基于STIR-MRI的影像组学模型评估原发性下肢淋巴水肿的临床分期

【摘要】目的：探讨MRI影像组学模型对原发性下肢淋巴水肿（PLEL）临床分期的评估价值。方法：回顾性搜集2018年1月－2019年12月在本院就诊的132例单侧PLEL患者的临床和影像资料。依据2020年国际淋巴协会（ISL）淋巴水肿临床分期标准,Ⅰ期45例,Ⅱ期51例,Ⅲ期36例。将STIR序列原始图像导入深睿多模态科研平台,连续选择10层肢体肿胀最严重的横轴面图像,逐层在皮下软组织区域内的水肿区手动勾画ROI,提取影像组学特征1743个。采用相关性分析及F-Test算法进行特征的筛选,然后采用logistic回归分类器分别建立Ⅰ期与Ⅱ期、Ⅱ期与Ⅲ期的分类模型,并采用ROC曲线评价模型的鉴别效能。采用决策曲线分析（DCA）评估模型的临床实用性。结果：鉴别Ⅰ期与Ⅱ期,共筛选出10个组学特征构建预测模型,其在训练集中的AUC为0.935（95%CI：0.886~0.983）,在验证集中的AUC为0.917（95%CI：0.858~0.975）。鉴别Ⅱ期与Ⅲ期,共筛选出10个组学特征用于建模,其在训练集中的AUC为0.838（95%CI：0.749~0.927）,在验证集中为0.760（95%CI：0.654~0.866）。DCA验证了影像组学模型鉴别PLEL临床分期的临床实用性。结论：基于下肢MRI建立的影像组学模型可较准确地评估PLEL的严重程度,与PLEL的临床分期一致性高。     

基于X线摄影影像组学特征鉴别乳腺良恶性肿块的价值

目的探讨X线摄影影像组学对乳腺肿块良、恶性鉴别诊断的价值。方法选取乳腺肿块136例患者的相关X线摄影及病理资料,采用人工智能Mask R-CNN算法对乳腺肿块的精确分割,应用回归算法建立模型并验证,利用ROC曲线及决策曲线评价模型,并使用Delong检验比较不同模型的效能,同时将Shap方法应用于模型的解释。结果筛选后最终纳入乳腺侧斜位(MLO)视角21个特征,头尾位(CC)视角20个特征,两个融合视角38个特征进行建模。三个模型在测试集中对乳腺肿块良恶性判别的AUC值分别为0.842、0.843、0.955。且MLO视角的组学特征建模模型和CC视角的组学特征建模模型效能差异无统计学意义(P=0.9454),两个单视角模型与融合视角模型ROC曲线下面积差异有统计学意义(P=0.0012和P=0.0059)。结论基于乳腺X线摄影多视角融合模型对良、恶性肿块的鉴别具有较大的应用价值。     

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。     

基于机器学习的多种分类模型在新型冠状病毒肺炎与社区获得性肺炎鉴别诊断中的效能

【摘要】目的:将14种常用的机器学习分类模型应用于新型冠状病毒肺炎（COVID-19）与社区获得性肺炎（CAP）的鉴别诊断,探讨能为COVID-19的早期诊断提供最优效能的机器学习分类模型。方法:搜集经临床确诊的86例COVID-19患者和100例CAP患者的胸部CT图像,利用影像组学方法提取病变区域的纹理特征,使用14种机器学习分类模型构建放射组学特征,通过ROC曲线下面积（AUC）评估模型的诊断效能,AUC最高者的效能最优。结果:14种分类模型的AUC均大于0.9,随机森林（Random Forest）模型的AUC最高（0.9406）,高斯贝叶斯（Gaussian NB）模型的AUC最低(0.9037)。结论:14种机器学习分类模型均可有效鉴别COVID-19与CAP,均具有较高的鉴别诊断效能（AUC值均＞0.9）,效能最高的模型是Random Forest（AUC=0.9406）,能够在早期诊断COVID-19方面发挥优势。     

基于影像组学参数评估376例幕上自发性脑出血患者的功能状态

目的 探讨基于首次平扫CT的影像组学列线图模型对幕上自发性脑出血患者90 d功能状态的预测价值。方法 回顾性分析幕上自发性脑出血(sICH)患者376例,根据90 d改良Rankin量表(mRS)评分结果将患者分为预后不良组121例(mRS评分为4～6分)和预后良好组255例(mRS评分为0～3分)。从首次平扫CT提取影像组学特征,计算影像组学评分(Rad-score)并构建影像组学模型。分析筛选临床因素用于构建临床模型,并结合Rad-score构建列线图模型。分析比较上述3种模型的预测效能。结果 最终筛选出20个特征用于构建影像组学模型,临床模型由年龄(OR=1.045,95%CI:1.023～1.066)、格拉斯哥昏迷评分GCS≤8(OR=4.128,95%CI:2.161～7.887)、血肿破入脑室(OR=3.071,95%CI:1.744～5.408)和血肿体积>30 mL(OR=5.802,95%CI:3.327～10.117)构成。在训练集,列线图模型的曲线下面积(0.892)高于临床模型(0.814)及影像组学模型(0.862),差异有统计学意义(Z值分别为3.35...     

基于三维密集连接卷积网络鉴别高级别胶质瘤与单发脑转移瘤

目的 探讨三维密集连接卷积网络（3D-DenseNet）通过MRI鉴别诊断高级别胶质瘤（HGGs）与单发脑转移瘤（BMs的价值,并比较不同序列建立的模型诊断性能。资料与方法 回顾性收集兰州大学第二医院2016年6月—2021年6月经手术病理证实的230例HGGs和111例BMs的T2WI及T1WI对比增强（T1C）影像资料,预先勾画出三维模型下的感兴趣区体积作为输入数据,以7:3随机分为训练集254例和验证集87例,基于3D-DenseNet分别构建T2WI、T1C及两种序列融合的预测模型（T2-net、T1C-net和TS-net）,通过受试者工作特征曲线评价各模型的预测效能并进行比较。结果 T1C-net、T2-net和TS-net在训练集和验证集的曲线下面积（AUC）分别为0.852、0.853,0.802、0.721,0.856、0.745。T1C-net在验证集的AUC及准确度高于T2-net和TS-net,TS-net在验证集的AUC及准确度高于T2-net,T1C-net与T2-net在验证集的AUC差异有统计学意义（P<0.05）,而TS-net与T2-net、T...