基于CT影像组学对孤立性肺结节性质分类的预测效能

目的：探讨肺结节CT影像组学特征与病理分类的关系,并评估不同分层递进影像组学模型对肺结节病理分类的预测效果。方法：纳入2017年7月—2019年8月189例病理证实且具有完整资料的肺结节患者,包括良性结节71例,恶性非浸润结节51例,恶性浸润性结节67例。分别构建3种CT影像组学模型,模型1对良性及恶性结节（包括恶性非浸润及浸润性结节）分类;模型2对恶性非浸润及浸润性结节分类;模型3对良性、恶性非浸润及浸润性结节分类。对所有勾画感兴趣区（ROI）进行高通量特征采集,采用智能方法进行特征和分类器筛选建立最佳模型。受试者工作特征（ROC）曲线及曲线下面积（AUC）用于评价模型的预测效能,计算灵敏度、特异度、准确率、阳性预测值和阴性预测值。结果：模型1、2及3分别筛选出20、2及20个影像组学特征,绘制ROC曲线,验证组AUC值分别为0.85、0.89及0.84,模型1灵敏度、特异度、准确率、阳性预测值及阴性预测值为79.66％、70.42％、84.59％、81.74％及67.57％;模型2为88.06％、74.51％、82.2％、81.94％及82.61％;模型3为71.34%、85.05%、70.37%％、83.2%及76.3%。结论：基于CT图像影像组学特征模型可以较好地反映良性结节、恶性非浸润结节及浸润性结节的差异,对其进行分类。     

Lung-RADS分级和CT征象诊断孤立性肺结节的价值

【摘要】目的：研究肺部影像报告和数据系统（Lung-RADS）分级、CT征象及联合两种方法对孤立性肺结节的定性诊断价值。方法：分析240例孤立性肺结节的CT表现，观察其特征性影像学表现（边界是否光整、有无钙化、胸膜牵拉、毛刺、分叶、支气管截断、支气管充气、空泡、空洞及肿瘤血管征象）并测量大小。按照Lung-RADS分级标准对病灶重新分类，通过对有差异性的各个征象分值累计每个病灶的CT征象计分，对照病理结果，绘制ROC曲线，比较各方法对良恶性孤立性肺结节的诊断价值。结果：Lung-RADS分级诊断孤立性肺结节的敏感度、特异度、符合率分别为54.9%、68.9%、57.5%，ROC曲线下面积（AUC）为0.628（P＜0.05）；CT征象分值诊断肺结节的敏感度、特异度、符合率分别为81.5%、91.1%、83.3%，AUC为0.910（P＜0.001）；联合两种方法诊断时，诊断孤立性肺结节的敏感度、特异度、符合率分别为97.9%、95.6%、97.5%，AUC为0.988（P＜0.001）。结论：Lung-RADS分级、CT征象对鉴别诊断肺结节良恶性均有重要价值，但CT征象评估的诊断效能优于Lung-RADS分级，两者联合应用可为孤立性肺结节的鉴别诊断提供重要依据。     

CT影像组学模型对甲状腺良恶性结节的鉴别价值

目的探讨CT影像组学模型对良恶性甲状腺结节的鉴别诊断价值。方法回顾性分析2017年5月至2018年8月间南京医科大学附属淮安第一医院经病理证实的179例甲状腺结节患者的临床和影像资料。良性结节89例,恶性结节90例。患者术前均行甲状腺结节CT平扫和增强扫描。采用分层随机抽样方法将患者按照8∶2的比例分为训练组(143例)与测试组(36例),采用A.K软件基于术前CT图像提取378个影像组学特征,后采用Spearman相关分析与最小绝对收缩和选择算子回归分析进行特征筛选与模型构建,在训练组与测试组中应用受试者操作特征(ROC)曲线对模型进行验证,评价影像组学特征预测良恶性甲状腺结节的效能。结果经过特征筛选,16个影像组学特征用于构建甲状腺结节良恶性鉴别模型。训练组中预测模型的ROC曲线下面积(AUC)为0.92(95%可信区间:0.88~0.97),灵敏度和特异度分别为88.7%、82.0%,诊断准确率91.1%;测试组中AUC为0.90(95%可信区间:0.81~0.98),灵敏度和特异度分别为88.5%、84.6%,诊断准确率88.2%。结论基于CT的影像组学模型对良恶性甲状腺结节有较高的诊断效能。     

双参数磁共振影像组学联合血清PSA对预测前列腺癌Gleason分级的临床价值研究

目的 探讨基于双参数磁共振影像组学联合血清前列腺特异性抗原(PSA)列线图模型预测前列腺癌(PCa)Gleason分级的临床价值。方法 回顾性分析经病理证实的338例PCa患者的影像及临床资料，高危组(Gleason评分>7分)185例，中低危组(Gleason评分≤7分)153例。利用分割软件手动勾画所有患者的病灶感兴趣区并进行高通量特征提取，经过筛选和降维处理后构建影像组学预测模型。受试者工作特征曲线(ROC)用于评估模型对Gleason分级的预测效能。结果 分别构建基于T₂WI序列、ADC序列和T₂WI+ADC序列的影像组学模型，三组模型在测试组中的曲线下面积(AUC)分别为0.763、0.765、0.780。列线图预测模型由年龄、总前列腺特异性抗原(TPSA)、游离前列腺特异性抗原(FPSA)及影像组学评分构成，列线图预测模在测试组中的AUC为0.874,对PCa Gleason分级的预测效能最高。结论 由年龄、TPSA、FPSA及影像组学评分构建的列线图预测模型对PCa Gleason分级具有较高的诊断效能。