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。     

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18F-FDG PET/CT影像组学治疗前预测唾液腺癌颈部淋巴结转移

目的研究氟代脱氧葡萄糖正电子发射计算机断层显像(18F-FDG PET/CT)影像组学在预测唾液腺癌颈部淋巴结转移中的价值。方法对北京大学口腔医学68例唾液腺癌患者进行回顾性研究, 随机分为训练组(40例)、验证组(14例)和测试组(14例)。从PET图像中半自动勾画肿瘤原发病灶并提取影像组学特征。经过特征筛选和降维, 构建人工神经网络(ANN)预测模型。采用受试者操作特征(ROC)曲线、ROC曲线下面积(AUC)、准确度、灵敏度、特异度对模型预测性能进行评价, 采用Delong检验对各模型性能进行比较。结果基于影像组学特征构建的影像组学模型AUC为0.88(95%CI:0.78～0.95), 灵敏度为75%, 特异度为92.3%, 准确度为88.2%。结合PET/CT报告的淋巴结状态(cN)和影像组学特征构建的联合模型的AUC为0.97(95%CI:0.89～0.99), 灵敏度为87.5%, 特异度为100%, 准确度为97.1%。Delong检验显示联合模型与cN的差异具有统计学意义(Z=2.27, P<0.05), 影像组学模型与cN差异无统计学意义(P>0.05)...     

CT影像组学预测肾透明细胞癌核分级：扫描期相及ROI勾画策略

【摘要】目的：探讨不同CT扫描期相及感兴趣区（ROI）勾画策略对影像组学方法预测肾透明细胞癌（ccRCC）核分级效能的影响。方法：回顾性搜集具有完整4期CT扫描图像（平扫期、皮髓质期、实质期和排泄期）且经病理证实为ccRCC的137例患者的病例资料。其中,96例为低级别（Fuhrman 1级和2级）ccRCC,41例为高级别（Fuhrman 3级和4级）ccRCC。在每期图像中选取肿瘤最大层面,使用ITK-SNAP软件分别勾画出病灶最大层面的2D-ROI并获得全瘤3D-ROI,并使用Pyradiomics软件分别提取病灶的影像组学特征。然后,采用22种特征选择方法和8种分类算法对组学特征进行筛选并构建了176个分类模型,使用五折交叉检验法验证各模型的预测效能,并采用诊断符合率、敏感度、特异度和受试者工作特征曲线下面积（AUC）评估模型的预测效能。结果：基于3D-ROI的影像组学模型鉴别高、低核级ccRCC的前5个最大AUC的平均值及相应诊断符合率的平均值高于基于2D-ROI的影像组学模型。基于平扫期的影像组学模型的前5个最大AUC的平均值优于其它3个期相。在平扫、皮髓质期、实质期和排泄期CT图像上基于3D-ROI的组学模型的最大AUC分别为0.822、0.732、0.742和0.780,基于2D-ROI的组学模型的最大AUC分别为0.738、0.692、0.710和0.674。结论：采用影像组学方法预测ccRCC核分级推荐选用平扫图像和全瘤3D-ROI。     

基于增强CT影像组学预测食管鳞癌淋巴血管侵犯状态的价值

目的:探讨基于增强CT影像组学预测食管鳞癌(ESCC)淋巴血管侵犯(LVI)的价值。方法:回顾性搜集行根治性切除术并经术后病理证实的224例食管鳞癌患者,其中包括66例LVI阳性和158例LVI阴性患者。所有患者均在术前2周内进行胸部增强CT扫描。将入组的患者按照7:3的比例随机分为训练集和测试集。使用3D Slicer软件逐层勾画全肿瘤感兴趣区(ROI),采用Python软件的Pyradiomics包提取肿瘤组织的影像组学特征,建立影像组学模型用于预测食管鳞癌的LVI状态并进行验证。采用受试者工作特征(ROC)曲线的曲线下面积(AUC)、敏感度、特异度、准确度、阳性预测值和阴性预测值来评价影像组学模型的诊断效能,使用校准曲线评价影像组学模型在训练集和测试集中的拟合程度。使用决策曲线分析(DCA)评价影像组学模型的临床应用价值。结果:从全肿瘤ROI中提取了1130个组学特征,经过筛选最终保留了7个影像组学特征,并使用多因素logistic回归建立影像组学预测模型。在训练集中,影像组学模型预测LVI的AUC值为0.930,敏感度为0.851,特异度为0.919,准确度为0.899,阳性预...     

基于磁共振表观扩散系数图的影像组学模型对前列腺癌Gleason分级的诊断价值

目的:探讨基于磁共振ADC图的影像组学模型对诊断前列腺癌侵袭度的价值。方法:回顾性分析2018年1月至2019年5月在建湖医院,经手术病理证实且能确定Gleason分级的42例患者的ADC图像,将癌灶分为高危组(Gleason评分≥8)和低中危组(Gleason评分≤7)2组。其中中低危21例、高危21例。应用ITK-SNAP软件勾化感兴趣区(ROI),将ADC图像导人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中低危、高危前列腺癌的模型,绘制ROC曲线评价模型鉴别中低危、高危前列腺癌的预测效能。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7个影像组学特征。建模后影像组学特征对鉴别中低危、高危前列腺癌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0.97、93.3%、93.3%、93.3%、0.93和0.93;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0.97、91.7%、83.3%、100.0%、1和0.86;结论:基于磁共振ADC图的影像组学模型对前列腺癌Gleason分级具有诊断价值。     

基于CT影像组学预测肾透明细胞癌ISUP分级及病理分期的研究

目的 探讨基于CT影像组学方法术前预测肾透明细胞癌(ccRCC)的病理分级和分期的可行性.方法 搜集本院2015年1月至2018年6月泌尿外科收治的125例经病理证实的ccRCC患者.根据肾细胞癌(RCC)世界卫生组织(WHO)/国际泌尿病理协会(ISUP)(2012)组织学分级系统分为低级别组(核Ⅰ～Ⅱ级)66例和高...     

CT影像组学模型对甲状腺良恶性结节的鉴别价值

目的探讨CT影像组学模型对良恶性甲状腺结节的鉴别诊断价值。方法回顾性分析2017年5月至2018年8月间南京医科大学附属淮安第一医院经病理证实的179例甲状腺结节患者的临床和影像资料。良性结节89例,恶性结节90例。患者术前均行甲状腺结节CT平扫和增强扫描。采用分层随机抽样方法将患者按照8∶2的比例分为训练组(143例)与测试组(36例),采用A.K软件基于术前CT图像提取378个影像组学特征,后采用Spearman相关分析与最小绝对收缩和选择算子回归分析进行特征筛选与模型构建,在训练组与测试组中应用受试者操作特征(ROC)曲线对模型进行验证,评价影像组学特征预测良恶性甲状腺结节的效能。结果经过特征筛选,16个影像组学特征用于构建甲状腺结节良恶性鉴别模型。训练组中预测模型的ROC曲线下面积(AUC)为0.92(95%可信区间:0.88~0.97),灵敏度和特异度分别为88.7%、82.0%,诊断准确率91.1%;测试组中AUC为0.90(95%可信区间:0.81~0.98),灵敏度和特异度分别为88.5%、84.6%,诊断准确率88.2%。结论基于CT的影像组学模型对良恶性甲状腺结节有较高的诊断效能。     

多参数磁共振组学预测甲状腺乳头状癌淋巴结转移的价值

目的:探讨基于术前原发肿瘤的多参数磁共振图像所构建的组学模型在预测甲状腺乳头状癌颈部淋巴结转移中的价值。方法:回顾性分析129例病理证实的甲状腺乳头状癌术前磁共振资料。从T₂WI、DWI、多期T₁WI增强图像中提取影像组学特征,按照7:3比例随机将129例患者为训练组和验证组,在训练集中采用最小冗余最大关联度(mRMR)和最小绝对收缩选择算子(LASSO)筛选最优影像组学特征,构建组学特征模型。采用受试者操作特征(ROC)曲线评价多参数磁共振组学模型术前预测颈部淋巴结转移的预测效能,并在验证集中验证。结果:分别从T₂WI、DWI、多期T₁WI增强提取396个影像组学特征,经预处理及筛选最终获得18个最佳组学特征,根据最优影像组学特征及相应权重系数建立影像组学预测模型并计算影像组学评分,训练组和验证组中影像组学评分淋巴结转移组高于无淋巴结转移组。训练组的AUC值为0.92,敏感度为83.3%,特异度为88.9%,验证组的AUC值为0.80,敏感度为78.9%,特异度为77.8%。结论:基于多参数磁共振...     

CT影像组学模型预测肝移植术后肝癌早期复发的价值

 目的 探索基于CT影像组学技术构建的模型在预测肝细胞癌患者肝移植术后早期复发的价值。方法 回顾性分析接受肝移植治疗的131例肝癌患者,随机分为训练组(92例)和验证组(39例),术后定期随访,了解是否发生早期复发。通过逐层勾画肿瘤边缘对肿瘤进行三维分割并进行特征提取,共提取1218个影像组学特征。具有潜在预测价值特征的筛选选用LASSO算法。基于筛选出的特征,logistic回归应用于肝移植术后预测模型的构建。通过曲线下面积(area under the curve, AUC)对模型预测患者是否会早期复发的效能进行评价。结果 筛选出8个具有潜在预测价值的特征,预测模型在训练组中AUC为0.828,敏感度、特异度分别为82.4%、74.7%;在验证组中AUC为0.856,敏感度、特异度分别为77.8%、86.7%。结论 术前增强CT影像组学技术构建的模型,对预测肝癌肝移植术后复发具有一定价值。     

CT影像组学对中轴骨脊索瘤与骨巨细胞瘤的鉴别诊断价值

目的:建立术前鉴别中轴骨脊索瘤与骨巨细胞瘤的影像组学模型,并验证其诊断效能。方法:回顾性纳入中轴骨脊索瘤59例、骨巨细胞瘤33例共92例患者,64例为训练集,28例为验证集。基于CT图像进行影像组学特征提取,采用LASSO模型进行特征选择,构建影像组学模型,并计算影像组学得分(Rad-score)。通过Logistic多元回归分析,以独立临床预测因素联合Rad-score构建综合模型,通过校正、ROC曲线、决策曲线评估模型效能。结果:从CT图像中共提取1409个组学特征,降维后获得7个最有鉴别价值的特征构建影像组学模型。该标签在训练集(AUC为0.890,95%CI:0.800~0.980)和验证集(AUC为0.860,95%CI:0.700~1.000)中均有较高的诊断效能。年龄和位于中轴骨两端是独立的临床预测因素。联合独立临床预测因素和Rad-score构建的综合模型,在训练集(AUC为0.970,95%CI:0.930~1.000)和验证集(AUC为0.920,95%CI:0.810~1.000)中均具有较高的诊断效能;训练集中,综合模型的AUC优于组学模型(Z=2.092,P=0.036)。决策曲线分析结果表明,综合模型较组学模型具有更高的临床净获益。结论:基于CT影像组学联合临床特征建立的综合模型术前鉴别中轴骨脊索瘤和骨巨细胞瘤具有较高的诊断效能,有助于临床决策。     

CT影像组学联合征象鉴别新型冠状病毒肺炎与其他病毒性肺炎的价值

目的:探讨基于CT影像征象联合影像组学模型鉴别新型冠状病毒肺炎（COVID-19）和其他病毒性肺炎的临床价值。方法:回顾性分析2015年3月至2020年3月云南省15家医院实时逆转录聚合酶链反应检测为病毒性肺炎并接受胸部CT扫描的181例患者的临床和影像资料。根据患者的病毒类型分为COVID-19组（89例）和非COV...     

Pancreatic ductal adenocarcinoma: a radiomics nomogram outperforms clinical model and TNM staging for survival estimation after curative resection

To identify a CT-based radiomics nomogram for survival prediction in patients with resected pancreatic ductal adenocarcinoma (PDAC). A total of 220 patients (training cohort n = 147; validation cohort n = 73) with PDAC were enrolled. A total of 300 radiomics features were extracted from CT images. And the least absolute shrinkage and selection operator algorithm were applied to select features and develop a radiomics score (Rad-score). The radiomics nomogram was constructed by multivariate regression analysis. Nomogram discrimination, calibration, and clinical usefulness were evaluated. The association of the Rad-score and recurrence pattern in PDAC was evaluated. The Rad-score was significantly associated with PDAC patient’s disease-free survival (DFS) and overall survival (OS) (both p < 0.001 in two cohorts). Incorporating the Rad-score into the radiomics nomogram resulted in better performance of the survival prediction than that of the clinical model and TNM staging system. In addition, the radiomics nomogram exhibited good discrimination, calibration, and clinical usefulness in both the training and validation cohorts. There was no association between the Rad-score and recurrence pattern. The radiomics nomogram integrating the Rad-score and clinical data provided better prognostic prediction in resected PDAC patients, which may hold great potential for guiding personalized care for these patients. The Rad-score was not a predictor of the recurrence pattern in resected PDAC patients. • The Rad-score developed by CT radiomics features was significantly associated with PDAC patients’ prognosis. • The radiomics nomogram integrating the Rad-score and clinical data has value to permit non-invasive, low-cost, and personalized evaluation of prognosis in PDAC patients. • The radiomics nomogram outperformed clinical model and the TNM staging system in terms of survival estimation.     

基于MRI征象及影像组学的列线图预测腮腺良性与恶性肿瘤的价值

目的建立并验证基于MRI征象和影像组学的列线图鉴别腮腺良性与恶性肿瘤的效能。方法回顾性收集2015年1月至2020年5月青岛大学附属医院86例经手术病理证实的腮腺肿瘤患者为训练集,收集2013年1月至2020年1月香港大学深圳医院35例患者为独立外部验证集。采用logistic回归基于临床及MRI征象建立临床诊断模型。基于术前平扫T1WI和预饱和脂肪抑制T2WI(fs-T2WI)进行影像组学特征提取,建立影像组学诊断模型。基于影像组学评分及临床诊断模型,通过logistic回归建立影像组学+临床联合诊断模型及列线图。采用受试者操作特征(ROC)曲线评价各模型诊断腮腺良性与恶性肿瘤的效能,ROC曲线下面积(AUC)的比较采用DeLong检验。结果Logistic回归结果显示,腮腺深叶受累(OR值为3.285,P=0.040)和周围组织结构侵犯(OR值为15.919,P=0.013)是腮腺恶性肿瘤的独立影响因素,将二者构建临床诊断模型。基于平扫T1WI和fs-T2WI,共提取19个特征构建影像组学诊断模型。联合影像组学评分以及腮腺深叶受累、周围组织结构侵犯2个常规影像学特征建立联合诊断模型及列线图。临床诊断模型、影像组学诊断模型、联合诊断模型在训练集和验证集中诊断腮腺良性与恶性肿瘤的AUC分别为0.758、0.951、0.953和0.752、0.941、0.964。在训练集和验证集中,影像组学诊断模型、联合诊断模型的AUC均高于临床诊断模型(训练集:Z=3.95、4.31,P均<0.001;验证集:Z=2.16、2.67,P=0.031、0.008),影像组学诊断模型、联合诊断模型间AUC差异无统计学意义(训练集:Z=0.39,P=0.697;验证集:Z=1.10,P=0.273)。结论本研究所建立的MRI影像组学模型以及由腮腺深叶受累、周围组织结构侵犯、MRI影像组学特征组成的联合诊断模型,能有效鉴别腮腺良恶性肿瘤,具有较高的预测效能。     

基于乳腺X线图像影像组学列线图对乳腺癌腋窝淋巴结转移的预测价值

目的:探讨基于乳腺X线图像影像组学列线图对乳腺癌腋窝淋巴结(ALN)转移的预测价值.方法:回顾性分析188例乳腺癌患者的乳腺X线图像和临床资料,按照7:3的比例将患者随机分割为训练组(n=130)和验证组(n=58).使用MaZda软件在乳腺X线图像内提取影像组学特征,应用方差选择法和最小绝对收缩与选择算子算法(LAS...     

基于MR早期动态增强的影像组学标签鉴别乳腺良恶性病变的价值

目的:探讨基于MR早期动态增强的影像组学标签鉴别乳腺良恶性病变的价值。方法:回顾性搜集通过乳腺动态对比增强MRI(DCE-MRI)检查,发现乳腺结节或肿块的144例患者(146个病变),146个病变按照样本量7:3随机抽样选取良性病变与恶性病变(102个作为训练组,44个作为验证组)。所有病例基于病变的三维图像对影像组学特征进行提取,然后采用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曲线对乳腺良恶性病变的诊断效能进行评价。结果:3个主要的影像组学特征与乳腺良恶性病变的鉴别诊断相关(P=0.0005)。建立的影像组学标签对鉴别乳腺良恶性病变具有较高的诊断效能,在训练组中的ROC曲线下面积(AUC)为0.909(95%CI:0.843~0.975),在验证组中的AUC为0.877(95%CI:0.743~1.000)。结论:基于MR早期动态增强构建的影像组学标签对乳腺良恶性病变具有较高的鉴别诊断效能,可辅助临床进行更精准的良恶性分层,为临床治疗方案的制订提供参考。     

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。     

基于CT影像组学列线图鉴别甲状腺良性与恶性滤泡性肿瘤的价值

目的探讨基于CT影像组学列线图鉴别甲状腺滤泡性肿瘤良生与恶性的价值。方法回顾性收集2016年1月至2018年12月复旦大学附属肿瘤医院经手术病理证实的200例甲状腺滤泡性肿瘤患者的临床资料及CT图像,其中甲状腺滤泡癌(FTC)46例、甲状腺滤泡腺瘤(FTA)154例。采用随机数表法随机分为训练集(n=140)和验证集(n=60)。采用LIFEx软件提取增强CT图像的48个影像组学特征。根据最小绝对收缩和选择算子回归进行特征降维、筛选及模型建立,在此基础上绘制列线图。利用受试者操作特征曲线及曲线下面积(AUC)评估列线图预测甲状腺良性与恶性滤泡性肿瘤的效能,通过校准曲线对列线图进行内部及外部验证,最后应用决策曲线分析评估列线图的临床应用价值。结果经筛选得到4种特征用于建立预测甲状腺良性与恶性滤泡性肿瘤的列线图,分别为灰度区域矩阵(GLZLM)-区域长度不均匀性、GLZLM-低灰度区域因子、传统指数-HU单元Q3值、传统指数-HU单元平均值。列线图在训练集中区分FTC和FTA的AUC为0.863(95%CI 0.746~0.932),准确度为87.9%,灵敏度为67.9%,特异度为91.1%;验证集中AUC为0.792(95%CI 0.658~0.917),准确度为75.0%,灵敏度为66.7%,特异度为90.5%。校正曲线结果显示列线图预测值与病理结果之间具有良好的一致性,决策曲线分析表明列线图在临床上具有良好的应用价值。结论CT影像组学模型对于鉴别甲状腺良性与恶性滤泡性肿瘤具有较好的效能,基于此的列线图可准确、直观地预测甲状腺滤泡性肿瘤患者的恶性概率。     

分层分析影像组学模型在肺腺癌诊断中的价值

目的:建立并验证可高效鉴别肺腺癌及其浸润程度的预测模型,并根据结节/肿块性质分层分析模型的预测效能.方法:回顾性分析本院2011年10月-2018年12月经病理证实的肺结节/肿块患者2105例.根据肿瘤性质,分为磨玻璃组(A组,1711例)和实性组(B组,394例),组内以2017年10月为界,分为训练集和测试集.收集...