基于增强CT影像组学评分和临床分期的列线图预测胃癌脉管浸润的价值

目的 探讨基于增强CT影像组学评分（Radscore）和TNM分期的列线图预测胃癌脉管浸润（LVI）的价值。 方法 回顾性收集160例术前行上腹部CT增强检查且行术后胃癌LVI状态评估的病人,男109例,女51例,平均年龄（62.23±10.74）岁。160例病人（包括LVI阴性者92例,阳性者68例）按照7∶3比例随机分为训练集（112例）和测试集（48例）;其中,训练集中LVI阴性者60例、阳性者52例,测试集中LVI阴性者32例、阳性者16例。基于增强CT影像提取并筛选影像组学特征,建立影像组学标签并计算Radscore。采用t检验、Mann-Whitney U检验、卡方检验或Kruskal-Wallis H 检验比较LVI阳性组和阴性组间临床病理特征[病人性别、年龄、肿瘤直径、TNM分期、AJCC分期、肿瘤分化程度及癌胚抗原（CEA）、糖类抗原199（CA199）]的差异,将差异有统计学意义的特征和影像组学标签纳入多因素logistic回归,建立临床影像联合模型和列线图。采用受试者操作特征（ROC）曲线评估影像组学模型和列线图的预测效能并计算相应的曲线下面积（AUC）。采用决策曲线评价影像组学模型和列线图的临床净获益。分别基于训练集及测试集中的数据绘制校准曲线对列线图进行验证。 结果 LVI阳性组和阴性组间肿瘤T分期、N分期、AJCC分期的差异均有统计学意义（均P<0.05）,且LVI阳性组的Radscore高于阴性组（P<0.05）。在测试集中,基于T分期、N分期、AJCC分期和Radscore的临床影像联合模型预测LVI的AUC值、准确度和特异度较影像组学模型分别提高了8.2%、18.2%和21.9%。决策曲线分析显示应用联合模型的临床净获益优于影像组学模型。联合模型的列线图显示Radscore得分最高,其次是AJCC分期,最后是N分期和T分期。训练集和测试集中的校准曲线显示列线图的预测结果与真实结果具有较好的一致性。 结论 联合T分期、N分期、AJCC分期和增强CT的Radscore建立的列线图能够成功预测胃癌LVI。     

联合CT影像组学与深度学习特征建立列线图预测食管鳞癌放疗近期疗效

目的:探讨基于CT影像组学特征与深度学习特征建立列线图对食管癌放疗近期疗效的预测价值。方法:回顾性分析137例食管鳞癌患者的临床及影像资料。从CT图像中提取影像组学特征和深度学习特征。通过最小绝对收缩和选择算子方法分别对影像组学特征和深度学习特征进行降维并计算得到影像组学得分(Radscore)和深度学习得分(Deepscore)。采用多因素logistic回归分析建立预测模型,并绘制列线图。对列线图的校准度、诊断效能和临床价值进行评价。结果:筛选得到6个影像组学特征参与计算Radscore, 6个深度学习特征参与计算Deepscore。多因素logistic回归结果显示Radscore、Deepscore、TNM分期为联合模型的独立预测因子。联合预测模型在训练集中预测食管鳞癌患者放疗近期疗效的曲线下面积(AUC)为0.904,高于临床模型(AUC=0.662)和影像组学模型(AUC=0.814),且AUC差异均有统计学意义(P<0.001、P=0.004)。验证集中联合模型的AUC为0.938,高于临床模型(AUC=0.644)和影像组学模型(AUC=0.852),联合模型与临...     

基于增强CT影像组学列线图预测单发肝细胞癌GPC3表达状态

目的 探讨增强CT影像组学列线图在鉴别单发肝细胞癌（HCC）磷脂酰肌醇蛋白聚糖3（GPC3）表达中的价值。方法 回顾性收集来自2个医疗机构共152例单发HCC病人的临床及影像资料,所有病人均行上腹部增强CT扫描并记录GPC3表达水平。天津市第一中心医院的106例病人资料作为训练集（GPC3阳性83例、阴性23例）,天津医科大学肿瘤医院的46例病人资料作为验证集（GPC3阳性35例、阴性11例）。对所有病人术前1个月内增强CT影像进行影像组学特征提取。在训练集中,对所有影像组学特征进行降维并得到最优子集,计算影像组学评分（Radscore）;比较GPC3阳性组和阴性组间临床资料[包括血清甲胎蛋白（AFP）、糖类抗原199（CA199）等]的差异,将差异有统计学意义的指标进行二元logistic回归分析,获得GPC3阳性的独立预测因素。将获得的临床信息及Radscore分别建立临床列线图、影像组学列线图及联合列线图。采用受试者操作特征曲线下面积（AUC）分析各列线图对GPC3表达状态的预测能力,采用DeLong检验比较各列线图间的诊断效能,并用决策曲线分析评估列线图的临床价值。使用验证集数据对列线图预测效能进行验证。结果 二元logistic回归显示血清AFP、CA199、Radscore是GPC3阳性的独立危险因素[优势比（OR）分别为8.503、1.090、13 300.044,均P<0.05]。校准曲线显示联合列线图对GPC3阳性表达的预测概率与实际概率一致性良好。训练集中,联合列线图的AUC（0.918）高于影像组学列线图（0.842）和临床列线图（0.787）（均P<0.05）,联合列线图的敏感度最高,而临床列线图的特异度最高;验证集中,联合列线图的AUC（0.896）高于影像组学列线图（0.726）和临床列线图（0.803）（均P<0.05）,联合列线图的敏感度和特异度均最高。决策曲线分析显示当阈值概率处于16%~86%时,联合列线图的临床净获益高于临床列线图和影像组学列线图。结论 基于增强CT的影像组学列线图可以术前鉴别单发HCC GPC3阳性和阴性表达,联合列线图进一步提高了预测效能。     

CT影像组学模型及深度学习技术预测肺腺癌EGFR突变

【摘要】目的：探讨基于CT图像建立的影像组学模型及深度学习模型在预测肺腺癌表皮生长因子受体（EGFR）突变中的价值。方法：回顾性分析228例经手术病理证实的肺腺癌患者的CT图像,其中EGFR突变型116例,野生型112例。由两位放射科医师各自独立在CT图像上沿肺癌病灶边缘手动逐层勾画感兴趣区（ROI）获得病灶全容积ROI后提取影像组学特征。比较两位医师提取的影像组学特征的一致性,自高年资医师提取的特征中选取组内相关系数大于0.7的影像组学特征纳入研究。分别按照70%和30%的比例将所有病灶随机划分为训练集和验证集。在训练集中利用LASSO回归方法对影像组学特征进行筛选后,分别建立影像组学评分（Radscore）、随机森林（RF）和支持向量机（SVM）三种影像组学模型。此外,将训练集图像输入ResNet深度学习网络中建立深度学习模型。在验证集中对上述4个模型进行验证,计算敏感度、特异度和ROC曲线下面积（AUC）来评价不同模型的预测效能。结果：自CT图像中共提取了306个一致性良好的影像组学特征,经筛选后获得9个最佳特征用于建立影像组学模型。在验证集中,SVM模型的AUC（0.813）高于Radscore（0.761）和RF模型（0.775）,但差异无统计学意义（P=0.089和0.330）;ResNet模型的AUC为0.916,高于SVM模型（0.813）、Radscore（0.761）和RF模型（0.775）。ResNet模型与Radscore和RF模型间AUC的差异具有统计学意义（P=0.031和0.043）,与SVM模型间AUC的差异无统计学意义（P=0.106）。ResNet模型的敏感度为0.879,高于SVM模型（0.771）、Radscore（0.818）和RF模型（0.743）。ResNet模型的特异度为0.914,高于SVM模型（0.758）、Radscore（0.714）和RF模型（0.727）。结论：基于CT图像的影像组学模型能够较好地预测EGFR基因突变,深度学习技术可以有效提高模型的预测准确性。     

动态对比增强磁共振成像影像组学评估胶质瘤异柠檬酸脱氢酶1突变与微血管生成

【摘要】目的：探讨动态对比增强磁共振成像（DCE-MRI）影像组学在评估胶质瘤异柠檬酸脱氢酶1（IDH1）突变与微血管生成中的应用价值。方法：回顾性分析105例经病理证实的胶质瘤患者,按7:3分为训练组和验证组,采用3DSlicer软件半自动勾画感兴趣区,依次从T1WI,T2FLAIR,ADC,容积转运常数（Ktrans）及血管外细胞外容积比（Ve）图像中提取影像组学特征。利用最小绝对收缩和选择算子算法进行特征选择并计算影像组学评分（Radscore）,基于筛选出的影像组学特征构建预测胶质瘤IDH1突变的支持向量机模型。对纳入的临床放射学特征进行逻辑回归分析,结合Radscore建立综合列线图。应用免疫组化检测胶质瘤IDH1基因分型、血管内皮生长因子（VEGF）表达、CD105阳性标记的微血管密度（CD105-MVD）。采用受试者工作特征（ROC）曲线评价模型的诊断效能。采用Spearman相关性检验分析Radscore与VEGF表达、CD105-MVD的相关性。P<0.05为差异具有统计学意义。结果:Ktrans与Ve联合模型评估胶质瘤IDH1突变训练组AUC=0.889,验证组0.890;综合列线图训练组AUC=0.938,验证组0.914。各模型的Radscore与VEGF表达、CD105-MVD均呈负相关,其中联合模型的相关性最高（r=-0.570,P<0.001;r=-0.665,P<0.001）。结论:DCE-MRI影像组学可有效评估胶质瘤IDH1突变,且在分析胶质瘤IDH1突变与血管生成相关性方面具有重要临床价值。     

基于乳腺动态增强MRI的delta影像组学预测乳腺癌新辅助治疗后病理完全缓解的价值

目的探讨基于乳腺动态增强MRI(DCE-MRI)纵向变化的delta影像组学在预测乳腺癌新辅助治疗(NAT)后病理完全缓解(pCR)的价值。方法回顾性分析2019年4月至2021年11月江西省肿瘤医院经手术病理证实为原发性浸润性乳腺癌患者117例的临床及影像资料。患者均为女性, 年龄23～74(48±10)岁, 按照软件中的随机种子数以7∶3比例分成训练集(81例)与测试集(36例)。所有患者均在NAT前、NAT早期(2个疗程)后接受乳腺DCE-MRI, 计算肿瘤NAT前、后最大径相对退缩值(D%), 并构建传统影像模型。基于NAT前、早期DCE-MRI提取delta影像组学特征, 通过冗余性分析、最小绝对收缩与选择算子算法筛选最优特征参数, 以10折交叉验证法构建delta影像组学模型并计算影像组学分数(Radscore)。根据NAT后手术病理结果将117例患者分为pCR组与非pCR(non-pCR)组, 单因素分析两组差异有统计学意义的临床病理指标并通过逐步回归法筛选最终的指标, 并联合D%、Radscore构建联合模型及列线图。采用受试者操作特征曲线及曲线下面积(AUC)评价模型...     

基于MRI影像组学模型与临床模型预测乳腺癌新辅助化疗病理完全缓解效能分析

目的 比较基于动态增强磁共振成像（DCE-MRI）、表观扩散系数（ADC）图的影像组学模型以及基于临床特征模型预测乳腺癌新辅助化疗(NAC)病理完全缓解（PCR）的效能。 方法 回顾性收集91例行乳腺癌NAC并有疗效病理评估结果的女性病人,平均年龄（48.45±9.49）岁。将91例病人按照7∶3比例分为训练组（63例）和验证组（28例）。2组均进行NAC疗效病理评估,训练组中PCR者16例、病理部分缓解（PPR）者47例,验证组中PCR者7例、PPR者21例。所有病人均在NAC前行DCE-MRI和扩散加权成像（DWI）检查。采用单因素Logistic回归对病人年龄、雌激素受体（ER）、孕激素受体（PR）、人表皮生长因子受体2（HER-2）、肿瘤增殖细胞核抗原（Ki-67）表达状态进行分析,然后基于有统计学意义的临床特征建立临床模型。提取并筛选影像组学特征,采用多元Logistic回归构建DCE模型和ADC模型,计算相应模型影像组学评分（DCE-Radscore和ADC-Radscore）。采用t检验、卡方检验或Fisher确切概率检验比较训练组和验证组中PCR者和PPR者间的临床特征和影像组学评分。采用受试者操作特征（ROC）曲线评估模型的预测效能,并计算其敏感度、特异度和曲线下面积（AUC）。采用决策曲线评估模型的临床应用价值。 结果 训练组中,PCR者的ER、PR阴性率、DCE-Radscore均高于PPR者（均P<0.05）,并在验证组中得到验证（P<0.05）。训练组中PCR者的ADC-Radscore高于PPR者（P<0.05）,但未得到验证组验证（P>0.05）。训练组中,临床模型预测PCR的AUC值（0.823）及敏感度（0.875）最高,其次是ADC模型,DCE模型最低（AUC为0.750,敏感度为0.688）。验证组中,临床模型预测PCR的AUC值最高（0.793）而敏感度（0.571）最低,ADC模型AUC（0.639）最低但敏感度(1.000)最高。决策曲线分析显示应用临床模型具有最大的净获益,其次是ADC模型,DCE模型最低。 结论 ADC模型、DCE模型和临床模型均能预测PCR,其中临床模型预测效能和净获益最高。     

治疗前18F-FDG PET/CT影像组学特征在弥漫大B细胞淋巴瘤预后评估中的增益作用

目的 探讨治疗前¹⁸F-FDG PET/CT影像组学特征对弥漫大B细胞淋巴瘤(DLBCL)患者无进展生存期(PFS)及总生存期(OS)的预后评估。资料与方法 回顾性收集2016年1月—2018年12月解放军总医院第一医学中心经病理证实为DLBCL且治疗前行¹⁸F-FDG PET/CT的135例患者,以8∶2随机分为训练集和测试集,再以8∶2将训练集分为训练集和验证集进行模型构建。半自动勾画患者淋巴瘤病灶作为感兴趣区并提取特征,利用单因素COX及最小绝对收缩选择算子回归进行特征筛选,获得系数非零的影像组学特征并用其权重系数计算每例患者的影像组学得分(Radscore),分析Radscore对PFS和OS的预测价值。使用传统预后指标(代谢参数和临床因素)、Radscore及两者联合分别建立3种模型。通过C-index、时间依赖的受试者工作特征曲线、决策曲线评估各模型预测效能。最后基于最佳模型绘制列线图,利用校准曲线验证列线图效能。结果 联合模型对3、5年PFS及OS预测效能优于传统预后指标模型和Radscore模型(Z=0.962 1～2.253...     

MRI影像组学无创预测脑胶质母细胞瘤MGMT启动子甲基化状态的价值

【摘要】目的：探讨MRI影像组学模型术前预测脑胶质母细胞瘤（GBM）O6-甲基鸟嘌呤-DNA甲基转移酶启动子甲基化（MGMT-PM）状态的价值。方法：回顾性分析2018年1月－2021年10月在本院经病理证实的130例脑GBM患者的临床资料和MRI图像（ADC和对比增强3D-T1WI）。其中,MGMT-PM阳性组（PM率≥8%）58例,MGMT-PM阴性组（PM率<8%）72例。按7:3的比例将所有患者随机分为训练集（91例）和验证集（39例）。由2位放射科医师独立在ADC和CE-3D-T1WI图像上逐层勾画ROI,获得病灶的全域容积感兴趣区（VOI）,分别提取851个组学特征。然后,采用最小绝对收缩和选择算法（LASSO）进行特征降维,将保留下来的特征与其对应的系数进行线性组合,构建影像组学模型并计算每例患者的影像组学评分（Radscore）,得到RadscoreADC、RadscoreCE-T1WI和Radscore联合三组评分。采用ROC曲线评估各组学模型的诊断效能,将最优模型的Radscore和临床特征（年龄、性别）纳入logistic回归分析构建预测MGMT-PM状态的临床-组学综合模型,并绘制其诺模图。采用ROC曲线评价综合模型的预测效能,并采用校准曲线和决策曲线分别评估此模型的校准度和临床实用价值。结果：在训练集中,Radscore联合预测MGMT-PM状态的AUC为0.872,优于单一序列（RadscoreADC：AUC=0.798,P<0.05;RadscoreCE-T1WI：AUC=0.840,P<0.05）;在验证集中得到了一致的结论。在影像组学模型中加入临床特征后,可提高预测效能,临床-组学综合模型的AUC、敏感度和特异度分别为0.904、92.50%和78.43%。校准曲线显示临床-组学综合预测模型在训练集和验证集中预测概率与实际概率之间的差异均无统计学意义（P=0.051、0.284）。决策曲线分析表明综合预测模型具有一定的临床实用价值。结论：MRI影像组学模型有助于术前无创性预测GBM的MGMT启动子甲基化状态,多序列结合及引入临床特征能提高模型的预测效能。     

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。     

基于T2WI和增强MRI影像组学列线图预测宫颈鳞癌淋巴脉管间隙浸润

目的:探讨基于T₂WI和增强MRI影像组学列线图对宫颈鳞癌淋巴脉管间隙浸润(LVSI)的预测价值。方法:将92例经术后病理证实的宫颈鳞癌患者纳入研究,并按7:3的比例随机分为训练集(66例)和验证集(26例)。所有患者术前行MRI检查,在横轴面T₂WI和对比增强T₁WI(T1CE)上选取病灶最大层面沿肿瘤边缘勾画ROI,应用AK软件提取影像组学特征。采用mRMR和LASSO回归分析对提取的纹理特征进行初步筛选,然后进行多因素logistic回归分析,构建影像组学模型。使用单因素logistic回归分析筛选临床病理危险因素,并使用多因素logistic回归结合影像组学评分(Radscore)构建影像组学列线图。应用ROC曲线评估影像组学模型、临床病理危险因素模型和影像组学列线图模型的预测能力,并应用决策曲线分析评估影像组学列线图的临床应用价值。结果:在T₂WI和T1CE图像上分别提取病灶的396个影像组学特征,最终筛选出14个具有最大诊断效能的纹理特征。使用多因素logistic回归构建包含FIGO分期、分化程度和Radscore的影像组学列线图。影像组学列线图的预测效能优于临床病理危险因素模型(训练集中,AUC:0.96 vs.0.70;Delong检验:Z=4.04,P=5.415e-05;验证集中,AUC:0.87 vs.0.71;delong检验:Z=1.24,P=0.02)。决策曲线分析显示风险阈值为0.01~1.00时使用影像组学列线图对预测宫颈鳞癌LVSI情况的临床应用价值较大。结论:基于双序列MRI构建的影像组学列线图对宫颈鳞癌LVSI情况有较好的预测能力,可作为一种术前评估的无创性影像学生物标志。     

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...     

基于黑质铁沉积的QSM影像组学在帕金森病诊断中的价值研究

目的 应用影像组学纹理分析探讨定量磁敏感图(QSM)在帕金森病(PD)诊断中的价值.方法 58例PD确诊患者及28名健康对照者(HC)均进行QSM检查,将QSM数据进行后处理,然后导入软件并手动勾画感兴趣区(ROI),再对ROI进行纹理特征提取.每例受检者提取1132个纹理特征,降维后筛选出对PD诊断贡献较大的少数特征...     

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。     

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。     

Radiomic signatures derived from multiparametric MRI for the pretreatment prediction of response to neoadjuvant chemotherapy in breast cancer

Objectives:To investigate the ability of radiomic signatures based on MRI to evaluate the response and efficiency of neoadjuvant chemotherapy (NAC) for treating breast cancers.Methods:152 patients were included in this study at our institution between March 2017 and September 2019. All patients with breast cancer underwent a preoperative breast MRI and the Miller–Payne grading system was applied to evaluate response to NAC. Quantitative parameters were compared between patients with sensitive and insensitive responses to NAC and between those with pathological complete responses (pCR) and non-pCR. Four radiomic signatures were built based on T2W imaging, diffusion-weighted imaging, dynamic contrast-enhanced imaging and their combination, and radiomics scores (Rad-score) were calculated. The combination of the clinical factors and Rad-scores created a nomogram model. Multivariate logistic regression was performed to assess the association between MRI features and independent clinical risk factors.Results:20 features and 18 features were selected to build the radiomic signature for evaluating sensitivity and the possibility of pCR, respectively. The combined radiomic signature and nomogram model showed a similar discrimination in the training (AUC 0.91, 0.92, 95% confidence interval [CI], 0.85–0.96, 0.86–0.98) and validation (AUC 0.93, 0.91, 95% CI, 0.86–1.00, 0.82–1.00) sets. The clinical factor model exhibited reduced performance (AUC 0.74, 0.64, 95% CI, 0.64–0.84, 0.46–0.82) in terms of NAC sensitivity and pCR.Conclusions:The combined radiomic signature and nomogram model exhibited potential predictive power for predicting effective NAC treatment which can aid in the prognosis and guidance of treatment regimens.Advances in knowledge:Identifying a means of assessing the efficacy of NAC before surgery can guide follow-up treatment and avoid chemotherapy-induced toxicity.     

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。