基于增强CT影像组学模型鉴别肾透明细胞癌与非透明细胞癌

目的 建立基于增强CT的影像组学模型,评估其鉴别肾透明细胞癌（ccRCC）与非透明细胞癌（non-ccRCC）的应用价值。方法 将147例ccRCC及32例non-ccRCC患者随机分为训练集125例和测试集54例。将所有患者的增强CT资料导入ITK-SNAP软件,手动勾画ROI,获得16个特征,分别建立基于特征的随机森林（RF）模型和逻辑回归（LR）模型,采用ROC曲线观察模型对ccRCC的诊断效能。结果 训练集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度0.83;LR模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.83。测试集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.89;LR模型诊断ccRCC的AUC为0.88（P<0.05）,特异度为0.90,敏感度为0.77。结论 基于增强CT影像组学模型可用于鉴别ccRCC与non-ccRCC;RF模型诊断价值较LR模型更高。     

磁共振T2WI纹理分析对前列腺癌雄激素剥夺治疗疗效评估的临床价值

【摘要】目的：探讨磁共振（MR）T2WI纹理分析对前列腺癌雄激素剥夺治疗（ADT）后的临床指导及鉴别治疗后残存病灶与周围良性组织的价值。方法：回顾性分析2018年1月-2019年5月经本院穿刺病理证实为前列腺癌并进行7个月ADT治疗后的患者的病例资料。治疗后患者按照PSA水平及病理结果分组,所有患者行常规T1WI、T2WI和DWI扫描。采用ITK-SNAP软件在T2WI上手动逐层勾画ROI采用GE公司的AK软件提取308个纹理特征。采用组内相关系数（ICC）评估特征可重复性,独立样本t检验或Mann-Whitney U检验筛选出在每组间差异有统计学意义的纹理特征,采用10倍交叉验证法及Lasso回归模型对特征进行进一步的筛选和建模,多因素逻辑回归模型最终构建三个机器学习模型,采用ROC曲线及决策曲线（DCA）评估模型诊断效能。结果：纳入ADT治疗后疗效差患者23例,疗效好患者20例。筛选出Correlation_angle135_offset4、Haralick Correlation_AllDirection_offset4_SD、Elongation、LowIntensityLargeAreaEmphasis这4个特征构建模型一,构建的模型一评估前列腺癌ADT治疗后是否存在病灶的ROC曲线下面积（AUC）为0.87,敏感度为0.739,特异度为0.75。筛选出2个纹理特征VoxelValueSum、LongRunEmphasis_angle45_offset1构建模型二,鉴别癌灶与中央腺的AUC为0.91,敏感度为0.81,特异度为1。筛选出GLCMEntropy_AllDirection_offset7_SD、LongRunEmphasis_angle135_offset4、LongRunHighGreyLevelEmphasis_AllDirection_offset4_SDNULLADC这3个特征构建模型三,鉴别癌灶与外周带的AUC为0.87,敏感度为0.952,特异度为0.67。结论：MR T2WI纹理分析可以对前列腺癌ADT治疗后的不同疗效进行评估以指导下一步临床治疗,同时MR T2WI纹理特征可以鉴别ADT治疗后残存病灶与周围良性组织。     

基于术前CT影像组学特征预测肺腺癌患者EGFR突变状态的研究

目的 探讨术前CT影像组学特征在预测肺腺癌患者EGFR突变中的价值。方法 回顾性搜集经病理证实为肺腺癌且检测EGFR突变状态的患者共286例,其中,EGFR突变126例,野生型160例。按7∶3的比例随机分为训练集和验证集。从每个患者的感兴趣区内分别提取1468个组学特征,采用Wilcoxon检验、最小绝对收缩和选择算子(LASSO)回归和Logistic回归筛选影像组学特征。在训练集中采用Logistic回归的方法构建预测模型,并在验证集中评估其性能。通过ROC曲线评价模型的预测性能,并计算曲线下面积(AUC)、敏感度、特异度和准确性。DeLong检验用于比较各模型AUC之间的差异。结果 两个临床因素(性别和吸烟史)与EGFR突变独立相关(P<0.05),而年龄、CEA和肿瘤位置在两组之间差异无统计学意义(P>0.05)。9个影像组学特征在两组之间有显著差异(P<0.05)。训练集中,临床模型、组学模型和综合模型的AUC分别为0.692、0.762和0.814,而在验证集中分别为0.712、0.779和0.827。训练集中,综合模型与临床模型、组学模型AUC的差异具...     

基于影像组学的食管鳞状细胞癌放疗后生存预测模型的建立与验证

  目的  利用增强CT图像特征构建模型,预测食管鳞状细胞癌患者放疗后原发病灶的局部控制情况。  方法  2016年7月至2017年12月218例于河北医科大学第四医院接受放化疗且病理诊断为鳞状细胞癌的食管癌患者随机分为训练组（153例）和验证组（65例）,提取训练组患者的增强CT图像影像组学特征,构建并验证模型预测食管癌患者放疗后原发病灶局部控制的效能。采用ROC曲线、C-index曲线、校准曲线和决策曲线评价不同模型的性能。  结果  在训练组筛选出6个有意义的影像组学特征,构建预测食管鳞状细胞癌放疗后原发病灶局部控制的放射学标签。训练组和验证组的ROC曲线下面积分别为0.758和0.728;C-index为0.709和0.695;以放射学标签得分?0.22为界值分为高危组和低危组,低危组患者的1、3、5年无原发病灶复发生存率均高于高危组患者（P<0.05）。结合临床因素与放射学标签构建食管癌放疗后无原发病灶复发生存的影像组学列线图模型,ROC曲线评价预测效能的曲线下面积在训练组和对照组分别为0.775和0.740;C-index分别为0.722和0.707;以影像组学列线图模型得分0.55为界值分为高危组和低危组,低危组患者的1、3、5年无原发病灶复发生存率均高于高危组患者（P<0.05）。  结论  成功构建预测食管癌放疗后无原发病灶复发生存的模型,模型具有较好的临床预测价值。      

传统影像特征与多序列影像组学模型对上皮性卵巢癌分型的价值

【摘要】目的:比较传统影像特征与多序列影像组学模型在鉴别诊断Ⅰ型与Ⅱ型上皮性卵巢癌（EOC）中的效能,并验证传统模型与影像组学模型相结合能否提升预测EOC分型的效能。方法:搜集2015年1月-2019年6月经我院手术病理证实为EOC,且术前行MRI检查的61例患者,共80个病灶（Ⅰ型30个,Ⅱ型50个）。建立传统模型,包括常规MRI形态学特征及ADC值,通过多因素logistic回归筛选有统计学意义的特征;建立包括FS-T2WI、DWI和T1增强图像的影像组学模型,每个序列提取1070个影像组学特征,采用单变量分析和最小绝对收缩选择算法（LASSO）筛选重要特征,最后将传统模型与多序列组学模型相结合以建立混合模型。通过ROC曲线分析、校准曲线和决策曲线（DCA）分析验证各模型的预测性能。采用Delong检验比较不同模型之间的AUC值差异。结果:传统模型显示出最高的性能,AUC为0.95（95% CI：0.90~0.99）,混合模型的AUC为0.96（95% CI：0.9~1.0）,混合模型的性能与传统模型差异无统计学意义（P＞0.05）。校准曲线分析结果表明,传统模型具有最高的可靠性。分层分析结果显示了影像组学模型在早期区分两种肿瘤类型中的潜力。结论:传统模型可成为区分I型与II型EOC的有效工具,影像组学模型有可能在早期更好地区分EOC类型。     

多参数MRI放射组学预测上皮性卵巢癌患者术前腹膜转移

目的评价基于多参数磁共振成像(multiparameter magnetic resonance imaging,MP-MRI)的放射组学特征对上皮性卵巢癌腹膜转移的预测价值.材料与方法回顾性收集86例上皮性卵巢癌患者纳入研究,所有患者均行轴位脂肪抑制T2加权成像(fat suppression-T2 weighted imaging,FS-T2WI)、扩散加权成像(diffusion-weighted imaging,DWI)和动态增强(dynamic contrast enhanced,DCE)-T1WI扫描,从每个患者术前FS-T2WI、DWI和DCE-T1WI图像中提取定量成像特征,建立放射组学模型、临床模型;结合放射组学特征及临床病理危险因素,构建放射组学诺模图,通过受试者工作特性曲线、AUC、校准曲线和临床实用性来评估该放射组学诺模图的预测性能.结果来自MP-MRI组合序列的放射组学模型比单独来自FS-T2WI、DWI和DCE-T1WI的模型具有更高的AUC(0.865 vs.0.749、0.765、0.736).诺模图(0.953)显示出比临床模型(0.819)和组学模型(0.865)更好的诊断效果.结论基于MP-MRI组合序列的放射组学诺模图对腹膜转移显示出良好的预测准确性,可用于术前识别上皮性卵巢癌患者的腹膜转移.     

基于高分辨T2WI影像组学判定直肠癌术前T分期

目的 探讨基于高分辨T2WI提取的影像组学特征判定直肠癌术前T分期的应用价值。方法 回顾性分析191例术后病理证实为直肠腺癌患者的临床及影像学资料,在术前高分辨T2WI上勾画整个肿瘤为ROI,通过一般线性LASSO分析提取14个影像组学特征,并构建影像组学模型。根据病理结果,将T0~T2期归为早期,T3~T4期归为局部进展期,将患者分为训练组（n=134）和验证组（n=57）,对模型进行训练和验证。绘制ROC曲线及决策曲线（DCA）,评估模型的可预测性。结果 191例直肠癌中,早期68例,局部进展期123例。在训练组和验证组中,影像组学预测模型区分早期与局部进展期直肠癌的AUC为0.927、0.885,准确率为0.851、0.842,特异度为0.917、0.700,敏感度为0.814、0.919,F1值为0.861、0.829,Brier值为0.149、0.159。结论 术前以基于高分辨T2WI构建的影像组学模型判定直肠癌T分期具有可行性。     

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

【摘要】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，阳性预测值为0.816，阴性预测值为0.936；在测试集中，AUC值为0.897，敏感度为0.789，特异度为0.787，准确度为0.788，阳性预测值为0.600，阴性预测值为0.902。校准曲线显示影像组学模型在训练集及测试集中的预测概率与实际概率的一致性良好。DCA曲线显示影像组学模型具有良好的临床应用价值。结论：基于增强CT构建的影像组学模型，能够在术前有效预测食管鳞癌的LVI状态。     

基于CT影像组学预测临床ⅠA期老年非小细胞肺癌淋巴结转移

目的探讨基于胸部增强CT影像组学模型预测临床ⅠA期非小细胞肺癌(NSCLC)老年患者淋巴结转移(LNM)的价值。方法回顾性分析361例临床ⅠA期NSCLC老年患者术前增强CT及临床资料。术后病理显示其中87例LNM(LNM组)、274例无LNM(无LNM组),比较2组临床及影像学表现差异。提取术前增强CT影像学特征,进行归一化和降维,采用最小绝对收缩选择算子(LASSO)法筛选最优影像组学特征,建立影像组学模型。按7∶3比例将患者分为训练组和测试组,于训练组中以10次交叉验证法获得最佳影像组学预测模型。根据临床ⅠA期NSCLC老年患者LNM影响因素建立LNM临床预测模型,以之预测训练组和测试组LNM,并以ROC曲线评价2种模型对于训练组和测试组的诊断效能。结果共于所有病灶中提取396个影像组学特征,经归一化后采用LASSO法获得5个最佳影像组学特征建立影像组学模型,并获得最佳影像组学模型,以之预测训练组和测试组LNM的AUC值分别为0.816和0.797,均高于临床模型(0.650和0.686,P均<0.05)。结论基于胸部增强CT的影像组学模型可用于预测临床ⅠA期NSCLC老年患者LNM。