基于剂量组学预测肺癌患者放射性肺炎发生的研究

目的 探讨剂量组学在预测肺癌根治性放疗患者放射性肺炎发生中的应用潜能。方法 回顾性收集行根治性放疗的314例肺癌患者的临床资料、放疗剂量文件、定位及随访CT图像,根据临床资料及影像学随访资料对放射性肺炎进行分级,提取全肺的剂量组学特征,构建机器学习模型。应用1000次自助抽样法（bootstrap）的最小绝对值收敛和选择算子嵌套逻辑回归（LASSO‐LR）及1000次bootstrap的赤池信息量准则（AIC）向后法筛选与放射性肺炎相关的剂量组学特征,随机按照7∶3划分为训练集及验证集,应用逻辑回归建立预测模型,并应用ROC曲线及校正曲线评价模型的性能。结果 共提取120个剂量组学特征,经LASSO‐LR降维筛选得到12个特征进入“特征池”,再经过AIC向后法筛选,最终筛选出6个剂量组学特征进行模型构建,训练集AUC为0.77（95%CI为0.65~0.87）,独立验证集AUC为0.72（95%CI为0.64~0.81）。结论 利用剂量组学建立的预测模型具有预测放射性肺炎发生的潜力,但仍需继续纳入多中心数据及前瞻性数据进一步挖掘剂量组学的应用潜能。     

深度学习技术在医学影像中的应用

近十年来,人工智能(artificial intelligence,AI)在医学领域发展迅速,很大程度上得益于机器学习(machine learning,ML)技术的发展与进步,而机器学习也成为医学领域创新的新引擎。医学成像领域中,机器学习对图像重组、病变分割、计算机辅助检测(computer-aided detection,CADe)和诊断(computer-aided diagnosis,CADx)等方面的优化产生了积极影响[1,2]。与传统的医学图像分析技术相比,机器学习技术不需要由医学及技术领域专家为特定分析制定明确相关的功能。     

基于机器学习的脑胶质瘤多模态影像分析

脑部胶质瘤是临床中常见的一种原发性脑肿瘤，具有复发率高、死亡率高以及治愈率低的特点。常规临床诊断主要依靠计算机断层扫描(CT)和磁共振成像(MRI)检查技术进行鉴别。随着成像技术和机器学习方法的不断发展，多模态影像智能分析技术已经逐步成为研究热点，在脑胶质瘤的病灶分割测量、肿瘤分级、预后生存周期预测和基因型辨别等方面具有重要的应用前景。本文重点介绍基于机器学习和多模态影像在脑胶质瘤临床辅助诊断和预后评估中的应用进展。     

基于多序列MRI的影像组学模型在腮腺肿瘤良恶性诊断中的应用

  目的  探究腮腺肿瘤良恶性的诊断中应用基于多序列MRI的影像组学模型的临床价值。  方法  选取2021年1月1日—2022年5月30日于台州市中心医院就诊经病理检查证实的腮腺肿瘤患者共97例,其中良性肿瘤64例,恶性肿瘤33例,提取患者的临床资料及MRI图像。通过ITK-SNAP软件分割感兴趣区域(ROI),使用3D-slicer软件的PyRadiomics插件在T₁加权对比增强成像序列(T₁Wce)、T₂加权序列(T₂WI)及基于弥散加权成像(DWI)序列构建的表观弥散系数(ADC)图像中提取120个影像特征,使用Lasso回归进行特征降维,最后使用筛选的影像特征构建支持向量机(SVM)模型。然后绘制ROC曲线,评估模型的诊断效能。  结果  2组患者年龄、性别差异无统计学意义。基于患者T₁Wce、T₂WI和ADC序列以及3个序列联合构建4个影像组学模型用于腮腺肿瘤良恶性诊断,AUC分别为T₁Wce模型0.752,T₂WI模型0.776,ADC模型0.810,T₁Wce+T₂WI+ADC联合模型0.897,三序列联合模型的AUC显著高于单个序列模型。  结论  基于MRI影像数据构建的影像组学模型能够有效用于辅助腮腺肿瘤的良恶性诊断,其中联合T₁Wce、T₂WI和ADC序列构建的模型具有最佳的诊断效能。      

基于T1WI增强影像组学在鉴别高级别胶质瘤复发与假性进展中的应用价值

目的：探讨基于T1WI（T1 weighted imaging）增强影像组学在术前无创鉴别高级别胶质瘤术后复发与假性进展的应用价值。方法：回顾性分析经病理证实为高级别胶质瘤的104例患者临床及磁共振成像资料,根据二次手术病理或神经肿瘤疗效评估标准（response assessment in neuro-oncology,RANO）将其分为复发组71例,假性进展组33例。按7∶3比例随机分为训练组和验证组。在T1WI增强图像上手动勾画肿瘤实质区的体积作为感兴趣区,用FeAture Explorer软件提取1 648个组学特征。 采用主成分分析（principal component analysis,PCA）及最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）进行特征处理及筛选,采用支持向量机（support vector machine,SVM）构建影像组学模型。通过受试者工作特征曲线下面积（area under curve,AUC）及校准曲线评估模型的效能。结果：训练组鉴别高级别胶质瘤复发与假性进展的AUC为0.929, 准确率为 0.889,灵敏度为 72.7%,特异度为 100.0%。验证组的 AUC 为 0.853,准确率为 0.813,灵敏度为 90.9%,特异度为 71.4%。校准曲线显示模型预测值与实际值一致性较好。结论：基于T1WI增强影像组学模型具有较好的诊断效能,有助于鉴别高级别胶质瘤术后复发与假性进展。     

新生儿败血症休克预测模型的构建——1 695例患儿回顾性研究

目的 筛选新生儿发生败血症休克的危险因素,建立新生儿败血症休克临床预测模型。方法 选取2016年1月1日—2019年12月31日重庆医科大学7家附属医疗机构中患有败血症的新生儿,根据是否发生败血症休克分为研究组和对照组。采用单因素分析、LASSO和logistic回归分析筛选危险因素。采用logistic、极端梯度提升（XGBoost）、随机森林（RF）、分类回归树（CART）和人工神经网络（ANN）建立新生儿败血症休克预测模型,根据灵敏度、特异度、曲线下面积等指标评估模型性能。结果 本研究中,共有339名败血症新生儿发生败血症休克,1 356名败血症新生儿未发生败血症休克。单因素分析筛选出31项差异指标,多因素分析筛选出12项独立危险因素。测试集中,logistic、XGBoost、RF、CART、ANN模型的曲线下面积分别为0.856 (0.809～0.903),0.861 (0.819～0.904),0.880 (0.838～0.922),0.835 (0.790～0.881),0.808 (0.756～0.860)。结论 本文构建的五种预测模型相对稳定,其中,RF模型的预测性能最佳,能为新生儿败血症休克提供较好的预测。     

普外科术后不良结局风险评估工具研究现状

普外科手术是最常见的手术之一,其术后不良结局主要集中在一部分高危患者。风险评估工具可以识别出这部分高危患者,为后续的临床干预和资源配置提供参考。目前存在多种评估工具,且具有各自的优缺点,充分了解这些工具是临床应用的前提。通过回顾目前一般常用评估工具、针对急诊普外患者的评估工具和机器学习方法在评估工具上的应用,阐明风险评估工具的基本特征、应用现状和发展趋势。     

机器学习在骨科诊疗中的应用进展

近年来,人工智能相关技术与医学领域的深度融合使得医工交叉成为热点。骨科疾病诊疗存在数据量大和决策困难等问题。机器学习作为人工智能领域的重要方法,具有对医学大数据自动分析和预测的能力,被广泛应用于骨科等临床学科领域,辅助医生高效地完成疾病诊断和治疗工作。介绍了机器学习在骨科术前、术中和术后诊疗中的应用进展,为探索更加合理的诊治策略提供新的思路。     

不同机器学习模型鉴别结肠型克罗恩病与溃疡性结肠炎的价值

目的 比较不同的机器学习模型在鉴别结肠型克罗恩病(CCD)与溃疡性结肠炎(UC)中的价值。方法 收集2019年6月至2021年12月在安徽医科大学第一附属医院消化科就诊的有完整CT小肠成像(CTE)且经病理证实炎症性肠病(IBD)患者44例(CCD 25例,UC 19例)。利用ITK-Snap软件在静脉期病灶最明显肠段进行勾画,共计勾画106个病变肠段(CCD 58个、UC 48个)。利用AK软件提取勾画区影像组学特征,以7∶3比例随机分为训练集和测试集;对训练集用Correlation＿xx和MultiVariate＿Logistic算法进行数据降维,筛选组间差异明显的影像组学特征构建6种机器学习模型,用测试集的特征对其进行验证。结果 175种组学特征中有4种组间差异有统计学意义(P<0.05)。6种模型中有4种模型曲线下面积均>0.90。训练集中邻近算法(KNN)模型鉴别CCD与UC的受试者工作特征曲线下面积(AUC)为0.958 (95%CI:0.917～0.992),准确率、特异度、灵敏度分别为87.7%、100%和72.7%;在测试集的AUC为0.904(95%C...