磁共振影像组学在鉴别中低危和高危前列腺癌中的应用

目的建立基于支持向量机学习算法的影像组学模型,研究其鉴别高危前列腺癌与中低危前列腺癌的诊断效能。方法回顾性分析265例经病理证实的前列腺癌病人,其中高危病人155例,中低危病人110例。所有病人术前均进行MRI检查。由两位放射医师使用达尔文智能科研平台手动勾画感兴趣区,从每例病人的T2WI和ADC图中分别提取影像组学特征,采用受试者工作特征(ROC)曲线及ROC曲线下面积(AUC)验证影像组学特征的鉴别效能,对比T2WI、ADC及T2WI+ADC的诊断价值。结果共筛选出10个影像组学特征(6个ADC序列特征,4个T2WI序列特征)可以用来鉴别高危及中低危前列腺癌。仅使用T2WI获得的组学模型鉴别效能较低,训练队列AUC为0.70(95%CI 0.63~0.77),验证队列AUC为0.58(95%CI 0.47~0.68)。ADC图组学模型预测效能较好,训练队列AUC为0.79(95%CI 0.72~0.85),验证队列AUC为0.78(95%CI 0.68~0.86)。T2WI联合ADC图构建的影像组学模型表现出最优预测效能,训练队列AUC为0.84(95%CI 0.78~0.89),验证队列AUC为0.80(95%CI 0.69~0.88)。结论本研究构建的基于T2WI和ADC图的影像组学模型在一定程度上对中低危及高危前列腺癌病人进行区分,为前列腺癌的分期提供了一种无创的预测方式,指导治疗方案的选择。     

CT影像组学列线图评估肺腺癌脏层胸膜侵犯

目的 建立CT影像组学列线图模型,观察其评估肺腺癌脏层胸膜侵犯(VPI)的价值。方法 回顾性分析183例经术后病理证实的肺腺癌患者,以7 ∶ 3比例将其随机分为训练集(n=128)及验证集(n=55);根据有无VPI进一步分为浸润组和非浸润组。基于肺CT图像提取影像组学特征,构建影像组学评分(Rad-score)。以多因素logistic回归分析筛选训练集内组间差异具有统计学意义的影像学表现,构建常规模型,并结合Rad-score绘制列线图,对比观察其判断肺腺癌伴VPI的效能,以及列线图模型判断腺癌伴VPI结果与实际结果的一致性及其差异。结果 最终以8个影像组学特征构建Rad-score。多因素logistic回归分析显示,病灶存在分叶征、瘤内坏死、胸膜牵拉及Rad-score是判断肺腺癌伴VPI的独立因素(P均＜0.05)。以同时存在分叶征、瘤内坏死及胸膜牵拉为常规模型,结合Rad-score所绘制的列线图模型判断训练集与验证集肺腺癌伴VPI的AUC分别为0.875、0.865,优于常规模型在训练集的0.779、验证集的0.805,以及Rad-score模型在训练集的0.810和验证组的0.803,差异具有统计学意义(P均＜0.05)。校准曲线及Hosmer-Lemeshow检验结果均显示,列线图模型判断训练集及验证集肺腺癌患者伴VPI与实际结果的一致性良好(P均＞0.05)。结论 CT影像组学列线图模型判断肺腺癌伴VPI应用价值良好。     

多参数MRI影像组学在鉴别诊断T3a与T3b期前列腺癌中的价值

目的探讨多参数MRI(multi-parameter MRI, mp-MRI)影像组学在鉴别诊断T3a、T3b期前列腺癌中的价值。方法回顾性分析151例T3期前列腺癌病人的影像资料, 其中T3a期110例, T3b期41例。使用达尔文智能科研平台在T2WI及ADC横轴位图像上手动勾画感兴趣区, 提取影像组学特征。按照3:1的比例分别将ADC图像、T2WI图像、ADC图像联合T2WI图像三种模式下的影像组学特征分为训练集和验证集, 依次对3组训练集构建模型, 使用相应验证集进行内部验证。通过ROC曲线对模型进行分析, 并评价不同序列的诊断效能。结果通过达尔文科研平台共提取1878个影像组学特征, 最终保留6个(ADC相关2个, T2WI相关4个)(P < 0.05), 单独T2WI和ADC图像下训练集AUC值分别为0.79、0.71, 验证集AUC值为0.59、0.70;ADC图像联合T2WI图像下训练集AUC值为0.79, 验证集AUC值为0.73。结论T2WI图像联合ADC图像影像组学对术前鉴别T3a、T3b期前列腺癌具有较好诊断价值, 可在一定程度上弥补MRI对 < 1 mm病灶检查效果欠佳的缺陷, 为癌灶是否侵犯精囊提供补充, 协助临床术前获得更加详实的资料, 为精准手术提供指导。     

影像组学术前预测结直肠癌淋巴血管侵犯的价值

目的 探讨影像组学在术前预测结直肠癌淋巴血管侵犯的价值.方法 回顾性分析201例行手术治疗的结直肠癌患者,从静脉期CT图像中提取影像组学特征,采用ANOVA、极端随机树及迭代筛选特征组件选取最有预测价值的影像组学特征,构建影像组学预测模型.联合多因素Logistic回归分析识别的独立危险因素构建临床-影像组学联合预测模...     

基于mp-MRI影像组学预测前列腺癌Gleason分级的价值探讨

目的探讨多参数磁共振成像（mp-MRI）影像组学预测前列腺癌Gleason分级的价值。方法回顾性分析266例前列腺癌病人,根据病理结果分为Gleason评分高危组（Gleason≥4+3分）、Gleason评分低危组（Gleason≤3+4分）,在T2WI横断面、ADC图（b值0、1 500 s/mm2）上手动勾画病灶后进行影像组学特征的提取及量化,将所选病例数据特征随机分为训练组与测试组（测试集比例为0.3）,构建支持向量机分类模型,得到训练组与测试组的ROC曲线及曲线下面积（AUC）。结果Gleason评分高危组118例,Gleason评分低危组148例,其中训练组186例（高危组83例、低危组103例）,测试组80例（高危组35例、低危组45例）,T2WI、ADC图影像组学支持向量机模型训练组的AUC为0.753,测试组AUC为0.741,准确率为62.5%（95%CI:0.572~0.893）;T2WI、ADC图影像组学联合PSA值支持向量机模型训练组的AUC为0.768,测试组AUC为0.752,准确率为72.5%（95%CI:0.613~0.917）;经Delong验证,两者差异无统计学意义（P>0.05）。结论mp-MRI影像组学预测前列腺癌Gleason分级有较高的参考价值。     

基于CT影像组学列线图预测肺腺癌EGFR突变的研究

目的 探讨基于胸部平扫CT的影像组学列线图术前预测肺腺癌表皮生长因子受体(EGFR)基因突变状态的价值。方法 回顾性分析经病理证实的183例肺腺癌的临床及胸部平扫CT影像资料,包括EFGR突变型(110例)及EGFR野生型(73例)。评估每位患者的病灶CT特征。勾画整个病灶的三维容积感兴趣区(VOI)。将所有患者的重建肺窗图像及病灶的VOI上传至“医准-达尔文”智能科研平台,按照7∶3比例分成训练组(128例)及验证组(55例)。采用最大绝对值归一化、最小收缩、最优特征筛选、迭代筛选及选择算子(LASSO)算法对数据进行降维处理,计算影像组学分数(Rad-score),建立影像组学模型。运用单因素及多因素Logistic回归分析,筛选具有显著预测价值的临床-影像独立影响因素,建立临床模型。将具有显著预测价值的临床-影像独立影响因素及Rad-score通过Logistic回归,得到影像组学列线图模型。通过ROC曲线和校准曲线评估3个模型的诊断效能。结果 最终筛选出11个影像组学特征构建影像组学分数。多因素Logistic回归分析结果显示吸烟史、胸膜牵拉及影像组学评分是肺腺癌患者EGFR基...     

能谱CT成像及其影像组学在鉴别肺部良恶性病变中的应用研究

目的 探究能谱CT成像及其影像组学对肺部实性病变性质的鉴别诊断效能,并与临床危险因素、CT主观征象、能谱CT定量参数对照.方法 对194例肺部实性病变的能谱CT图像进行回顾性研究,分成训练组(n=155)和验证组(n=39),基于动脉期的碘基物质图提取影像组学特征;采用逻辑回归分类器模型,结合碘浓度(IC)及标准化...     

基于增强CT影像组学的列线图模型在预测胸腺上皮性肿瘤WHO简化分型中的应用研究

目的 探讨基于增强CT图像的列线图模型在预测胸腺上皮性肿瘤(TETs)WHO简化分型中的应用价值。方法 回顾性分析术前行胸部增强CT检查并经手术病理证实的165例TETs,按照8:2的比例随机划分为训练集132例与验证集33例。于静脉期图像手动勾画感兴趣区(ROI)并提取影像组学特征,经数据降维筛选出有效特征并建立影像组学公式,计算每位患者的得分(radscore)并构建影像组学模型。纳入多个CT特征,经多因素逻辑回归筛选出具有独立预测价值的特征并构建CT特征模型。联合具有独立预测价值的CT特征及radscore构建列线图模型。采用受试者工作特性曲线(ROC)评估模型的诊断效能,校正曲线及决策曲线(DCA)评估模型的预测准确性及临床应用价值。结果 在训练集中,纵隔脂肪浸润与radscore共同构建了列线图模型,模型在训练集的曲线下面积(AUC)值为0.902(95%CI:0.838～0.947),在验证集的AUC值为0.824(95%CI:0.652～0.934)。结论 基于增强CT影像组学的列线图模型对于TETs WHO简化分型有较高的预测价值,可作为一种无创的术前评估工具辅助临床决...     

CT影像组学在预测非小细胞肺癌淋巴结转移中的价值

目的探讨基于胸部CT影像组学在术前预测非小细胞肺癌淋巴结转移中的价值。方法回顾性分析经术后病理证实的143例非小细胞肺癌病人临床、胸部CT增强影像资料。按照7:3比例,随机分为训练组（n=100）和验证组（n=43）。在静脉期图像上提取肿瘤的影像组学特征,采用最小绝对收缩选择算子（LASSO）逻辑回归用于数据降维、特征筛选。分别基于影像组学特征和临床-影像特征（最大径、毛刺征）构建预测模型。采用受试者工作特征曲线（ROC）的曲线下面积（AUC）评价不同模型的鉴别预测效能,并对模型的ROC曲线行Delong检验;在验证组中评估其预测效能。结果共提取939个影像组学特征,经筛选最终得到6个最优特征并建立影像组学预测模型。对于术前预测淋巴结转移的效能,在训练组中,影像组学模型AUC为0.864（95%CI:0.781~0.924）,大于临床模型的AUC为0.662（95%CI:0.561~0.754）（P < 0.01）;在验证组中,影像组学模型AUC为0.860（95%CI:0.720~0.964）,大于临床模型的AUC为0.664（95%CI:0.504~0.880）（P < 0.05）。结论基于胸部CT增强图像提取影像组学特征及其构建的预测模型,影像组学模型的效能高于临床模型,可以作为一种预测非小细胞癌病人淋巴结是否转移的辅助工具,具有良好的临床应用前景。