验证组中均有较好的校准度,与实际淋巴结转移一致性高。  结论  本研究开发了一个包含了影像组学特征、临床危险因素的影像组学联合预测模型,该模型能够直观预测非小细胞肺癌患者术前的淋巴结转移风险。     

基于DCE-MRI影像组学和常规MRI特征的列线图预测乳腺癌淋巴血管侵犯

目的：研究基于动脉对比增强磁共振成像（DCE-MRI）影像组学和常规MRI特征的列线图用于术前预测浸润性乳腺癌（IBC）患者的淋巴血管侵犯（LVI）状态。方法：回顾性分析2016 年7月至2021年5月间,经术后病理证实的300例IBC患者,并按照8:2比例随机分为训练组（n =238）和验证组（n =62）。对所有患者第二期DCE-MRI图像中的病灶区进行手动分割,并提取影像组学特征。采用方差阈值、select k best、LASSO回归进行影像组学特征筛选并计算影像组学评分（rad-score)。使用Logistic回归分析筛选常规MRI特征建立常规特征模型,并结合影像组学和常规MRI特征中的独立危险因素构建联合预测模型,并绘制列线图。使用受试者工作特征（ROC）曲线和校准曲线评估模型的效能,使用决策曲线分析评估模型的临床价值。结果：共提取到1 409个影像组学特征,经筛选得到15个影像组学特征与乳腺癌LVI状态相关,参与计算rad-score值。所有常规MRI特征中,最大直径（OR =1.743,P ＜0.001）和毛刺征（OR =6.304,P ＜0.001）是预测LVI阳性的独立危险因素。在训练组及验证组中,影像组学模型的ROC曲线下面积（AUC）分别为0.831和0.811;常规特征模型的AUC分别为0.779和0.770;联合预测模型的AUC分别可提高到0.889（95%CI =0.844～0.934）和0.856（95%CI =0.759～0.952）。校准曲线表明列线图预测值和实际值吻合较好,决策曲线显示列线图有较高的临床应用价值。结论：基于DCE-MRI影像组学和常规MRI特征构建的列线图用于术前预测IBC患者LVI状态具有良好的应用价值,可为临床治疗提供参考。     

CT影像组学预测胃癌不同预后组织学分型的可行性

目的: 探讨CT影像组学在胃癌不同预后组织学分型预测中的应用价值。方法: 回顾性分析570例胃癌患者的临床资料,按组织学分型分为预后较差组和预后较好组,按照2 ∶1的比例随机分为训练组和验证组。采用软件ITK SNAP从CT图像中分割胃癌原发病灶。采用多因素分析筛选出与胃癌不同预后组织学分型最大相关性的临床特征,并以此构建临床特征模型。从所有分割图像中提取特征,再使用最大相关最小冗余(mRMR)、最小绝对收缩和选择算子(LASSO)回归和逐步回归筛选出有效特征,并以此建立影像组学标签。最后,拟合影像组学标签与临床特征,构建影像组学模型,并用受试者工作特征（ROC）曲线下面积（AUC）进行性能评估。结果： 提取了985个二维图像特征,包括一阶统计量、形状特征、纹理特征等。通过去冗余特征筛选,得到5个最有效特征构建影像组学标签。3个临床特征（年龄、性别、CT M分期）作为构建临床特征模型的参数。相较于临床特征模型和影像组学标签,影像组学模型的预测性能表现最佳,影像组学模型AUC在训练组和验证组分别为0.726 2(95%CI：0.676~0.776),0.707(95%CI：0.632~0.781)。结论： CT影像组学在术前无创预测胃癌不同预后组织学分型方面具有一定的应用潜力。     

预后指数模型评价分化型胃癌根治术后辅助性化疗的应用价值研究

目的 建立预测分化型(DCA)胃癌根治术后5年生存情况的预后指数(PI)模型,根据PI模型评价DCA胃癌根治术后辅助性化疗的应用价值.方法 收集2010年1月至2013年12月于该院接受根治性手术治疗的178例DCA胃癌患者的临床病理资料,采用Cox多因素分析获得影响DCA胃癌根治术后5年生存情况的独立预测因子,在此基础上建立预测DCA胃癌根治术后5年生存情况的PI模型,运用受试者工作特征(ROC)曲线获得PI模型最佳诊断截点,将所有患者分为高危组与低危组,采用Kaplan-Meier生存分析比较高危组和低危组中不同辅助性化疗情况患者各阶段累积生存率.结果 建立PI模型:PI=0.54×X1(T1～2=1,T3=2,T4=3)+0.64×X2(否=0,是=1)+0.42×X3(cm)+0.81×X4(否=0,是=1),ROC曲线下面积(AUC)为0.835(0.713～0.943),PI模型最佳诊断截点为1.78;Cox回归模型显示PI值为独立预测因子,Kap-lan-Meier生存曲线和Log-rank检验结果显示,低危组(PI值小于或等于1.78)化疗和非化疗患者各阶段累积生存率无明显差异(P>0.05),高危组(PI值大于1.78)化疗患者各阶段累积生存率明显高于非化疗患者(P<0.05).结论 PI模型提示低危患者不推荐辅助性化疗,高危患者予以辅助性化疗可延长术后生存时间,PI模型的建立有助于DCA胃癌根治术后辅助性化疗在临床的合理应用.     

基于IQon Spectral CT平扫的影像组学在甲状腺结节良恶性诊断及鉴别诊断中的价值

目的：基于IQon Spectral CT平扫图像，通过影像组学联合机器学习方法，研究其在甲状腺良恶性结节诊断及鉴别诊断中的临床价值。方法：回顾性收集107例（161个结节）经病理证实的甲状腺结节患者CT平扫图像，应用RadCloud平台对影像学特征进行提取分析，采用k-NearestNeighbor(KNN)、支持向量机（SVM）和logistic回归（LR）分类器建立预测模型（分为训练组和测试组，训练组和测试组的比例为4∶1），并评价预测模型的性能。结果：KNN、SVM和logistic回归三种模型预测效能相当，其中SVM模型性能相对较优，预测模型的ROC曲线下面积为0.822(95%可信区间：0.750～0.890)，敏感度为77%，特异度为77%；在测试组中ROC曲线下面积为0.790(95%可信区间：0.640～0.940)，敏感度为71%，特异度为68%。结论：基于影像组学联合机器学习算法在甲状腺结节的良恶性鉴别诊断中具有显著的临床价值。     

磁共振影像组学诊断脑卒中后创伤后应激障碍

目的 探讨基于磁共振成像（MRI） T2加权像（T2WI）的海马和杏仁核影像组学方法诊断脑卒中后创伤后应激障碍（PTSD）的可行性。方法 回顾性分析146例脑卒中患者的临床资料、相关量表评分和MRI影像资料。在显示海马、杏仁核最大层面的T2WI图像上手动放置感兴趣区,分别提取274个纹理特征参数,采用LASSO回归降维并构建诊断脑卒中后PTSD与非PTSD的海马和杏仁核影像组学模型,采用受试者操作特征曲线评估海马、杏仁核影像组学模型在训练组和测试组中的诊断效能。结果训练组和测试组中,脑卒中后PTSD与非PTSD患者比较,人口学和临床特征的差异无统计学意义（P> 0.05）,脑卒中后PTSD患者的改良年龄相关白质改变量表总评分、PTSD症状清单平民版评分均高于非PTSD患者（P <0.05）。LASSO回归分别筛选出最具鉴别意义的9个海马和14个杏仁核纹理特征参数,构建诊断脑卒中后PTSD和非PTSD的影像组学模型。训练组和测试组中,海马T2WI影像组学模型曲线下面积（AUC）分别为0.892 0 (95%CI:0.833 2～0.950 7)和0.702 5 (95%CI:...     

基于机器语言的临床预测模型对高血压脑出血预后的预测

目的：基于我院高血压脑出血(HICH)患者的数据库，使用机器语言的多项式函数(Polynomial),建立预测预后的数据模型，并进行内部检测。方法：回顾性分析327例HICH患者的临床资料。将出院时改良Rankin评分量表(mRS评分)0～2分归为预后良好组，3～6分归为预后不良组。将327例患者分为两组：80%的患者为训练组、20%的患者为测试组。通过机器语言的多项式函数建立数据模型GHRRSD:入院时的格拉斯哥昏迷评分(AGCS)+入院时的心率(AHR)+入院时的呼吸频率(AR)+入院时的收缩压(ASP)+入院时舒张压(ADP)。基于数据模型，分别得出训练组和测试组的ROC曲线，以曲线下面积(AUC)检测数据模型的有效性。再依据数据模型得出其动态列线图，用以检测其实用性。结果：GHRRSD模型对于患者的预后具有很好的预测性。训练组ROC曲线的最优截断值为0.522,95%可信区间为(0.902,0.740),AUC为0.881;测试组ROC曲线的最优截断值为0.551,95%CI为(0.963,0.806),AUC为0.941。二者进行比较无统计学差异(P=0.087),数据模型能...     

前列腺健康指数密度对PI-RADS v2评分3分中高危前列腺癌的预测价值

目的 探讨前列腺健康指数密度（PHID）对前列腺成像报告和数据系统第2版（PI-RADS v2）评分3分中高危前列腺癌的预测价值。方法 选取2020年1月至2022年10月浙江省台州医院收治的118例前列腺特异性抗原（PSA）升高且经多参数MRI检查发现PI-RADS v2评分3分前列腺病变的患者为研究对象。所有患者接受超声引导下经会阴认知融合靶向穿刺联合系统穿刺,穿刺前测定各项PSA衍生物指标,穿刺过程中测量前列腺体积。比较前列腺癌低危组与中高危组患者临床资料,采用ROC曲线分析前列腺体积、PSA衍生物指标对PI-RADS v2评分3分中高危前列腺癌的预测效能。结果 经组织病理学检查确诊为低危前列腺癌7例,穿刺阴性50例,为低危组;中危前列腺癌34例,高危前列腺癌27例,为中高危组。中高危组患者前列腺体积、游离前列腺特异性抗原（fPSA）与总前列腺特异性抗原（tPSA）比值（%fPSA）均明显低于低危组,而tPSA、前列腺特异性抗原同源异构体（p2PSA）、前列腺特异性抗原密度（PSAD）、前列腺健康指数（PHI）、PHID均明显高于低危组,差异均有统计学意义（均P<0.05）...     

基于急诊CT平扫影像组学在预测腹主动脉综合征中的价值

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。     

CT影像组学联合临床特征在预测肺腺癌EGFR突变中的价值

目的探究CT影像组学联合临床特征对肺腺癌EGFR突变状态的预测效能。方法对125例肺腺癌病人进行回顾性研究,分成训练组（n=74）与验证组（n=51）,基于CT成像提取影像组学特征;采用支持向量机（SVM）分类器,分别构建临床模型、影像组学模型以及联合模型;受试者工作特征曲线（ROC）及曲线下面积（AUC）用于评价模型的预测效能。结果临床模型、影像组学模型以及联合模型在训练组中的AUC分别为0.749（0.653~0.843）、0.818（0.711~0.898）、0.860（0.760~0.930）,在验证组中的AUC分别为0.753（0.612~0.863）、0.797（0.661~0.896）、0.855（0.728~0.938）。结论对于肺腺癌EGFR突变状态的预测,CT影像组学特征优于临床因素与CT征象,当影像组学结合临床因素与CT征象,能进一步提高预测效能。