CT影像组学预测胰腺导管腺癌患者术后无病生存期的价值

【摘要】目的：探讨基于平扫和三期增强CT的影像组学模型及临床-组学综合模型对胰腺导管腺癌（PDAC）患者术后无病生存期（DFS）的预测价值。方法：回顾性分析2013年12月－2021年6月在本院经术后病理证实的124例胰腺导管腺癌患者的病例资料。所有DFS患者术后随访时间大于3个月。采用随机分组法,按照7:3的比例将患者分为训练集（n=87）和验证集（n=37）。所有患者术前行腹部CT平扫及三期（动脉期、静脉期、延迟期）增强扫描。使用ITK-SNAP软件分别在四期CT图像上沿胰腺肿瘤边缘逐层勾画ROI并融合生成三维容积ROI（VOI）,然后导入FAE软件中提取影像组学特征。采用单因素Cox回归分析及LASSO-Cox回归分析进行纹理特征的筛选,然后分别构建各期和多期联合（动脉期+静脉期+延迟期）影像组学模型并计算相应的影像组学标签得分。采用单因素和多因素Cox回归分析筛选临床特征和CT形态学特征并构建临床模型。采用多因素Cox回归分析结合临床模型变量及影像组学标签构建临床-组学综合模型并绘制其诺莫图。采用一致性指数（C-index）、时间依赖性（time-dependent）ROC曲线、校正曲线和决策曲线分析（DCA）对模型的诊断效能及临床效益进行评价。利用R语言计算临床-组学综合模型的最佳截断值,并据此将患者分为高风险组和低风险组,采用Kaplan-Meier法分析生存资料并进行log-rank检验。结果：基于平扫、动脉期、静脉期和延迟期及多期联合分别筛选得到5、16、4、12和17个组学特征,分别建立相应的组学模型并获得影像组学标签值。经log-rank检验,所有组学标签均与DFS具有相关性（P<0.05）,其中多期联合模型的预测效能最佳（训练集：C-index=0.786,6~24个月AUC=0.850~0.928;验证集：C-index=0.802,6~24个月AUC=0.796~0.874）;而临床模型的预测效能较低（训练集：C-index=0.635,6~24个月AUC=0.647~0.679;验证集：C-index=0.596,6~24个月AUC=0.545~0.656）。临床-组学综合模型的预测效能（训练集：C-index=0.812,6~24个月AUC=0.883~0.958;验证集：C-index=0.796,6~24个月AUC=0.813~0.894）明显优于临床模型;校准曲线显示临床-组学综合模型的拟合度好;DCA显示临床-组学综合模型的临床净收益优于临床模型。临床-组学综合模型的截断值为2.738。Kaplan-Meier生存分析显示在训练集和验证集中,高风险组患者的DFS明显短于低分风险组。结论：基于多期CT扫描的影像组学模型结合临床特征构建的临床-组学综合模型在预测胰腺导管腺癌患者术后DFS方面,相较于临床模型和影像组学模型具有更好的预测效能,有助于指导临床制订个体化的治疗策略和改善患者的预后。     

增强MRI影像组学对肝癌微血管侵犯的预测价值

【摘要】目的：探讨基于增强MRI影像组学方法对肝细胞肝癌微血管侵犯(MVI)的术前预测价值。方法：回顾性分析108例经手术病理证实为肝细胞肝癌病例的临床及增强MRI图像资料,其中MVI阳性45例,MVI阴性63例。对增强MRI动脉期（AP）、门静脉期（PVP）及延迟期（DP）图像进行影像组学特征提取,筛选最有价值的组学特征,采用五折交叉验证将样本量训练组和测试组,对训练组构建基于AP、PVP、DP及基于3期特征融合的影像组学联合逻辑回归模型,并对MVI的独立预测因子构建逻辑回归模型。选择最优影像组学模型并结合临床影像特征模型构建临床影像组学模型。所有模型结果均用五折交叉均值表示。模型采用受试者工作特征曲线(ROC)分析模型的有效性,并用测试组进一步验证。结果：MVI临床影像特征的独立预测因素包括甲胎蛋白、肿瘤最大径、瘤内动脉及包膜情况。临床影像特征模型在训练组的诊断效能ROC曲线下面积(AUC)值0.864,测试组AUC值0.843。AP、PVP、DP及3期联合模型在训练组的诊断效能AUC值分别为0.898、0.874、0.894及0.898,测试组AUC值分别为0.861、0.864、0.86及0.881。Delong检验分析发现测试组中增强MRI影像组学模型中3期联合模型的诊断效能较高,其与临床影像特征结合建立的临床影像组学模型诊断性能达到最优,训练组与测试组AUC值为0.934及0.911。结论：基于增强MRI建立的临床影像组学模型能够在术前无创地评估和预测MVI。     

基于多期CT影像组学鉴别卵巢良、恶性肿瘤的临床应用价值

【摘要】目的：探讨基于多期CT影像组学模型及联合模型鉴别卵巢良、恶性肿瘤的临床应用价值。方法：回顾性搜集2018年1月-2022年7月经术后病理证实的144例良性及182例恶性卵巢肿瘤患者的临床及CT多期影像组学资料，将患者随机按7:3分为训练组228例及验证组98例。图像预处理并利用ITK-SNAP勾画肿瘤病灶区域，用PY提取组学特征，将提取特征正则化，采用Spearman相关分析，相关系数大于0.9，保留其一特征, 使用最小绝对收缩与选择算子（LASSO）回归分析对组学特征降维，建立影像组学标签。将影像组学的优势期相与临床指标结合建立联合模型，利用列线图分析预测效能。结果：筛选出平扫、动脉期、静脉期及延迟期的特征数分别为22、7、10、22个，构建各期影像组学模型，结果显示延迟期为最优模型，在训练组中，其受试者工作特征（ROC）曲线的曲线下面积（AUC）为0.857。将临床特征与延迟期影像组学特征构建联合模型，其ROC的AUC值为0.870，优于临床模型，且差异有统计学意义（Z=3.376，P=0.0007）。验证组中，联合模型ROC的AUC值为0.844，优于临床模型，差异无统计学意义（Z=1.650，P=0.0989）。结论：CT扫描的延迟期影像组学特征鉴别卵巢良性与恶性肿瘤的效能优于其它期相，延迟期影像组学标签与临床特征相结合的联合模型有较高的鉴别诊断效能。     

基于临床-影像组学列线图模型术前预测进展期胃癌神经侵犯的价值

【摘要】目的：探讨基于增强CT影像组学特征和临床独立危险因素构建的联合模型及其列线图在术前预测进展期胃癌（AGC）周围神经侵犯（PNI）中的价值。方法：回顾性分析171例AGC患者的CT图像和临床资料。将171例患者按7:3的比例随机分为训练组119例（PNI阳性83例,阴性36例）和验证组52例（PNI阳性37例,阴性15例）。依次使用Spearman相关性分析及绝对收缩与选择算子（LASSO）对增强CT静脉期图像上提取的组学特征进行降维和筛选,并建立影像组学标签（V-Radscore）。使用单因素分析比较PNI阳性组与阴性组之间的V-Radscore和术前临床指标值,将差异具有统计学意义的指标纳入多因素logistic回归分析,得到PNI相关的独立危险因素,同时构建影像组学模型（V）、临床模型（C）和组合模型（V+C）,并在训练组构建组合模型的列线图。采用受试者工作特征曲线（ROC）的曲线下面积（AUC）、敏感度、特异度和符合率来评价模型的诊断效能,使用校准曲线评价列线图模型在训练组和验证组中的拟合程度,使用决策曲线分析（DCA）来评价列线图的临床应用价值。结果：PNI的独立危险因素包括V-Radscore、CT报告的肿瘤部位、T分期和N分期（P均<0.05）。PNI阳性组的V-Radscore高于阴性组（Z=5.536,P<0.001）。在验证组中,列线图模型预测PNI的AUC值为0.865,显著高于临床模型（AUC=0.786,χ2=2.108,P=0.035）和影像组学模型（AUC=0.681,χ2=2.083,P=0.037）,其预测PNI的敏感度、特异度和符合率分别为0.838、0.800和0.827。校准曲线显示列线图在训练组（χ2=5.846,P=0.661>0.05）及验证组（χ2=8.170,P=0.417>0.05）中的预测概率与实际概率的一致性良好。DCA显示模型具有良好的临床应用价值。结论：临床-影像组学列线图模型在AGC患者PNI的术前预测方面具有可行性,有望帮助临床医师优化术前决策。     

基于多序列MRI影像组学模型预测脑膜瘤病理分级的价值

【摘要】目的：探讨基于多序列MRI影像组学模型预测脑膜瘤病理分级的价值。方法：回顾性分析经手术病理证实的215例脑膜瘤患者的临床及MRI资料。其中,低级别组174例,高级别组41例。将所有患者按照7∶3的比例随机分为训练组和验证组。采用ITP-SNAP软件,分别在T2WI、DWI和对比增强T1WI图像上勾画肿瘤的三维ROI,使用AK软件提取影像组学特征。采用Spearman相关性分析及多元Logistic回归分析筛选组学特征并构建影像组学标签。使用ROC曲线下面积（AUC）评价影像组学模型的预测效能。结果：高级别组与低级别组之间年龄和性别构成的差异均无统计学意义（P>0.05）。基于T2WI、DWI和对比增强T1WI的单序列及多序列联合影像组学模型预测高、低级别脑膜瘤的AUC均大于0.700。基于单序列的影像组学模型中,增强T1WI在训练组和验证组的AUC分别为0.942和0.913,均高于其它两个序列。基于MRI多序列联合的影像组学模型预测高、低级别脑膜瘤的AUC值最高,在训练组的AUC为0.950,在验证组的AUC为0.923。结论：MRI影像组学模型能够预测脑膜瘤的病理分级,尤其是多序列联合的影像组学模型对脑膜瘤病理分级具有较高的预测效能。     

CT影像组学联合细胞角蛋白19片段预测EGFR突变阳性非小细胞肺癌患者EGFR-TKIs的疗效

【摘要】目的：探讨CT影像组学联合细胞角蛋白19片段在预测表皮生长因子受体（EGFR）突变阳性的非小细胞肺癌（NSCLC）患者行表皮生长因子受体酪氨酸激酶抑制剂（EGFR-TKIs）治疗的疗效。方法：回顾性搜集在本院确诊为EGFR突变阳性随即接受EGFR-TKIs治疗的194例NSCLC患者的病例资料。在EGFR-TKIs治疗3个月后行CT检查来判断疗效。根据实体肿瘤疗效评价标准1.1（RECIST 1.1），治疗有效121例，无效73例。采用完全随机方法将患者按7∶3的比例分为训练集和验证集。在训练集中提取NSCLC病灶的组学特征，然后使用主成分分析（PCA）、kruskal-wallis（KW）法及逻辑回归分析结合最小绝对值收敛和选择算子（LR-LASSO）对影像组学特征进行降维及影像组学模型的构建，获得每例患者的影像组学标签值。利用临床资料、病灶的CT形态学特征和病理结果建立临床模型，联合临床资料和影像组学标签建立联合模型。使用受试者工作特征曲线（ROC）下面积（AUC）评价各个模型对EGFR-TKIs疗效的预测效能，应用决策曲线分析（DCA）评估模型的临床应用价值。结果：训练集中经PCA、KW方法对影像组学特征进行降维后得到9个影像组学特征用于模型的构建。对临床资料、病灶的CT形态学特征和病理结果使用单因素及多因素分析后显示仅细胞角蛋白19片段是疗效的独立预测因子，以此构建临床模型；联合模型由细胞角蛋白19片段结合影像组学标签进行构建。临床模型、影像组学模型及联合模型在训练集中的AUC分别为0.686、0.800和0.836；在验证集中的AUC分别为0.666、0.774和0.837。DCA显示联合模型较影像组学模型和临床模型有更好的临床净收益。结论：CT影像组学联合细胞角蛋白19片段对预测EGFR突变阳性NSCLC患者EGFR-TKIs的疗效具有较高的价值。     

CT影像组学模型预测CNLC Ⅰ～Ⅱ期肝细胞癌切除术后早期复发的研究

目的 建立术前CT影像组学预测模型对中国肝癌分期(CNLC)Ⅰ～Ⅱ期肝细胞癌(HCC)切除术后早期复发进行预测。方法 回顾性分析接受手术切除的CNLCⅠ～Ⅱ期HCC患者153例的资料。用3D slicer软件勾画肿瘤感兴趣区(ROI),用pyradiomics包提取影像组学特征。基于LASSO算法进行特征筛选、并建立影像组学标签(Rad-score)。采用单因素Logistic回归和多因素Logistic逐步回归法确立独立预测因子,构建影像组学预测模型和临床预测模型。用受试者工作特征曲线(ROC)曲线下面积(AUC)来比较模型的区分度,用校准曲线评估模型的校准度,用临床决策曲线分析(DCA)评估模型的临床应用价值。结果 Rad-score、瘤内供血动脉、肝功能白蛋白-胆红素分级(ALBI分级)、性别是独立预测因子。影像组学模型具有良好的预测效能(AUC:训练组0.900,验证组0.853),优于临床模型(AUC:训练组0.823,验证组0.741)。校准曲线显示影像组学模型具有良好的校准度。DCA显示阈值概率在0.1～1.0时,影像组学模型的净获益要高于临床模型。结论 基于CT影像组学...     

基于CT靶扫描构建多模态联合模型Nomogram评估孤立性肺结节

【摘要】目的：探究基于CT靶扫描图像提取影像组学特征联合CT征象构建多模态联合模型术前评估孤立性肺结节（SPN）的可行性。方法：纳入2018年1月-2020年7月在郑州大学第二附属医院行胸部CT扫描诊断为SPN以SPN为中心的薄层靶扫描的患者,继而由医师遵循单盲原则定性评估患者CT征象后,对SPN进行病灶3D分割,导入pyradiomics进行特征提取。患者按照7:3比例随机分为训练组和测试组,以训练组患者SPN良恶性为研究目的,对影像组学特征进行去冗除杂以构建影像组学标签Rad-score,并纳入CT征象特征联合Rad-score构建多元逻辑回归模型评估SPN的良恶性。结果：共计纳入82名SPN患者,恶性结节共计43例,良性结节39名。训练组中59例患者,其中31例恶性,28例良性;测试组中23例患者,其中12例恶性,11例良性。取最小惩罚系数 对应的10个特征构建的影像组学标签（Radiomics signature,Rad-score）。采用ROC分析Rad-score在训练组和测试组中评估恶性SPN的诊断效能,训练组中Rad-score的 AUC=0.89,95%置信区间:0.81~0.97,阳性预测率PPV为0.774,阴性预测率为0.857;测试组中Rad-score鉴别良恶性SPN的AUC=0.72,95%置信区间为0.49~0.95,阳性预测率0.857,阴性预测率0.687。纳入训练组中患者的CT特征联合Rad-score参数,最终保留血管聚集、毛刺和分叶3个CT征像参数,与Rad-score构建模型,并以Nomogram可视化该联合模型,训练组中Nomogram的AUC值高于CT征象高于Rad-score (0.96 vs 0.90 vs 0.89)。测试组中Nomogram的AUC值高于CT征象高于Rad-score (0.88 vs 0.87 vs 0.72)。结论：基于CT靶成像提取影像组学构建Rad-score联合CT定性特征构建模型Nomogram可协助临床在获取SPN病理结果之前评估SPN是否良恶性。     

增强CT联合纹理分析鉴别无钙化肺错构瘤与原发性肺腺癌的价值

目的 探讨增强CT联合纹理分析鉴别无钙化肺错构瘤（NCPH）与原发性肺腺癌（PLA）的价值。资料与方法 回顾性收集2018年3月—2021年5月郑州大学第一附属医院经病理证实的NCPH患者84例及PLA患者91例，以7∶3将所有病例随机分为训练集（NCPH 59例，PLA 64例）和验证集（NCPH 25例，PLA 27例）。分析两组CT图像的影像学特征，并采用MaZda软件对CT静脉期薄层图像进行纹理分析。使用筛选出的纹理参数和影像特征构建多因素二元Logistic回归模型，绘制受试者工作特征曲线，计算曲线下面积（AUC），比较各模型对NCPH与PLA的诊断效能。结果 训练集中，CT影像特征模型由平扫CT值、强化程度及毛刺征组成；纳入CT纹理参数模型的最佳纹理参数为Perc.90%和Variance。在训练集中，CT影像特征模型与CT纹理参数模型诊断NCPH与PLA的AUC分别为0.890、0.831，两者差异无统计学意义（P>0.05）；影像特征联合纹理参数模型的AUC最大，为0.936，其准确度为0.846。验证集中，CT影像特征模型、CT纹理参数模型及影像特征联合纹理参数...     

CT影像组学联合血清炎症参数预测肝癌根治术后辅助TACE的早期复发

目的 探讨CT影像组学联合血液炎症指标的综合列线图评估肝细胞癌（HCC）根治术后辅助肝动脉化疗栓塞（PA-TACE）早期复发的效能。方法 从南通市第一人民医院电子病历系统中选择2017年6月至2021年6月外科手术后1个月接受PA-TACE治疗的原发性肝癌患者130例，按7∶3随机分成训练组92例和验证组38例。收集、评估所有患者的临床资料、CT影像组学数据、病理学资料、PA-TACE术前1周内血液学指标。评估PA-TACE术后早期复发和未早期复发患者的临床资料。使用R语言进行数据分析、影像组学特征筛选、LASSO回归分析、绘制ROC曲线、列线图建立及DCA曲线绘制。结果 在训练组和验证组中，CT影像组学预测PA-TACE术后早期复发的AUC分别为0.79(95%CI:0.70～0.89)、0.78(95%CI:0.62～0.94)。单因素多因素回归分析表明GLR(P<0.01)是与PA-TACE早期复发相关的血液学指标。训练组中，临床模型、综合列线图模型预测PA-TACE早期复发的AUC分别为0.68(95%CI:0.56～0.79)和0.80(95%CI:0.71～0.89)...     

基于增强CT图像纹理特征术前预测肝细胞癌微血管侵犯状态及危险度等级

【摘要】目的：探讨基于增强CT图像纹理特征模型术前预测肝细胞癌（HCC）微血管侵犯（MVI）的价值。方法：回顾性搜集本院2018年1月至2022年12月经手术病理证实的HCC患者496例，按2:1的比例随机分为训练组（331例）和测试组（165例）。采用ITK SNAP图像纹理分析软件对HCC瘤灶及瘤周邻近区域勾画兴趣区（ROI）并进行图像纹理特征提取、筛选，采用最小绝对收缩与选择算子（LASSO）回归算法对576个纹理特征进行降维，使用多变量Logistic回归提取有意义的纹理特征建立模型以预测MVI状态及危险度等级。联合纹理特征和肿瘤临床分期建立列线图以预测MVI危险度等级。采用ROC曲线下面积（AUC）评价模型的诊断效能。结果：训练组与测试组患者的年龄、性别、肿瘤位置差异均无统计学意义。基于增强CT图像纹理特征模型可以较好地预测MVI状态及危险度等级，在训练组和验证组中预测有无MVI的AUC分别为0.783、0.773，敏感度分别为0.705、0.883，特异度分别为 0.750、0.722；在训练组和验证组中预测MVI危险度等级的AUC分别为0.743、0.718。联合纹理特征和肿瘤临床分期建立的列线图对MVI危险度等级的预测效能（AUC=0.856）优于单纯纹理特征模型。结论：基于增强CT图像纹理特征模型可用于术前预测肝细胞癌的MVI状态和危险度等级，是一种可靠的临床评估工具，对临床医师选择合适的治疗方案、准确评估预后具有重要参考价值。     

基于CT影像组学构建术前预测胰腺癌神经周围侵犯模型的研究

目的 探讨基于增强CT影像组学特征联合传统影像特征、临床信息建立的模型术前预测胰腺癌发生神经周围侵犯(PNI)的可行性及价值。方法 回顾性分析137例术后病理证实为胰腺癌患者的增强CT影像特征及临床资料,其中有PNI患者98例,无PNI患者39例,按照7∶3比例随机分为训练组96例,验证组41例。利用3D Slicer分别在术前增强CT动、静脉期图像上手动勾画肿瘤,Pyradiomics提取特征,最小冗余最大相关算法(mRMR)、最小绝对收缩和选择算子(LASSO)进行特征的降维、筛选,在训练组分别构建独立组学模型、临床-传统影像模型及融合组学模型,验证组验证模型效能。绘制ROC曲线评价预测模型的效能。结果 最终动脉期、静脉期、动脉期联合静脉期分别筛选出3个、2个、2个组学特征,3个期相分别建立的独立组学模型、临床-传统影像模型及融合组学模型中均是融合组学模型性能最高,动脉期、静脉期、动脉期联合静脉期融合组学模型在训练组AUC值分别为0.83、0.85、0.80,在验证组AUC值分别为0.78、0.76、0.80。结论 基于增强CT影像组学特征联合血管侵犯构建的融合组学模型能在术前有效...     

CT影像组学预测局部进展期直肠癌新辅助治疗的效果

目的探讨CT影像组学在治疗前预测局部进展期直肠癌新辅助治疗效果的价值。资料与方法回顾性分析168例新辅助治疗后行根治术的局部进展期直肠癌患者,收集治疗前临床及CT资料,根据术后病理肿瘤退缩分级分组。采用A.K.软件提取CT影像组学特征并构建影像组学标签。通过多变量Logistic回归筛选疗效预测因子并构建诺莫图模型。利用ROC曲线评价模型诊断效能,并对模型进行内部验证、校准度评价及临床应用价值分析。结果每例患者各提取了396个CT影像组学特征,降维后筛选出6个与局部进展期直肠癌新辅助治疗效果高度相关的特征。联合独立预测因子影像组学标签、癌胚抗原≥3.4 ng/ml和临床T分期(cT4)构建的诺莫图模型ROC曲线下面积(0.881)高于影像组学标签(0.791),且具有较高的校准度、内部验证一致性及临床应用价值(P>0.05)。结论基于治疗前CT及临床资料构建的模型对局部进展期直肠癌新辅助治疗效果预测具有较高的预测效能,且联合预测模型的预测效能优于影像组学标签。     

CT影像组学联合传统影像特征对胃肠道间质瘤Ki-67指数表达的预测价值

【摘要】目的：探讨基于增强CT的影像组学联合传统影像特征对无创性预测胃肠道间质瘤（GIST）Ki-67增殖指数（Ki-67 PI）表达的价值。方法：回顾性搜集我院2010年9月至2020年9月经手术病理确诊的原发性GIST患者的病例资料。诊断医师采用盲法独立分析增强CT图像,提取传统的影像征象。利用ITK-SNAP软件在增强CT图像上勾画病灶感兴趣区,利用AK软件提取纹理特征,将患者随机分为训练集与验证集。采用逻辑回归筛选特征参数并构建影像组学模型。再分别建立传统影像特征模型、组学模型及联合两者的组合模型。结果：传统影像特征模型的诊断效能尚可,其ROC曲线的曲线下面积（AUC）在训练集和验证集中分别为0.720（95%CI：0.651～0.788）及0.665（95%CI：0.547～0.784）。影像组学模型的诊断效能良好,其AUC在训练集中具有最优值,为0.802（95%CI：0.744～0.860）,其AUC在验证集中为0.730（95%CI：0.623～0.836）。此外,联合影像组学和传统影像特征组成的多参数组合模型在训练集中效能良好,AUC值为0.823（95%CI：0.768～0.878）,其在验证集中具有最优的诊断效能,AUC值为0.731（95%CI：0.626～0.836）。结论：基于增强CT的影像组学联合传统影像特征建立的组合模型具有无创预测GIST患者Ki-67 PI表达状态的价值。     

基于人工智能术前预测乳腺导管内癌微浸润的价值

目的基于超声图像的影像组学特征构建术前预测乳腺导管内癌微浸润(DCIS-MI)的鉴别模型,探索人工智能术前预测DCIS-MI的价值。资料与方法回顾性分析经病理证实的80例乳腺导管内癌(DCIS)和23例DCIS-MI的超声图像。在ITKSNAP软件进行图像分割,通过Intelligence Foundry软件进行影像组学特征提取并整理成数据集。数据集以7∶3分为训练组和验证组。训练组用于构建预测模型,验证组用于评估预测模型的可靠性。训练组通过Spearman相关系数以0.95为阈值去除高相关性特征,再使用统计检验联合随机森林的方法(1.25倍重要性均值为阈值)进一步选择重要特征。最后通过决策树机器学习算法构建DCIS-MI的预测模型。使用受试者工作特征曲线及曲线下面积(AUC)评估或验证模型效能。结果训练组纳入72例患者,其中56例DCIS、16例DCIS-MI;验证组纳入31例患者,其中24例DCIS、7例DCIS-MI。最终选择27项特征构建DCIS-MI的预测模型。训练组和验证组预测模型的AUC分别为0.90和0.73,准确度、敏感度及特异度分别为0.79、0.94、0.75和0.74、0.71、0.75。影像组学评分在不同临床病理参数亚组的AUC均>0.77。结论基于超声图像构建的影像组学预测模型具有良好的预测效能,可在一定程度上达到术前辅助诊断DCIS-MI的作用,为临床快速有效决策提供依据。     

基于CT影像组学术前预测淋巴结阴性胃癌淋巴血管侵犯

目的 探讨基于CT影像组学术前预测淋巴结阴性胃癌淋巴血管侵犯(LVI)的价值,并结合临床变量构建列线图。资料与方法 回顾性分析浙江大学医学院附属邵逸夫医院2019年1月—2021年6月173例淋巴结阴性且病理证实为胃癌患者的临床及CT影像,其中LVI阳性60例,LVI阴性113例,按7∶3随机分为训练组(n=121)和验证组(n=52)。基于训练组分别构建临床模型、影像组学模型、融合模型,并在验证组进行验证。临床资料和常规CT特征包括年龄、性别、肿瘤指标、肿瘤部位、肿瘤形态、强化幅度等,通过单因素及多因素分析筛选出临床显著变量并建立临床模型。用3D-Slicer软件勾画肿瘤感兴趣区并提取影像组学特征,用最小绝对值收缩和选择算子降维筛选特征,然后通过随机森林构建影像组学模型,并转化为随机森林评分。联合临床显著变量和随机森林评分构建融合模型并可视化为列线图。根据受试者工作特征曲线及曲线下面积(AUC)评估模型的预测效能,采用决策曲线分析评估临床实用性。结果 影像组学模型优于临床模型,训练组和验证组中影像组学模型AUC分别为0.872(0.810～0.935)、0.827(0.707～0.9...     

基于CT平扫影像组学模型对早期急性坏死性胰腺炎的鉴别诊断价值

目的:基于急性胰腺炎(AP)首次发作时CT平扫图像,比较间质水肿性AP与出血坏死性AP的影像组学特征差异,探讨基于CT平扫影像组学模型对早期坏死性胰腺炎的鉴别诊断价值。方法:搜集2017年1月-2020年6月被诊断为AP的300例患者,回顾性分析AP患者腹痛症状发作24h内首次CT平扫图像和临床一般资料。以72～96h内增强CT及改良CT严重指数(MCTSI)评分为评判标准,将300例AP患者分为间质水肿性AP(230例)和出血坏死性AP(70例)。在联影科研平台下,手动逐层分割整个胰腺形态轮廓,得到感兴趣区体积(VOI),提取特征参数,按照7:3的比例将影像资料随机分为训练组与验证组,通过随机森林(RF)模型进行训练,采用五折交叉法对其进行验证,采用ROC曲线分析模型对出血坏死性AP的诊断效能,并计算准确度、敏感度和特异度。结果:性别、年龄在间质水肿性AP与出血坏死性AP患者间差异无统计学意义。通过构建RF组学模型,训练组及验证组中区分间质水肿性AP与出血坏死性AP的ROC曲线下面积分别为0.979和0.936。结论:基于CT平扫影像组学特征结合机器学习随机森林模型建立的鉴别诊断模型...     

基于薄层CT的三维影像组学在预测亚厘米磨玻璃样肺腺癌浸润程度的价值

【摘要】目的：探讨基于术前薄层CT的三维影像组学预测亚厘米磨玻璃样肺腺癌浸润程度的临床应用价值。方法：回顾性分析华东医院2013年1月－2017年7月经病理证实的394例亚厘米肺腺癌患者（共446个结节）的术前肺部薄层CT和临床资料。选取2013年1月－2015年12月的253例患者的286个结节为验证集;2016年1月－2017年7月141例患者的160个结节为训练集。所有病例参照病理金标准分为浸润前病变和浸润性病变,且所有结节均逐层勾画ROI而得到其容积感兴趣区（VOI）。采用Matlab 2016b软件从每个结节的VOI中提取475个影像组学特征,利用最小绝对收缩和选择算子（LASSO）进行特征筛选,随后建立影像组学标签。采用单因素及多因素分析方法筛选出训练集中两组病变间差异有统计学意义的变量并建立回归模型,进一步在验证集中对此模型进行验证。采用ROC曲线评价模型对结节浸润性的预测效能。结果：经可重复性分析及LASSO降维,最终筛选出13个影像组学特征并建立影像组学标签。多因素分析结果显示影像组学标签和CT值是预测肺癌浸润程度的独立危险因子。在训练集中,回归方程、CT值和影像组学标签的ROC曲线下面积（AUC）分别为0.785（95%CI：0.730~0.840）、0.742（95%CI：0.681~0.802）和0.696（95%CI：0.630~0.760）。在验证集中,回归模型、CT值和影像组学标签的AUC分别为0.704（95%CI：0.618~0.790）、0.683（95%CI：0.595~0.772）和0.674（95%CI：0.588~0.761）。结论：基于薄层CT的三维影像组学特征联合临床资料建立的多因素logistic回归模型对预测亚厘米级磨玻璃结节样肺腺癌的浸润程度具有很好的临床应用价值及发展前景。     

基于术前分期CT的影像组学标签预测三阴性乳腺癌

【摘要】目的：探讨基于术前分期CT的影像组学标签在预测三阴性乳腺癌分子分型中的附加价值。方法：回顾性收集2016年1月至2018年5月经手术病理证实且均为临床术前评估分期需行常规胸部CT增强扫描的481例肿块型乳腺浸润性癌患者,按照样本量1∶2随机抽样选取三阴性乳腺癌与非三阴性乳腺癌共计150例患者（90例作为训练组,60例作为验证组）。所有患者均经免疫组织化学检测,获得乳腺癌分子分型。对所有患者基于病灶三维图像提取影像组学特征,并采用Lasso logistic回归模型进行特征降维及筛选,以建立影像组学标签。采用ROC曲线评价影像组学标签对三阴性乳腺癌的鉴别诊断效能。结果：由5个关键影像组学特征构成的影像组学标签与乳腺癌三阴性分子分型相关（P<0.0001）。建立的影像组学标签对于鉴别三阴性乳腺癌具有较好的预测效能,其在训练组和验证组的ROC曲线下面积（AUC）分别为0.766（95% CI：0.743~0.789）和0.758（95% CI：0.718~0.798）。结论：基于术前分期CT建立的影像组学标签有助于三阴性与非三阴性乳腺癌的鉴别,这是术前常规胸部增强CT扫描在辅助临床分期之外的附加价值,可为临床治疗决策提供参考。     

基于常规MRI影像组学模型预测软组织肉瘤复发

【摘要】目的：探讨基于常规MRI的影像组学模型对预测软组织肉瘤（STS）复发的价值。方法：回顾性分析2012年1月－2021年6月在本院经手术病理证实的92例STS患者的临床和影像资料。术后每3个月进行一次影像学检查,随访时间至少12个月以上,根据随访结果有无复发或远处转移分为复发组（27例）,无复发组（65例）。采用完全随机方法将所有患者按7:3的比例分为训练集（n=65）和验证集（n=27）。使用ITK-SNAP软件,分别在T1WI和压脂T2WI上逐层沿肿瘤边缘手动勾画ROI并进行三维融合（VOI）,然后使用AK软件提取纹理特征,使用最小冗余最大相关（mRMR）和最小绝对值收敛和选择算子（LASSO）回归分析方法分别对T1WI序列、压脂T2WI序列和联合序列的纹理特征进行降维和筛选,并建立影像组学模型,根据各个组学特征的权重系数计算影像组学评分（Radscore）,运用100次留组交叉验证（LGOCV）方法来评估模型的可靠性。将临床病理、常规MRI特征与预测效能最高的影像组学模型的Radscore相结合,采用多因素logistic回归（LR）、随机森林（RF）和支持向量机（SVM）三种机器学习算法分别建立机器学习模型。采用受试者工作特征（ROC）曲线评价各模型的预测效能,应用决策曲线分析（DCA）评估模型的临床应用价值。结果：临床模型在训练集和验证集中预测STS复发的ROC曲线下面积（AUC）分别为0.71（95%CI:0.58~0.85）和0.74（95%CI:0.52~0.97）。基于T1WI、压脂T2WI和联合序列的影像组学模型在训练集中预测STS复发的AUC分别为0.81（95%CI:0.70~0.93）、0.92（95%CI:0.86~0.99）和0.91（95%CI:0.84~0.99）,在验证集中分别为0.84（95%CI:0.63~1.00）、0.92（95%CI:0.81~1.00）和0.86（95%CI:0.72~1.00）。采用机器学习算法构建的LR、RF和SVM模型在训练集中预测STS复发的AUC分别为0.93（95%CI:0.87~0.99）、0.91（95%CI:0.84~0.99）和0.77（95%CI:0.63~0.91）,在验证集中分别为0.93（95%CI:0.83~1.00）、0.86（95%CI:0.71~1.00）和0.83（95%CI:0.66~1.00）。DCA分析结果表明,压脂T2WI和联合序列的影像组学模型、以及LR和RF模型的临床受益均较好。结论：基于常规MRI序列中的压脂T2WI和联合序列构建的影像组学模型对预测STS复发具有较高的预测效能和较好的临床受益,基于不同机器学习算法构建的预测模型的预测效能并无明显提高。