建立CT影像组学标签预测非小细胞肺癌Ki-67表达水平

目的：建立基于CT图像特征的影像组学标签,预测非小细胞肺癌(non-small cell lung cancer,NSCLC)的 Ki-67表达水平。方法：回顾性收集2014年1月至2017年11月行肺部CT平扫及增强扫描并在检查后2周内经病理证 实、行Ki-67表达水平检测的108例NSCLC患者。在MaZda软件中分别手动勾画出病灶CT平扫及增强的三维立体结 构影像,提取感兴趣区的纹理特征参数。经过多种特征选择方法[交互信息(mutual information,MI)、Fisher系数 (fi sher coeffi cient,Fisher)、分类错误概率联合平均相关系数(classifi cation error probability combined with average correlation coefficients,POE+ACC)以及联合方法(Fisher+POE+ACC+MI,FPM)]和分析方法[原始数据分析(raw data analysis, RDA)、主成分分析(principal component analysis,PCA)、线性分类分析(linear discriminant analysis,LDA)和非线性分类 分析(nonlinear discriminant analysis,NDA)]组合建立影像组学标签,以误判率评价其诊断效果。结果：108例患者中 Ki-67高表达组50例,Ki-67低表达组58例。Ki-67高表达与低表达两组间性别、年龄和病理类型差异均有统计学意义 (P<0.05)。基于CT平扫图像纹理特征的FPM特征选择和NDA特征分析方法建立的影像组学标签预测Ki-67表达水平效 果最佳,错判率为14.81%。基于CT增强图像纹理特征建立的影像组学标签错判率并未低于基于CT平扫图像纹理特征 建立的影像组学标签错判率。结论：基于常规CT图像纹理特征建立的影像组学标签有助于预测NSCLC病灶Ki-67的表 达水平,可为评估肿瘤侵袭性和预后情况提供一种无创性技术手段。     

影像组学在预测非小细胞肺癌分子标志物P63中的应用价值

目的：建立基于非小细胞肺癌(non-small cell lung cancer,NSCLC)肿瘤CT图像的影像组学模型,预测NSCLC 分子标志物P63的表达状态。方法：回顾性分析2014年1月至2018年3月接受CT扫描的245例NSCLC患者。患者均经组 织病理学检查确诊,并在CT检查后2周内进行P63表达状态检测。通过MaZda软件提取CT平扫图像的影像组学特征, 并且定义肿瘤CT图像的主观影像征象。使用Lasso-logistic回归模型进行特征筛选并分别建立影像组学模型、主观影像 征象模型及融合诊断模型。通过受试者操作特征(receiver operator characteristic,ROC)曲线评估每个模型的预测性能, 并采用Delong检验进行比较。结果：在245例患者中,P63阳性96例,P63阴性149例。主观影像征象模型由6个影像征 象组成。通过特征选择,影像组学模型包括8个影像组学特征。主观影像征象模型和影像组学模型预测P63表达状态 的ROC曲线下面积分别为0.700和0.755,二者差异无统计学意义(P>0.05)。融合诊断模型较另2种模型具有最佳预测能 力,ROC曲线下面积为 0.817(P<0.01)。结论：基于CT图像的影像组学模型可以预测NSCLC分子标志物P63的表达状 态;融合影像组学特征和主观影像征象的诊断模型可以显著提高模型的预测性能,有助于无创性了解肺癌细胞分子 水平信息。     

CT影像组学评估门静脉高压及预测曲张静脉出血

目的 探讨基于CT影像组学标签评估门静脉高压（PH）的可行性及其预测曲张静脉出血的价值。方法 回顾性分析112例确诊或疑似PH患者，分别以肝静脉压力梯度（HVPG）10、12和20 mmHg作为界值，将患者分为HVPG<10 mmHg组和≥10 mmHg组，HVPG<12 mmHg组和≥12 mmHg组，HVPG<20 mmHg组和≥20 mmHg组，以MaZda软件提取并分析肝脏增强CT门脉期图像纹理特征，观察影像组学判断不同程度PH及曲张静脉出血的效能。结果 CT征象中，在HVPG<10及≥10、HVPG<12及≥12组间有无腹腔积液差异具有统计学意义（P均<0.05）；单层面勾画ROI判别HVPG≥10 mmHg、HVPG≥12 mmHg、HVPG≥20 mmHg及曲张静脉出血的平均最小误诊率分别为12.50%、14.74%、10.27%及22.70%；多层面勾画平均最小误诊率分别为10.27%、11.16%、5.36%及20.49%（P均>0.05）。HVPG预测PH患者曲张静脉出血的曲线下面积（AUC）为0.813[95% CI（0.730，0.897）]，以12 mmHg为HVPG的截断值，误诊率为20.54%，敏感度为77.22%，特异度为69.70%。结论 基于CT影像组学可评估PH程度，且对预测曲张静脉出血有一定价值。     

CT影像组学标签预测肺腺癌表皮生长因子受体基因敏感突变

目的建立基于CT平扫图像的影像组学标签,探讨其用于预测肺腺癌表皮生长因子受体(EGFR)基因敏感突变的可行性。方法根据EGFR基因突变情况将80例肺腺癌患者分为EGFR敏感组(n=37)及EGFR不敏感组(n=43)。收集2组肺部病灶CT平扫主观影像征象,并提取影像组学特征;采用LASSO法进行特征挑选,以多因素Logistic回归分别建立主观影像征象模型、影像组学标签及融合模型,采用ROC曲线评估各模型预测EGFR基因敏感突变的效能。结果 EGFR敏感组与不敏感组间CT主观影像征象差异均无统计学意义(P均0.05)。通过特征选择,确定CT影像组学标签由4个影像组学特征构成。主观影像征象模型(AUC=0.66)、影像组学标签(AUC=0.77)及融合模型(AUC=0.83)预测EGFR基因敏感突变的效能差异均有统计学意义(P均0.05),以融合模型预测的效能最优。结论基于CT平扫图像建立的影像组学标签能够预测肺腺癌EGFR基因敏感突变。     

亮氨酸对正常人及2型糖尿病患者摄食奖赏中枢作用的静息态功能磁共振研究

目的采用静息态功能磁共振研究2型糖尿病(type 2 diabetes mellitus,T2DM)患者口服亮氨酸后摄食奖赏中枢的功能连接改变,并分析其与T2DM相关代谢指标的关系。材料与方法共招募17名受试者,正常组8名,T2DM组9例,利用血氧水平依赖信号(blood oxygen level dependent,BOLD)序列采集数据,选取摄食奖赏相关脑区作为种子点,计算在口服亮氨酸前后其与全脑其他体素间的功能连接值,并分析两组间存在显著组间差异的连接值与临床指标间的相关性。结果正常组口服亮氨酸后,右侧小脑后叶与左侧眶额皮层间的功能连接强度增加(P0.05);双侧前额叶皮层、眶额叶皮层、前扣带回、边缘叶与左侧壳核连接强度增加(P0.05),而T2DM组口服亮氨酸后相应脑区功能连接强度没有显著增加(P0.05),相关性分析结果显示部分脑功能功能连接强度改变与T2DM组空腹胰岛素水平及HOMA2-IR呈负相关(P0.05),与正常组血浆亮氨酸水平呈正相关(P0.05)。结论 T2DM损害了奖赏摄食相关脑区的功能连接,左侧眶额皮层与右侧小脑后叶之间的连接强度与胰岛素抵抗程度相关,中枢胰岛素抵抗可能损害了亮氨酸感知通路。     

CT影像组学对原发性胃淋巴瘤与Borrmann Ⅳ型胃癌的鉴别诊断价值

目的：探讨基于CT图像的影像组学标签鉴别原发性胃淋巴瘤与Borrmann IV型胃癌的可行性。方法：回顾性分析2009年1月至2017年4月在中南大学湘雅三医院经病理证实为原发性胃淋巴瘤或Borrmann IV型胃癌且术前进行过腹部CT增强扫描的71例患者,其中原发性胃淋巴瘤患者28例,Borrmann IV型胃癌患者43例。采用基于Matlab 2017a软件的特征提取算法提取影像组学特征,并利用logistic回归模型进行特征筛选以建立CT影像组学标签。通过纳入胃周脂肪浸润、胃壁柔软性、腹部淋巴结及周围脏器转移、腹水、黏膜白线征和病灶厚度等征象,构建CT征象诊断模型。应用受试者工作特征(receiver operating characteristic,ROC)曲线评估影像组学标签和CT征象诊断模型的分类性能。结果：从每个患者CT扫描的肿瘤区域中提取32个三维特征,通过降维发现2个特征是最重要的鉴别诊断因子并建立了影像组学标签;CT征象诊断模型由腹水、胃周脂肪浸润、胃壁柔软性及黏膜白线征组成。影像组学标签和CT征象诊断模型的曲线下面积(area under curve,AUC)分别为0.964和0.867;准确性分别为94.4%和80.2%;敏感性分别为93.0%和74.4%;特异性分别为96.4%和89.3%。经Delong检验,影像组学标签的诊断效能高于CT征象诊断模型(P<0.001)。结论：基于CT图像的影像组学标签能够较准确地鉴别Borrmann IV型胃癌与原发性胃淋巴瘤,为临床辅助诊断提供有利的手段。     

基于CT平扫影像组学鉴别≤2 cm甲状腺良恶性结节

目的观察基于CT平扫影像组学模型鉴别直径≤2 cm甲状腺良恶性结节的价值。方法回顾性分析97例经手术病理证实直径≤2 cm甲状腺结节患者,按7∶3比例将其随机分为训练组(n=67)及验证组(n=30)。提取训练组病灶的影像组学特征并进行预处理,采用最小绝对收缩和选择算子(LASSO)方法筛选最优影像组学特征;以二元Logistic回归方法建立鉴别甲状腺结节良恶性的影像组学模型,计算训练组中良恶性结节的影像组学评分,于验证组中进行验证。以ROC曲线法评估影像组学模型在训练组及验证组中的诊断效能。结果训练组25例良性病变和42例恶性病变;验证组10例良性、20例恶性病变。共于训练组病灶中提取848个影像组学特征,经预处理及筛选获得8个最优影像组学特征,建立鉴别直径≤2 cm甲状腺良恶性结节的影像组学模型。2组良性结节影像组学评分[-0.08(-1.96,0.78)、0.11(-0.96,0.65)]均低于恶性结节[1.20(0.80,2.56)、1.03(0.80,2.47),t=-3.29、-3.12,P均<0.01]。影像组学模型鉴别训练组及验证组甲状腺良恶性病变的敏感度分别为0.77、0.74,特异度分别为0.79、0.91,AUC分别为0.84、0.88(D=0.35,P=0.73)。结论基于CT平扫影像组学鉴别直径≤2 cm甲状腺良恶性结节具有较好的应用价值。