MSCT征象及强化参数预测T1期肾透明细胞癌Fuhrman组织病理学分级

目的 探讨多层螺旋CT（MSCT）征象及强化参数预测T1期肾透明细胞癌 （ccRCC）的Fuhrman组织病理学分级。 方法 回顾性分析2014年1月至2021年3月于江苏大学附属昆山医院经术后组织病理学检查确诊为T1期ccRCC的66例患者的临床资料和影像学资料,其中男性40例、女性26例,年龄（58.3±14.9）岁。所有患者依据Fuhrman组织病理学分级,分为低级别组（Ⅰ~Ⅱ级）和高级别组（Ⅲ~Ⅳ级）,分析2组患者的MSCT平扫和增强图像,比较2组患者的MSCT征象及其强化参数的差异,分析观察指标的预测效能。符合正态分布的计量资料的组间比较采用t检验;计数资料的组间比较采用卡方检验或Fisher确切概率法;采用Kappa检验比较2名医师测量结果的一致性;以Fuhrman组织病理学分级为“金标准”,绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）;采用二元多因素Logistic回归分析评估影响ccRCC Fuhrman组织病理学分级的独立危险因素。 结果 2组患者的MSCT表现在肿瘤形态、内部结构（囊变、坏死）、分叶征、假包膜、包膜侵犯、肿瘤强化均匀度的差异均有统计学意义（Fisher确切概率法,χ2=8.800、7.830,均P<0.05）。低级别组患者皮髓质期病灶的CT值、CT差值、增强比值、增强指数均高于高级别组[（169.03±36.50） HU vs. （132.90±16.28） HU、（133.92±37.31） HU vs. （95.40±19.84） HU、4.09±1.61 vs. 2.79±1.09、1.45±1.13 vs. 0.91±0.81],且差异均有统计学意义（t=2.180~5.082,均P<0.05）,4项指标的AUC分别为0.849（95%CI:0.744~0.953,P<0.001）、0.848（95%CI:0.748~0.948,P<0.001）、0.741（95%CI:0.621~0.861,P<0.001）、0.757（95%CI:0.637~0.878,P<0.001）,最佳临界值分别为152.5 HU、120.5 HU、3.356、0.953,约登指数分别为0.739、0.655、0.439、0.478。多因素Logistic回归分析结果表明,假包膜是Fuhrman组织病理学分级的独立预测因素（OR=0.082,95%CI:0.007~0.908,P<0.05）。 结论 ccRCC患者平扫和增强MSCT图像的表现多样,结合皮髓质期肿瘤病灶CT值、CT差值、增强比值和增强指数,有助于预测Fuhrman组织病理学分级。其中,假包膜可以作为独立预测因素。     

基于CT平扫纹理分析的影像组学预测肾透明细胞癌WHO/ISUP分级的初步研究

目的探讨基于肾脏CT平扫图像纹理分析的影像组学模型在预测肾透明细胞癌(ccRCC)WHO/国际泌尿病理学会(ISUP)病理分级中的价值。方法回顾性分析2016年12月至2019年5月中国科学院大学附属肿瘤医院经手术病理证实且有明确病理分级的90例ccRCC患者,按照7∶3的比例将所有患者随机分为训练组(63例)及测试组(27例)。根据2016版WHO/ISUP分级标准,将Ⅰ、Ⅱ级归为低级别组(53例),Ⅲ、Ⅳ级归为高级别组(37例)。在CT平扫图像上逐层勾画肿瘤ROI,提取93个纹理特征,利用最小绝对收缩与选择算子(LASSO)回归对特征参数进行降维,并建立影像组学评分(Rad-score)。以病理分级结果为金标准,采用logistic回归构建ccRCC病理分级的预测模型。采用ROC曲线及校准曲线评价模型的诊断效能,计算曲线下面积(AUC)、敏感度、特异度和准确度。采用Hosmer-Lemeshow拟合优度检验评价模型的校准度。结果经降维和交叉验证后筛选出10个非零系数的纹理特征,根据这10个特征及其对应系数的线性加权形成预测ccRCC新病理分级的影像组学风险评分,并建立预测模型。该模型在训练组中的AUC值为0.933(95%CI 0.862~1.000),其判断WHO/ISUP分级高级别ccRCC的灵敏度为92.3%,特异度为89.2%,准确度为90.5%,校准曲线显示该模型的校准度较好(P=0.257)。在测试组中的AUC值为0.875(95%CI 0.734~1.000),灵敏度为72.7%,特异度为87.5%,准确度为81.5%,校准曲线显示该模型的校准度较好(P=0.125)。结论基于平扫CT纹理分析构建的影像组学预测模型对ccRCC WHO/ISUP病理分级的评估具有应用潜能。     

基于CT影像组学鉴别非小细胞肺癌纵隔转移性淋巴结的模型研究

目的建立不同CT扫描时相图像鉴别非小细胞肺癌(non-small cell lung cancer,NSCLC)纵隔淋巴结的影像组学模型,并探讨不同模型的诊断效能。方法回顾性分析86例NSCLC患者的术前CT图像,所有患者均行平扫期、动脉期和静脉期CT扫描。选取231枚纵隔淋巴结为研究对象,将2015年1月—2017年6月入组的163枚淋巴结作为训练组,2017年7月—2018年6月入组的68枚淋巴结作为验证组。分别在三时相图像上勾画感兴趣区域(regions of interest,ROI),每个ROI提取841个影像特征,使用LASSO算法筛选特征,基于各时相CT影像组学特征和两不同时相CT影像组学特征的差值建立模型。比较不同模型的受试者工作特征曲线(receiver operating characteristic,ROC)下面积(AUC值)、敏感性、特异性、准确度、阳性预测值和阴性预测值的差异。结果共建立6个模型,其AUC值均>0.800。平扫期CT模型具有最优的鉴别效能,其训练组的AUC值、特异性、准确度、阳性预测值分别为0.926、0.860、0.871、0.906,验证组的AUC值、特异性、准确度、阳性预测值分别为0.925、0.769、0.882、0.870,均高于其他模型。平扫和静脉期CT图像联合动脉期CT图像之后,训练组的敏感性、阴性预测值分别从0.879、0.821和0.919、0.789提高到0.949、0.878和0.979、0.900。结论CT各时相影像组学模型均可用于辅助临床诊断淋巴结。平扫CT影像组学模型的AUC值最高,而联合动脉期CT图像可提高模型的敏感度及阴性预测值。     

基于胰腺周围脂肪间隙CT影像组学预测早期急性胰腺炎进展的价值

【摘要】目的：探讨基于胰周脂肪间隙CT影像组学预测早期急性胰腺炎（AP）进展的价值。方法：回顾性分析123例根据新修订的亚特兰大分类诊断为AP的患者（进展组39例,非进展组84例）,所有患者均接受腹部平扫及增强CT扫描。采用完全随机方法将患者按7:3的比例分为训练组和验证组。对各期手动勾画距炎症胰腺前缘3～5mm范围的单层感兴趣区（ROI）,采用AK软件提取CT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）回归分析对纹理特征降维、建立影像组学标签,并运用100次留组交叉验证（LGOCV）对模型的可靠性进行验证。将临床资料、CT特征及影像组学标签采用多因素Logistic回归分析建立影像组学模型。利用受试者工作特征（ROC）曲线评价模型的预测效能,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、平扫序列影像组学标签、联合序列影像组学标签、平扫序列个性化模型及联合序列个性化模型在训练组中的AUC分别为0.70、0.94、0.94、0.94及0.97,在验证组中的AUC分别为0.83、0.95、0.96、0.99、0.98。DCA显示平扫、联合序列影像组学标签及平扫、联合序列个性化模型均具有较好的净收益。结论：基于胰周脂肪间隙CT影像组学模型预测早期AP患者病情进展具有较高的诊断效能,明显优于临床模型,平扫序列影像组学标签简便有效,是有潜在应用前景的生物标志物。     

4D-CT影像组学模型鉴别甲状旁腺良性病变与淋巴结的应用初探

【摘要】目的：探讨基于4D-CT扫描的建立影像组学模型对甲状旁腺腺瘤或增生与颈部淋巴结的鉴别诊断价值。方法：回顾性将80例行术前4D-CT平扫和多期增强扫描且经手术病理证实的甲状旁腺腺瘤或增生患者纳入本研究。在甲状旁腺结节及同侧颈部II区淋巴结内逐层手动勾画感兴趣区,获得其容积感兴趣区（VOI）,基于平扫期、动脉期、静脉期和延迟期图像,各提取1262个影像组学特征。在每个单独期相或其组合的基础上,特征选择基于L1-based方法,采用L1正则化的Logistic回归分析分别建立相应的影像组学模型,并进行10折交叉验证。采用ROC曲线下面积（AUC）、敏感性和特异性评价各模型的鉴别诊断效能。结果：分别基于平扫期、动脉期、静脉期、延迟期、平扫+动脉期、平扫+动脉+静脉期及平扫+动脉+静脉+延迟期图像建立7个影像组学模型,各模型鉴别甲状旁腺腺瘤或增生与颈部淋巴结的诊断效能均较高（训练组AUC为0.949~0.962,验证组为0.869~0.904）。在验证集中,基于静脉期的影像组学模型的AUC最大（0.904）,相应的鉴别诊断敏感度为0.886、特异度为0.785、符合率为0.835。结论：基于4D-CT平扫和多期增强扫描建立的影像组学模型对鉴别甲状旁腺腺瘤或增生与颈部淋巴结的准确性较高,其中以基于静脉期图像的影像组学模型的诊断效能最佳。     

双能量CT电子云密度/等效原子系数(Rho/Z)在小肾癌中的应用

【摘要】目的：探讨双能量CT电子云密度/等效原子系数（Rho/Z）鉴别小肾癌(1~4cm)中肾透明细胞癌（ccRCC）和非透明细胞癌（nccRCC）的价值。方法：回顾性收集2012年1月-2016年10月行术前双能量CT增强扫描的87例肾细胞癌患者，其中ccRCC 70例，nccRCC 17例。选取增强扫描皮髓质期图像，并应用双能量CT Rho/Z对所有图像进行评估，记录Z、Rho和双能量指数（DEI）值。比较Z、Rho和DEI值在ccRCC和nccRCC组间的差异，采用受试者工作特征（ROC）曲线分析各参数的鉴别诊断效能。结果：Z和DEI在ccRCC和nccRCC组间均具有统计学差异（P均<0.001）。在ccRCC和nccRCC的鉴别诊断中，Z的最佳诊断阈值为9.69，总体正确率为88.5%,敏感度为94.1%，特异度为87.1%，ROC曲线下面积（AUC）为0.955；DEI的最佳诊断阈值为0.044，总体正确率为83.9%，敏感度为100%，特异度为80%，AUC为0.953。结论：在增强扫描皮髓质期中，双能量CT的Rho/Z应用中的参数有助于小肾癌(1~4cm)中ccRCC和nccRCC的鉴别。     

CT定量分析对肾脏乏脂血管平滑肌脂肪瘤与肾透明细胞癌的鉴别诊断

【摘要】目的：探讨CT定量分析对肾脏乏脂血管平滑肌脂肪瘤（mfAML）与肾透明细胞癌 （ccRCC）的鉴别诊断价值。方法：搜集经病理证实的60例ccRCC患者和33例mfAML患者的CT影像资料。分别测量肾肿瘤病灶实质部分及同侧肾皮质的四期CT值。对比两组病灶的平扫CT值及强化方式的差异,对不同强化模式下两组病灶的三期增强CT值、绝对强化CT值及相对强化幅度分别进行定量分析。结果：mfAML组肿瘤实质平扫CT值较ccRCC组高,差异有统计学意义（P＜0.001）,且当平扫CT值取43HU为阈值时,鉴别二者的敏感度达93.3%。增强扫描后mfAML与ccRCC大部分均表现为“快进快出”型强化,差异无统计学意义（χ2=4.358,P=0.085）。“快进快出强化”型及“持续强化”型ccRCC组肿瘤三期增强CT值、三期绝对强化CT值及三期相对强化幅度均高于mfAML组,差异均有统计学意义（P＜0.05）。且当“快进快出型”病灶排泄期相对强化幅度取0.40为阈值、“持续强化”型病灶皮髓质期相对强化幅度取0.40为阈值时,鉴别mfAML组与ccRCC组的敏感度分别达91.5%、100%。结论：平扫时CT值＞43HU、“快进快出型”病灶排泄期相对强化幅度、“持续强化”型病灶皮髓质期相对强化幅度＜0.40诊断肿瘤为mfAML时有较高诊断价值。     

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。     

基于CT图像的深度学习模型鉴别良恶性肾肿瘤

目的:探讨基于CT图像的深度学习模型对肾脏良、恶性肿瘤的鉴别诊断价值。方法:回顾性搜集2008-2020年经病理证实且符合本研究要求的798位患者(共805例肾肿瘤)的临床和三期(平扫、皮髓质期和实质期)腹部CT影像资料。其中,来自本院的418例肾癌和78例肾良性肿瘤的资料用于建立影像组学模型和内部验证,来自另外两个研究中心和一个公共数据库(癌症医学图像数据库TCIA)的262例肾癌和47例肾良性肿瘤的资料作为独立外部验证集。使用ITK-SNAP3.6.0软件,在三期CT图像中选择肿瘤边缘显示较清楚的一期图像,选取肿瘤最大层面及其上、下相邻层面,沿病灶边缘手动勾画ROI,再通过软件的空间调整技术,使另外两期CT图像上肿瘤的边缘与勾画的ROI的边缘最大程度地拟合。使用ResNet50网络中的卷积核作为特征提取器,分别提取3期图像上肾肿瘤的影像组学特征,并采用Mann-Whitney U检验进行特征的筛选。对于同一肾肿瘤,分别建立基于单期和3期CT图像的深度学习模型,并对各模型的预测效能进行外部验证。随后,将训练集中良、恶性肿瘤组的样本数按3种比例(1∶1、1∶2、1∶3)进行设置,分别用...     

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。     

基于增强CT影像组学在鉴别肾嫌色细胞癌与肾嗜酸细胞腺瘤中的应用价值

目的:探讨基于增强CT影像组学在鉴别肾嫌色细胞癌(CRCC)与肾嗜酸细胞腺瘤(RO)中的应用价值。方法:搜集经病理证实且具有完整CT三期增强图像的56例肾占位患者,包括35例CRCC与21例RO患者(35个CRCC病灶和23个RO病灶)。为建立稳定的LASSO模型,通过获得每个病灶每期2个或3个不同层面的轴面图像(CRCC 2个,RO3个),将数据增加到每期总共139个。每期每个病灶所选择的轴面图像由两位放射科医师协商后利用ITK-Snap软件共同勾画兴趣区(ROI)。使用mRMR去除训练集中冗余和无关的特征,并通过LASSO选择最优的特征子集来构建最终的模型。将所选特征的加权系数相加计算Radscore,并分别对训练组和验证组CRCC和RO的Radscore进行比较。使用ROC曲线评价模型的鉴别诊断效能。结果:增强三期整合影像组学模型的分类效能高于各期相模型的分类效能,皮髓质期、实质期、排泄期模型鉴别CRCC与RO的AUC值分别为0.82、0.80和0.78。三期整合模型的AUC值为:训练集0.84,验证集0.84;训练集的敏感度与特异度分别为67.3%、87.8%,验证集分别为80.0%、85.7%。各模型间的AUC差异无统计学意义(P>0.05)。结论:基于增强CT影像组学可能是鉴别CRCC与RO的一种可行而有潜力的方法。     

基于CT影像组学模型术前预测喉癌淋巴结转移

【摘要】目的：研究CT影像组学在术前预测喉癌患者淋巴结转移中的价值。方法：搜集本院304例经手术病理证实为喉癌患者的影像学资料,随机选择243例及61例分别作为训练集和验证集。从术前静脉期CT图像中手工勾画肿瘤体积并提取影像组学特征。在训练集中,采用LASSO回归进行特征筛选,使用Logistic回归分别构建影像组学模型、形态学模型及二者联合模型。利用受试者工作特征（ROC）曲线评价各个模型的预测效能,并对模型的ROC曲线行Delong检验。在验证集中评估各种模型的诊断效能。结果：最后获得5个影像组学特征。在训练集中,影像组学模型ROC曲线下面积（AUC）为0.85（95%CI：0.77~0.93）,形态学模型AUC为0.66（95%CI：0.59~0.72）,联合模型AUC为0.82（95%CI：0.74~0.91）;在验证集中,影像组学模型AUC为0.83（95%CI：0.69~0.97）,形态学模型AUC为0.59（95%CI：0.40~0.77）,联合模型AUC为0.73（95%CI：0.56~0.91）。Delong检验显示影像组学模型与形态学模型差异、联合模型与形态学模型差异均有统计学意义（P＜0.05）,而联合模型与影像组模型差异无统计学意义（P＞0.05）。结论：基于病灶为兴趣区的CT影像组学模型可以术前较好地预测喉癌淋巴结转移,其诊断效能高于形态学模型。     

基于CT影像组学列线图鉴别甲状腺乳头状癌与结节性甲状腺肿的价值

目的 探讨基于CT影像组学列线图鉴别诊断甲状腺乳头状癌(PTC)与结节性甲状腺肿(NG)的临床价值。方法 回顾性分析经病理证实的甲状腺结节患者的临床资料及CT图像。术前2周内行CT平扫及增强扫描；PTC 113例，NG 119例；以7∶3的比例随机分层抽样划分成训练集(n=162)和测试集(n=70)。从CT平扫及双期增强图像中提取甲状腺结节相关征象和影像组学特征，通过临床影像征象和影像组学特征筛选，训练集与测试集均构建4个独立模型并计算影像组学评分，基于影像组学评分和临床模型构建联合模型，并基于联合模型绘制列线图。通过受试者工作特征曲线、曲线下面积(AUC)、连续净重分类改善度(NRI)及综合判别改善度(IDI)等多个指标评估各模型对PTC与NG的鉴别诊断效能，利用校准曲线直观的评估列线图的可靠性与准确性，使用决策曲线评估列线图的临床实用价值。结果 平扫、动脉期、静脉期分别保留了6、4、3个影像组学特征，分别构建单期相影像组学模型。单期相中，平扫模型鉴别诊断效能最优，6个独立预测因子用于构建临床模型，基于联合模型的列线图对PTC与NG具有最高的鉴别诊断效能(训练集：AUC为0.980...     

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。     

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...     

预测肾透明细胞癌病理分级的影像基因组学研究

目的 探究CT影像组学特征与mRNA的关联性,说明CT影像组学模型预测肾透明细胞癌(ccRCC)病理分级的潜在基因组学机制。方法 利用影像组学分析队列筛选影像组学特征并构建影像组学模型预测肾癌病理分级。利用基因组学分析队列识别病理分级相关基因模块,筛选前30个关键节点(Hub)基因并使用Hub基因构建基因模型预测病理分级,将结果映射至影像基因组学拓展队列并将基因与影像组学特征关联。结果 筛选出4个与病理分级相关的影像组学特征,其构建的支持向量机模型在测试集中曲线下面积为0.938。WGCNA分析得到5个基因模块与病理分级相关,影像基因组学分析发现5个基因模块中有271个基因相关,332个基因与组学特征不相关,前30个Hub基因有8个与影像组学特征相关,22个Hub基因不相关,两者所富集的通路不一致。从30个Hub基因筛选得到的5个Hub基因组成的逻辑回归基因模型在测试集中预测效能为0.736,用于构建模型的5个基因中有2个基因与影像组学特征相关,3个基因与影像组学特征不相关。结论 CT影像组学模型较基于mRNA构建的基因模型的预测效能高。CT影像组学特征与病理分级相关的mRNA之间的关...     

基于CT动脉期图像构建预测肾透明细胞癌分级人工智能模型及其效能分析

目的探讨构建一种基于增强CT动脉期的人工智能预测模型,以实现术前对高级别(Fuhrman III～IV)及低级别(Fuhrman I～II)肾透明细胞癌(ccRCC)的分级。方法回顾性分析了121例cc RCC患者(高级别=47例,低级别=74例)的增强CT图像。两位放射科医师合作在每个患者的CT图像上绘制了整个肿瘤的轮廓,并由软件自动形成肿瘤的3D-VOI。从VOIs中提取了6种特征。基于这些特征建立了Logistic Regression(LR)模型。结果在训练集中,LR模型的敏感性和特异性分别为85.42%和86.30%,AUC为0.9238。在验证集中,模型的敏感性和特异性分别为81.25%和84.93%,AUC为0.8987。结论基于增强CT的人工智能预测模型有助于术前预测高、低级别ccRCC。     

CT影像组学联合炎症指标构建逻辑回归模型预测食管鳞癌新辅助化疗疗效

【摘要】目的：探究基于CT影像组学联合血液学炎症指标构建逻辑回归模型预测食管鳞癌新辅助化疗（NAC）疗效的可行性。方法：回顾性分析两家医院经病理证实的54例食管鳞癌患者在术前规范化NAC前、后两次胸部CT增强图像及NAC前一周内的血液学炎症指标检测结果。测量治疗前、后病灶的最长径,计算其变化率,并根据实体肿瘤疗效评价标准（RECIST 1.1）,将患者分为NAC有效组（30例）及无效组（24例）。采用独立样本t检验或Mann-Whitney U检验筛选血液学炎症指标中与疗效相关的因素。在患者治疗前静脉期图像上沿肿瘤边界逐层手工勾画ROI,最终生成三维感兴趣区（VOI）并提取其影像组学特征,使用最小冗余最大相关及Boruta工具包进行特征筛选并构建影像组学标签。分别建立影像组学特征、血液学炎症指标、影像组学标签联合血液学炎症指标的逻辑回归模型,采用混淆矩阵和ROC曲线分析模型对NAC疗效的预测效能,采用DCA曲线评估其临床实用价值。结果：外周血淋巴细胞计数及淋巴细胞数与单核细胞数的比值被纳入炎症指标模型。于治疗前静脉期图像上共提取了1168个组学特征,经降维后共筛选出5个影像组学特征（wavelet-HLL_gldm_DependenceEntropy、wavelet-HHL_gldm_LargeDependenceLowGrayLevelEmphasis、wavelet-HHH_glrlm_HighGrayLevelRunEmphasis、wavelet-HHH_glrlm_LowGrayLevelRunEmphasis和wavelet-HLL_glszm_ZoneEntropy）用于构建影像组学标签。基于影像组学、血液学炎症指标以及联合模型预测NAC疗效的的AUC分别为0.77、0.72和0.80。结论：基于新辅助化疗前的增强CT影像组学及血液学炎症指标特征构建的预测模型可较好的预测食管鳞癌患者新辅助化疗疗效,以联合模型的效能最优,可为临床制订个性化治疗方案提供参考。     

基于增强 CT 影像组学模型在鉴别良恶性小肾肿瘤的价值

目的 探讨增强CT影像组学模型鉴别良恶性小肾肿瘤(直径≤4 cm)的价值。方法 选取经病理证实为恶性小肾肿瘤患者151例，良性小肾肿瘤患者49例。采用分层抽样方法将200例患者按照7∶3比例随机划分为训练集140例及验证集60例，分别于肾皮髓质期、实质期及排泄期逐层手动勾画感兴趣区(ROI),提取影像组学特征。采用最小绝对收缩和选择算法(LASSO)进行降维，建立单独期相模型和联合期相模型共7个模型：1)皮髓质期；2)实质期；3)排泄期；4)皮髓质期-实质期；5)皮髓质期-排泄期；6)实质期-排泄期；7)三期联合模型。通过绘制受试者工作特征曲线(ROC)及曲线下面积(AUC)评估模型的诊断效能。使用De-Long检验比较不同模型间的效能差异。结果 三期联合模型的鉴别效能(训练集AUC为0.931;验证集AUC为0.870)高于两两联合模型和单独期相模型，差异有统计学意义(P<0.05);皮髓质期-实质期模型的鉴别效能(训练集AUC为0.913,验证集AUC为0.832)高于皮质期-排泄期模型、实质期-排泄期模型和单独期相模型，差异有统计学意义(P<0.05)。单独期相模型中...