基于肺癌CT建立淋巴结转移的诺莫图预测模型研究

目的探讨基于CT影像建立的诺莫图模型在肺癌淋巴结转移预测中的作用。方法回顾性分析了2014-2017年辽宁省肿瘤医院收治的211例恶性肺结节患者的影像和临床资料,其中72例经病理证实存在淋巴结转移。通过提取和筛选肺CT影像组学特征,构建诺模图模型对淋巴结转移进行预测。通过绘制ROC曲线并计算AUC值评估模型的预测能力,使用决策曲线分析评估模型的临床适用性。结果构建的诺莫图模型在训练集和测试集上的AUC分别为0.859(灵敏度为0.810,特异度为0.773)和0.864(灵敏度为0.820,特异度为0.753),决策曲线表明模型有良好的临床应用价值。结论基于CT图像特征以及相关临床指标构建的诺莫图模型是作为无创预测恶性肺结节淋巴结转移的有效方法。     

基于CT影像组学构建模型对实性肺结节鉴别的价值

  目的  探讨CT影像组学模型对实性肺结节良恶性的诊断效能。  方法  回顾性分析安徽医科大学第二附属医院2019年3月—2022年11月经手术、穿刺或临床证实的231例实性肺结节患者CT影像资料,选择典型的231个肺结节,按病理类型分为良性(98例)和恶性(133例)。采用InferScholar软件分别从二维、三维2个角度对病灶轮廓进行勾画,之后用软件提取影像组学特征,将入组病例以7∶ 3的比例分为训练集和测试集。通过Pearson相关系数、显著性检验、LASSO回归分析方法进行特征筛选。在训练集中分别构建二维、三维影像组学特征模型(模型Ⅰ、模型Ⅱ),用测试集来验证,利用ROC曲线下面积来评价模型的预测效能。  结果  从二维、三维2个角度分别提取出919、1 746个影像组学特征,经过筛选,分别得到12、20个最优影像组学特征,用机器算法构建影像组学模型Ⅰ和模型Ⅱ。训练集中模型Ⅰ的AUC为0.97,模型Ⅱ的AUC为0.98;测试集中模型Ⅰ的AUC、灵敏度、特异度、阳性预测值、阴性预测值和准确率分别为0.94(95% CI:0.87~0.98)、83.9%、89.5%、86.7%、87.2%、87.0%;测试集中模型Ⅱ的AUC、灵敏度、特异度、阳性预测值、阴性预测值和准确率分别为0.97(95% CI:0.94~0.99)、75.9%、97.5%、95.7%、84.8%、88.4%。  结论  基于CT影像组学构建的模型能够较好地预测实性肺结节的良恶性,从三维角度构建的模型Ⅱ的诊断效能优于二维角度构建的模型Ⅰ。      

两种机器学习算法构建老年冠心病患病风险评估模型的效能比较研究

  目的  基于机器学习算法构建老年冠心病风险评估模型，并比较逻辑回归(logistic)和极限梯度上升(eXtreme Gradient Boosting, XGBoost)模型在社区老年人群中预测冠心病风险的效能，以期为老年人冠心病防治提供更高效的健康管理方法。  方法  抽取2019年浦东地区47家社区卫生服务中心的8万条老年体检数据构建本次模型，经特征工程筛选27个变量，采用logistic和XGBoost算法构建老年冠心病风险评估模型。  结果  XGBoost模型最优参数为learning_rate=0.1，树深度=8，最小子节点权重=5，循环次数=50；logistic模型最优参数为:C=1，class_weight=None，max_iter=100，solver=newton-cg。XGBoost和logistic准确度分别为0.82和0.71，受试者工作特征曲线下面积分别为0.85和0.80。两模型特征重要性分布区别较大，XGBoost模型重要性集中分布在少数特征中，前9项特征重要性之和为94.2%，logistic模型重要性分布相对均衡，前9项特征的重要性之和为59.5%。  结论  基于社区老年人体检数据构建的冠心病风险评估模型稳定性较好，其中XGBoost算法模型的效能相对于logistic算法模型的结果更优，能够为社区老年人冠心病风险评估提供方法参考。      

探索不同方法对原发性醛固酮增多症的筛查价值

  目的  探讨不同方法对原发性醛固酮增多症（PA）的筛查价值。  方法  回顾性分析2009?2018年华西医院确诊的499例PA和479例原发性高血压患者的临床资料。通过绘制受试者工作特征（ROC）曲线,比较不同筛查方法的诊断效能。  结果  立位血浆醛固酮（PAC）与血浆肾素活性（PRA）之比（ARR）的ROC曲线下面积（AUC）大于立位PAC与血管紧张素Ⅱ（AT-Ⅱ）之比（AA2R）、立位PRA、立位PAC、卧位ARR和最低血钾（P<0.05）;在ROC曲线中,多因素logistic回归建立的模型（低血钾水平、立位PRA和立位PAC）用于诊断PA的AUC大于单一指标立位ARR（96.3% vs. 94.6%,P<0.05）;决策树模型（分数最高的前五个变量依次为立位ARR、卧位ARR、立位PRA、卧位PRA、最低血钾水平）与单一指标立位ARR的AUC差异无统计学意义（94.1% vs. 94.6%,P>0.05）。在测试集中,logistic回归模型和决策树模型的AUC差异无统计学意义（96.3% vs. 94.1%,P>0.05）。Logistic回归模型的校准曲线更接近45°线,logistic回归模型的预测概率与实际发生概率的一致性比决策树模型更好。  结论  立位ARR仍为最优的单个筛查指标;不建议AA2R（放射免疫法）作为PA筛查指标;立位PAC、立位PRA和最低血钾组合的logistic回归模型诊断效能优于立位ARR。     

基于生物信息学分析构建肺腺癌蛋白质预后模型

目的: 通过生物信息学分析构建肺腺癌蛋白质预后模型。方法: 从癌症蛋白质组图谱和肿瘤基因组图谱数据库分别获取肺腺癌的蛋白质数据和相应的临床数据,通过单因素 Cox 回归分析和逐步回归分析筛选与肺腺癌预后相关的蛋白质,建立预后风险模型;使用多因素 Cox 回归对其进行预后风险评分分析,计算曲线下面积(AUC)评价模型的稳健性和准确性。结果: 筛选出3个与生存显著相关的蛋白质用于预后模型的构建;预后模型风险评分与预后显著相关(P＜0.001),可作为评估患者预后的独立风险因子;预后模型AUC=0.710,说明模型具有稳定的特异性和灵敏度。结论: 该预后模型能准确预测肺腺癌患者的总体生存率,有助于临床早期识别预后不良的肺腺癌患者并对其进行早期干预治疗,对提高肺腺癌的生存率具有重要意义。此外,筛选出3个促进肺腺癌进展的风险蛋白有望成为肺腺癌治疗的新靶点。     

新预测模型AULTS评分对缺血性脑卒中的预测价值

  目的  本研究旨在建立新的预测模型,为脑卒中发病风险的评估提供新的方法。  方法  选择2012—2017年于重庆铜梁区中医院神经内科临床诊断为脑卒中和同时期住院或门诊体检的非脑卒中患者为研究对象。SPSS 22.0统计学软件和R语言用来进行数据分析和模型构建,根据ROC曲线下面积排序,筛选构建模型所用的变量,模型的构建采用R语言进行,并用列线图来呈现。  结果  单因素分析显示缺血性脑卒中组和对照组饮酒、尿酸、血脂和收缩压差异有统计学意义(均P < 0.05)。通过ROC曲线下面积排序进入最终模型的变量为年龄(AUC=0.737)、尿酸(AUC=0.567)、甘油三酯(AUC=0.537)、低密度脂蛋白胆固醇(AUC=0.541)、收缩压(AUC=0.615),预测模型对脑卒中的预测价值的ROC曲线下面积为0.789(95% CI:0.765~0.814, P < 0.001)。根据模型预测积分构建新型列线图,按照模型预测可能性积分四分位,位于Q1发生脑卒中的概率为18.3%,Q2发生脑卒中的概率为40.3%,Q3发生脑卒中的概率为60.0%,Q4发生脑卒中的概率为82.7%。  结论  本研究显示新型风险预测模型对脑卒中有良好的预测价值,值得推广应用。      

基于T2WI与RS-EPI DWI影像组学特征的自动化机器学习模型预测直肠癌术前T分期的价值

  目的  探讨基于磁共振T2加权成像（T2 weighted image, T2WI）和分段读出平面回波成像（readout-segmented EPI, RS-EPI）与扩散加权成像（diffusion weighted image, DWI）的影像组学特征,通过开发和验证自动化机器学习模型,预测直肠癌术前病理T分期的价值。  方法  回顾性分析2016年10月?2018年12月经手术病理结果证实为直肠癌且在我院行术前直肠磁共振的患者131例。采用ITK-SNAP软件从T2WI和RS-EPI DWI图像中手动分割出肿瘤区域。使用PyRadiomics包提取出200个特征〔100个特征来自于T2WI,100个特征来自RS-EPI DWI的表观弥散系数（apparent diffusion coefficient, ADC）图〕。使用mwmote与neater重采样均衡数据,加入13例T_1-2期模拟数据。根据3∶1的比例将总体数据分割成训练集111例和测试集37例。在训练集上使用Tree-based Pipeline Optimization Tool（TPOT）最优化模型参数并选取最重要的组学特征建模,得到5个互相独立的T分期模型。使用准确率和受试者工作特征（ROC）曲线下面积（area under the curve, AUC）筛选出最优模型。在测试集和原数据集上预测直肠癌T分期。  结果  自动化机器学习推荐的5个T分期模型,在训练集上的准确率为0.802～0.838,敏感度为0.762～0.825,特异度为0.833～0.896,AUC范围为0.841～0.893,average precision（AP）范围为0.870～0.901。经过对比后,最终选择的模型的敏感度、特异度、AUC,在训练集上为0.810、0.875、0.893,在测试集上为0.810、0.813、0.810,在原始数据集上为0.810、0.830、0.860。  结论  基于T2WI和RS-EPI DWI的影像组学数据,通过自动化机器学习建立的模型在预测直肠癌T分期上有较高的准确率。     

MRI纹理分析在识别前列腺导管内癌成分中的价值

  目的  探究基于纹理分析的影像组学方法在识别前列腺癌导管内癌（intraductal carcinoma of the prostate gland, IDCP）成分中的价值。  方法  回顾性分析56例前列腺癌患者的磁共振成像（MRI）,其中单纯腺癌患者31例,含IDCP成分腺癌患者25例。分析病灶影像学特征,然后将纳入患者的T2加权成像（T2WI）,增强扫描动脉期、静脉期序列图像导入Omni-Kinetics软件进行病灶纹理特征的提取,建立基于各序列纹理参数及联合影像特征的回归预测模型。采用受试者工作特征（ROC）曲线评估各纹理模型的诊断效能。  结果  外周带病灶影像特征中,含IDCP成分腺癌患者外科包膜侵犯、突破前列腺包膜、精囊腺侵犯发生率高于单纯腺癌患者（P<0.05）;移行带病灶影像特征中,含IDCP成分腺癌患者伴前列腺增生、侵犯前列腺包膜、精囊腺侵犯和侵犯血管神经束等影像特征发生率更高（P<0.05）。在单纯腺癌与含IDCP成分腺癌的鉴别诊断中,外周带组中筛选出4个动脉期纹理特征,纹理模型和合并是否侵犯精囊腺的混合模型的曲线下面积（AUC）分别为0.890和0.938,两模型的 AUC 差异无统计学意义;移行带组中筛选出2个动脉期纹理特征和2个静脉期特征,纹理模型和合并是否侵犯血管神经束的混合模型的AUC分别为0.844和0.901,两模型的 AUC 差异无统计学意义。  结论  含IDCP成分的腺癌伴前列腺外侵犯征象的发生率更高。在识别IDCP成分上,与T2WI相比,增强序列纹理分析的结果更具有鉴别价值。     

FUT7甲基化联合CT影像特征预测肺腺癌发生风险的列线图模型

目的 肺结节的管理是临床常见问题,本研究基于FUT7甲基化联合CT影像特征构建列线图模型,以预测肺结节患者发生腺癌的风险。方法 回顾性分析2021年—2022年就诊于郑州大学第一附属医院经组织病理学确诊的219例肺结节患者的临床资料,检测外周血FUT7甲基化水平,按7∶3随机分为训练集(n=154)和验证集(n=65),根据病理结果分为肺腺癌组和良性结节组。在训练集中采用单因素分析和多因素Logistic回归分析构建预测模型并在验证集中进行验证。使用受试者操作特征(receiver operating characteristic,ROC)曲线评估模型的区分度,校准曲线评估模型的一致性,临床决策曲线分析(decision curve analysis,DCA)评估模型的临床应用价值。在CT高危征象(位于上叶、血管征和胸膜征)亚组中进一步评估模型的适用性。结果 多因素Logistic回归分析结果显示女性、年龄、FUT7＿Cp G＿4、FUT7＿Cp G＿6、亚实性结节、分叶征和毛刺征是肺腺癌的独立危险因素(P<0.05)。根据多因素分析结果构建列线图预测模型,ROC曲线下面积为0....     

基于钼靶影像组学列线图预测乳腺癌Her-2表达状态

目的：探讨基于钼靶影像组学列线图在术前预测乳腺癌Her-2表达状态的应用价值。方法：分析手术或穿刺前行乳腺钼靶检查的262例女性浸润性导管癌(IDC)病人。按照7∶3比例随机分为训练集183例和测试集79例。利用钼靶图像手动勾画感兴趣区(ROI),通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归提取影像组学特征,通过统计和LASSO机器学习方法降维,保留纳入模型的最优预测特征,采用logistic回归作为分类器,建立影像组学模型;结合影像资料,通过单-多因素logistic回归,筛选独立危险因素建立影像特征模型;将影像组学特征结合独立危险因素建立影像组学列线图模型。采用受试者操作特征(ROC)曲线分析各模型的预测效能并计算曲线下面积(AUC),并绘制校准曲线及决策曲线评估其效能。结果：列线图模型的预测效能最佳,训练集敏感度84.62%,特异度84.75%,AUC值为0.920,测试集敏感度84.00%,特异度83.33%,AUC值为0.916。校准曲线中列线图模型的预测曲线与理想曲线一致性较好...     

基于AAT与细胞因子构建活动性肺结核的Nomogram预测模型

  目的   构建AAT及细胞因子在活动性肺结核诊断中的预测模型。  方法   收集昆明市第三人民医院2020年3月至2021年3月收治的96例活动性肺结核患者作为实验组,选择同期82例健康体检者为对照组,比较2组HAP、CRP、AAT及细胞因子水平的差异,基于 Logistic回归分析分析结果,构建Nomogram预测模型,并对模型进行验证与评价。   结果   多因素Logistic回归分析显示,AAT（OR = 0.983,95%CI = 0.968～0.999,P = 0.039）,IFN-γ（OR = 0.783,95%CI = 0.659～0.931,P = 0.006）,TNF-α（OR = 1.495,95%CI = 1.106～2.020,P = 0.009）均是活动性肺结核的预测因子（P < 0.05）。   结论   该模型拟合度、ROC曲线下面积均良好,证实该模型有较高的预测准确率。基于上述预测因子建立的Nomogram模型具有良好的预测效能,可为活动性肺结核的实验室诊断提供一定的参考价值。     

预测ICU住院病人死亡的Nomogram模型

目的构建重症监护病房（ICU）住院病人死亡Nomogram预测模型,为降低ICU住院病人死亡率提供指导。方法回顾性分析ICU 1 133例住院病人临床资料,采用logistic回归分析筛选ICU住院病人死亡危险因素,并构建可视化Nomogram预测模型,采用决策曲线分析（DCA）对简单评价模型和复杂评价模型进行比较。结果多因素logistic回归分析显示医院感染（OR=1.876,95%CI:1.037~3.043）、高血压（OR=1.133,95%CI:1.090~1.177）、糖尿病（OR=1.141,95%CI:1.064~1.209）、输血（OR=1.357,95%CI:1.102~3.421）、低GCS评分（OR=0.953,95%CI:0.917~0.991）、APACHEⅡ评分（OR=2.638,95%CI:0.794~8.692）、气管切开（OR=3.973,95%CI:2.386~6.615）、气管插管（OR=1.562,95%CI:1.163~2.266）、动静脉插管（OR=1.365,95%CI:1.067~3.172）、动静脉插管时间（OR=1.825,95%CI:1.224~2.979）、导尿管插管（OR=2.016,95%CI:1.050~3.870）、导尿管插管时间（OR=2.689,95%CI:1.724~4.195）为ICU住院病人死亡独立危险因素（P < 0.05）。根据多因素logistic回归结果建立Nomogram模型,经验证预测模型一致性良好（C-index=0.748,P < 0.05）。DCA显示阈值概率在（0.09~0.49）范围内,复杂模型的净利润高于简单模型,阈值概率在（0.49~0.87）范围内,简单模型的净利润高于复杂模型。结论成功建立预测ICU住院病人死亡的Nomogram预测模型。     

川崎病患儿丙种球蛋白耐药列线图模型的构建与验证

目的 基于Lasso回归和列线图构建并验证川崎病患儿对丙种球蛋白耐药的预测模型,以期为临床诊疗提供帮助。方法 回顾性收集2014年7月—2020年7月西南医科大学附属医院收治的474例川崎病患儿的临床资料,采用Lasso回归分析筛选重要的临床因素构建Nomogram模型,通过绘制受试者工作特征（ROC）曲线、Calibration校准曲线及DCA曲线验证模型的区分度、校准度及临床有效性。结果 共纳入474例患儿资料,其中339例作为训练集,135例作为验证集。Lasso回归分析显示,心脏表现、心外并发症、首剂静脉注射免疫球蛋白使用时间、中性粒细胞比例、红细胞分布宽度-标准差、血小板压积、白蛋白、系统性免疫-炎症指数及C反应蛋白/白蛋白是川崎病患儿丙种球蛋白耐药的预测因素。基于上述预测因素构建Nomogram模型,并分别在训练集与验证集人群中进行验证。训练集ROC曲线下面积（AUC）为0.784(95%CI:0.701,0.867),当最佳阈值取0.045时,相应的特异性和敏感性分别为0.490(95%CI:0.434,0.546)和0.935(95%CI:0.849,1.000);验证...     

基于社区大数据的骨关节炎患病风险XGboost预测模型研究

  目的  探索社区医疗大数据和机器学习模型构建骨关节炎风险预警模型,为社区骨关节炎的早期预警提供定量工具,以期为老年人骨关节炎防治提供更高效的管理方法。  方法  集成2019年1月1日—12月31日上海6家社区卫生服务中心2019年健康档案、健康体检和诊疗数据形成包含4万多个样本和126个变量的原始数据库,经过数据预处理和复合特征选择筛选入模特征,采用XGBoost算法构建骨关节炎患者风险评估模型。  结果  本研究筛选纳入模型14个,包括饮食是否荤素均衡、身高、体重、BMI、每次锻炼时间、总胆固醇、高密度脂蛋白、低密度脂蛋白、是否患有高血压、是否有肢体外伤等。其中重要性排名前5位的特征因素分别为高密度脂蛋白、总胆固醇、BMI、低密度脂蛋白、饮酒频率,其特征重要度均超过0.1。以“是否骨关节炎”作为输出变量,特征工程筛选后的14个特征作为输入变量,构建骨关节炎风险评估的XGBoost模型,采用8折交叉验证的方法训练后,在测试集上验证模型准确率为92%,精确率为71%,召回率为65%,F1_score为0.68,AUC达到0.82,KS值为0.48。  结论  本研究采用社区医疗大数据构建了骨关节炎风险预警模型,模型的整体拟合度和特征合理性较好,为社区骨关节炎的早期预警提供了工具,有利于社区骨关节炎的早诊早治。      

基于多序列MRI的影像组学模型在腮腺肿瘤良恶性诊断中的应用

  目的  探究腮腺肿瘤良恶性的诊断中应用基于多序列MRI的影像组学模型的临床价值。  方法  选取2021年1月1日—2022年5月30日于台州市中心医院就诊经病理检查证实的腮腺肿瘤患者共97例,其中良性肿瘤64例,恶性肿瘤33例,提取患者的临床资料及MRI图像。通过ITK-SNAP软件分割感兴趣区域(ROI),使用3D-slicer软件的PyRadiomics插件在T₁加权对比增强成像序列(T₁Wce)、T₂加权序列(T₂WI)及基于弥散加权成像(DWI)序列构建的表观弥散系数(ADC)图像中提取120个影像特征,使用Lasso回归进行特征降维,最后使用筛选的影像特征构建支持向量机(SVM)模型。然后绘制ROC曲线,评估模型的诊断效能。  结果  2组患者年龄、性别差异无统计学意义。基于患者T₁Wce、T₂WI和ADC序列以及3个序列联合构建4个影像组学模型用于腮腺肿瘤良恶性诊断,AUC分别为T₁Wce模型0.752,T₂WI模型0.776,ADC模型0.810,T₁Wce+T₂WI+ADC联合模型0.897,三序列联合模型的AUC显著高于单个序列模型。  结论  基于MRI影像数据构建的影像组学模型能够有效用于辅助腮腺肿瘤的良恶性诊断,其中联合T₁Wce、T₂WI和ADC序列构建的模型具有最佳的诊断效能。      

基于影像组学的煤工尘肺结节分析联合临床因素预测肺癌发生的价值

  目的  研究影像组学、临床因素与煤工尘肺结节恶变间的关系,构建煤工尘肺结节恶变的最佳预测模型。  方法  收集2015年1月—2019年6月在重庆市九龙坡区第二人民医院就诊的425例煤工尘肺患者的临床资料及共628个结节CT图像,以7 : 3的比例随机分成训练集和验证集,每组数据内分为恶变组和未恶变组。对结节进行基本影像特征判读并勾画感兴趣区,提取影像组学特征。利用影像组学关键特征构建Radscore公式, 通过logistic回归对临床特征、影像组学特征、临床特征和Radscore建立预测模型并使用AUC及Delong检验比较模型的预测效能。  结果  3年随访过程中病理证实恶性结节54枚,直径为(1.70±0.63)cm,未发生恶变结节574枚,直径为(1.68±0.76)cm,2组直径比较差异无统计学意义(t=0.468,P=0.642);2组接触煤尘工龄、家族史、吸烟史、饮酒史、毛刺征与空泡征比较,差异有统计学意义(均P＜0.05);年龄、结核史、COPD病史比较,差异无统计学意义(均P＞0.05)。LASSO筛选出11个影像组学特征。在验证集中混合模型取得最佳效果,AUC为0.895, 影像组学模型和临床模型的AUC分别为0.671、0.654。Delong检验显示模型差异有统计学意义(P＜0.05)。  结论  接触煤尘工龄、家族史、吸烟史、饮酒史、毛刺征、空泡征及影像组学特征与煤工尘肺结节恶变存在着一定的相关性,可用来构建预测模型。