基于DCE-MRI影像组学和临床特征的列线图在乳腺MRI BI-RADS 4类病灶中的诊断价值

目的：探讨联合动态增强磁共振（DCE-MRI）影像组学及临床特征的列线图在乳腺MRI BI-RADS 4类病灶中的诊断价值。方法：回顾性分析2017 年1月至2019 年6月在温州医科大学附属第一医院经病理证实的189个MRI BI-RADS 4类乳腺病灶,其中良性71个,恶性118个。所有患者在病理检查前均接受了DCEMRI扫描和血生化检查。计算DCE-MRI参数图并提取病灶的相应影像组学特征。经特征选择后,通过对所选特征按其系数加权求和来计算影像组学评分（rad-score）。采用单因素和多因素logistic回归分析寻找乳腺癌的临床危险因素。最后使用多因素logistic回归构建基于临床危险因素和影像组学评分的组合模型,绘制列线图。使用ROC曲线评估模型的诊断性能。结果：单因素和多因素分析显示,年龄、低密度脂蛋白胆固醇和总胆红素水平是乳腺癌的临床危险因素,其构建的临床模型在测试集的ROC曲线下面积（AUC）为0.73（0.58～0.87）。经过特征筛选,11个影像组学特征参与计算影像组学评分,其在测试集的AUC为0.80（0.68～0.92）。将其与临床模型进一步结合,AUC提高到0.88（0.79～0.97）,差异有统计学意义（P =0.037）。结论：基于DCE-MRI影像组学和临床危险因素构建的列线图用于鉴别诊断乳腺磁共振BI-RADS 4类病灶良恶性有较高价值。     

基于DCE-MRI影像组学和常规MRI特征的列线图预测乳腺癌淋巴血管侵犯

目的：研究基于动脉对比增强磁共振成像（DCE-MRI）影像组学和常规MRI特征的列线图用于术前预测浸润性乳腺癌（IBC）患者的淋巴血管侵犯（LVI）状态。方法：回顾性分析2016 年7月至2021年5月间,经术后病理证实的300例IBC患者,并按照8:2比例随机分为训练组（n =238）和验证组（n =62）。对所有患者第二期DCE-MRI图像中的病灶区进行手动分割,并提取影像组学特征。采用方差阈值、select k best、LASSO回归进行影像组学特征筛选并计算影像组学评分（rad-score)。使用Logistic回归分析筛选常规MRI特征建立常规特征模型,并结合影像组学和常规MRI特征中的独立危险因素构建联合预测模型,并绘制列线图。使用受试者工作特征（ROC）曲线和校准曲线评估模型的效能,使用决策曲线分析评估模型的临床价值。结果：共提取到1 409个影像组学特征,经筛选得到15个影像组学特征与乳腺癌LVI状态相关,参与计算rad-score值。所有常规MRI特征中,最大直径（OR =1.743,P ＜0.001）和毛刺征（OR =6.304,P ＜0.001）是预测LVI阳性的独立危险因素。在训练组及验证组中,影像组学模型的ROC曲线下面积（AUC）分别为0.831和0.811;常规特征模型的AUC分别为0.779和0.770;联合预测模型的AUC分别可提高到0.889（95%CI =0.844～0.934）和0.856（95%CI =0.759～0.952）。校准曲线表明列线图预测值和实际值吻合较好,决策曲线显示列线图有较高的临床应用价值。结论：基于DCE-MRI影像组学和常规MRI特征构建的列线图用于术前预测IBC患者LVI状态具有良好的应用价值,可为临床治疗提供参考。     

基于急诊CT平扫影像组学在预测腹主动脉综合征中的价值

目的：探讨基于急诊CT平扫影像组学在腹主动脉综合征（AS）中的诊断价值。方法：收集2012年8 月至2020 年10 月于温州医科大学附属第二医院行腹部CT平扫和增强的急诊患者145 例。根据是否患有腹部AS,将所有患者按分层抽样法以7:3分为训练集和验证集。逐层手动勾画CT平扫图像上的腹主动脉并从中提取影像组学特征。经特征筛选后构建影像组学标签,并以此计算每位患者的影像组学评分（Radscore）。采用单因素和多因素Logistic回归分析寻找预测腹部AS的临床危险因素。最后使用多因素Logistic回归构建基于临床危险因素和Rad-score的联合模型,绘制列线图。使用受试者工作特征（ROC）曲线评估模型的诊断性能。结果：单因素和多因素Logistic回归分析显示,腹痛（OR =0.48,95%CI =0.19～1.22,P =0.12）、钙化斑内移（OR =8.76,95%CI =3.27～23.45,P ＜0.001）是腹部AS的危险因素,其构建的临床模型在验证集的ROC曲线下面积（AUC）为0.79。8个影像组学特征被选择用于构建影像组学标签,其在验证集的AUC为0.88。将该标签与临床模型结合获得联合模型,其在验证集的AUC为0.89。临床决策曲线显示,联合模型的临床实用性最优。结论：基于腹部CT平扫影像组学和临床危险因素构建的列线图能较好地预测急诊患者是否患有腹部AS。     

基于钼靶影像组学列线图预测乳腺癌Her-2表达状态

目的：探讨基于钼靶影像组学列线图在术前预测乳腺癌Her-2表达状态的应用价值。方法：分析手术或穿刺前行乳腺钼靶检查的262例女性浸润性导管癌(IDC)病人。按照7∶3比例随机分为训练集183例和测试集79例。利用钼靶图像手动勾画感兴趣区(ROI),通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归提取影像组学特征,通过统计和LASSO机器学习方法降维,保留纳入模型的最优预测特征,采用logistic回归作为分类器,建立影像组学模型;结合影像资料,通过单-多因素logistic回归,筛选独立危险因素建立影像特征模型;将影像组学特征结合独立危险因素建立影像组学列线图模型。采用受试者操作特征(ROC)曲线分析各模型的预测效能并计算曲线下面积(AUC),并绘制校准曲线及决策曲线评估其效能。结果：列线图模型的预测效能最佳,训练集敏感度84.62%,特异度84.75%,AUC值为0.920,测试集敏感度84.00%,特异度83.33%,AUC值为0.916。校准曲线中列线图模型的预测曲线与理想曲线一致性较好...     

低剂量CT影像组学列线图鉴别纯磨玻璃样微浸润性腺癌和浸润性腺癌

目的：探讨低剂量CT影像组学列线图鉴别纯磨玻璃样结节（pGGN）中肺微浸润性腺癌（MIA）和肺浸润腺癌（IAC）的价值。方法：回顾性分析2018年1月至2023年4月温州医科大学附属第五医院经手术病理证实且CT表现为pGGN的239例肺腺癌患者的临床和CT影像资料,包括MIA 93例和IAC 146例。采用完全随机法以7:3的比例将患者分为训练集（n=167）和验证集（n=72）。使用Radcloud平台提取低剂量CT图像中病灶的影像组学特征,通过降维保留纳入模型的最佳特征。随后,建立3种机器学习分类器包括逻辑回归（LR）、支持向量机（SVM）和随机森林（RF）,以验证集中曲线下面积（AUC）最高的分类器作为最佳影像组学模型,并将其结果输出为影像组学评分（Rad-score）。将P<0.05的临床和CT形态学特征纳入到多因素Logistic回归分析中,筛选出鉴别MIA和IAC的独立危险因素,并建立临床模型。最终,基于Rad-score和临床危险因素构建联合模型,并绘制列线图。采用受试者工作特征（ROC）曲线的AUC、灵敏度、特异度和准确度评价模型的诊断性能。结果：通过降维得到15...     

多模态超声联合免疫组化构建列线图模型预测乳腺癌腋窝淋巴结转移的价值

目的:探讨原发病灶多模态超声特征联合免疫组化指标构建列线图预测乳腺癌腋窝淋巴结转移(ALNM)的临床价值。方法:回顾性分析234例乳腺癌患者临床及影像资料,结合病理结果,采用单因素及多因素Logistic回归分析筛选出预测ALNM的独立危险因素,并基于独立危险因素构建列线图预测模型,通过受试者工作特征曲线(ROC)评价该模型的诊断效能。结果:多因素Logistic回归分析显示,病灶最大径>20 mm、微钙化、汇聚征、Ki-67>20%均是乳腺癌ALNM的独立危险因素(P<0.05),基于上述独立危险因素构建的列线图模型ROC曲线下面积(AUC)为0.747。结论:基于多模态超声特征联合免疫组化结果构建列线图模型术前预测ALNM风险,为临床医师制定个体化治疗方案提供帮助,具有较好临床应用价值。     

基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者腋窝淋巴结负荷的价值

目的探讨基于机器学习的MRI影像组学列线图预测早期乳腺癌患者腋窝淋巴结（ALN）负荷的应用价值。方法回顾2015年1月至2022年6月丽水市中心医院经术后病理检查证实的377例早期乳腺癌患者,按7∶3的比例随机分为训练集264例和验证集113例。根据病理检查结果,将患者分为低负荷组（阳性ALN≤2枚,303例）和高负荷组（阳性ALN＞2枚,74例）。在Radcloud平台提取动态增强MRI第2期图像中乳腺肿瘤的影像组学特征,并依次采用方差阈值、单变量选择和最小绝对收缩和选择算子方法筛选最优影像组学特征。基于上述特征构建了5种机器学习分类器包括K近邻（KNN）、支持向量机（SVM）、逻辑回归（LR）、随机森林（RF）、极端梯度提升决策树（XGBoost）,选择验证集中AUC最高的分类器作为最佳影像组学模型。进一步行多因素logistic回归分析构建基于影像组学评分（Rad-score）和临床危险因素的列线图模型。采用ROC曲线评估不同模型的诊断效能。结果低负荷组和高负荷组在MRI报告淋巴结状态间的差异有统计学意义（P＜0.01）。经降维得到了16个与ALN负荷高度相关的影像组学特征。在验证集中,SVM分类器的诊断效能最好（AUC=0.762）。进一步结合Rad-score和MRI检查报告淋巴结状态建立列线图模型。ROC曲线结果显示,列线图模型在训练集和验证集中均呈现出良好的诊断效能,AUC分别为0.887、0.818。结论基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者ALN负荷具有较高的应用价值。     

基于磁共振肝脾影像组学特征结合临床影响因素联合模型诊断显著性肝纤维化的效果评价

目的：探讨基于多模态平扫腹部MRI提取肝脏-脾脏联合影像组学特征结合临床影响因素联合模型在诊断显著性肝纤维化中的效果。方法：收集2017 年5月至2022 年5月于温州医科大学附属第二医院行经肝脏组织穿刺活检或手术病理检查证实为肝纤维化,并在病理检查6个月内接受过标准腹部MRI平扫检查的患者110例,将所有患者以7:3随机分为训练集和测试集。按照METAVIR评分系统,将F2级及以上定义为显著性肝纤维化组（62例）,F2级以下定义为无或非显著性肝纤维化组（48例）。分别标注肝脏、脾脏特征,并从中提取影像组学特征经筛选后分别构建肝脏、肝脏-脾脏联合特征的支持向量机影像组学模型和影像组学标签,以此计算每位患者的影像组学评分（Rad-score）。采用Logistic回归分析显著性肝纤维化的临床影响因素。最后使用Logistic回归构建基于临床影响因素和Rad-score的联合模型,绘制列线图。使用受试者工作特征（ROC）曲线和决策曲线分析（DCA）评估模型的性能。结果：有22、36 个影像组学特征经筛选后分别用于构建肝脏、肝脏-脾脏影像组学模型。多因素Logistic回归分析结果显示,性别女性（OR =0.126,95%CI =0.040～0.354,P ＜0.001）、年龄（OR =0.985,95%CI =0.066～0.999,P =0.011）、乙肝感染（OR =5.139,95%CI =1.898～15.137,P =0.002）、APRI指数≥1（OR =3.793,95%CI =1.231～14.5,P =0.033）是独立临床影响因素,被纳入构建临床预测模型。在Logistic回归模型中,肝脏特征、肝脏-脾脏联合特征所构建的影像组学模型在ROC曲线下面积（AUC）分别为0.828和0.917,表明肝脏-脾脏联合特征影像组学模型诊断效能更优。将肝脏-脾脏联合特征影像组学模型作为影像组学预测模型与临床预测模型结合获得联合预测模型,其在训练集、测试集的AUC分别为0.948和0.963。DCA显示,联合预测模型的临床实用性最佳。结论：基于多模态平扫腹部MRI提取肝脏-脾脏联合影像组学特征较单一肝脏特征在诊断显著性肝纤维化中有更好的诊断效能,联合预测模型相比临床预测模型能进一步提高诊断效能。     

基于CT影像组学列线图鉴别非功能性神经内分泌肿瘤与实性假乳头状瘤

目的：探讨基于术前CT图像构建的影像组学列线图预测非功能性神经内分泌肿瘤（NF-pNETs）与实性假乳头状瘤（SPTs）的价值。方法：纳入87例经病理证实的NF-pNETs和SPTs,按7:3随机分为训练组（62例）和验证组（25 例）。使用A.K.软件对CT平扫、动脉期和延迟期图像提取肿瘤纹理特征。采用最大相关-最小冗余（mRMR）算法、套索（LASSO）算法及10折交叉验证进行特征降维,筛选出最具特征的参数。运用多因素Logistic回归筛选相关因子结合影像组学评分（Rad-score）,构建影像组学列线图模型。采用受试者工作特征（ROC）曲线评价影像组学模型区分二者的诊断效能。决策曲线分析（DCA）评价模型的获益情况。结果：CT平扫、动脉期和延迟期图像提取的396个特征经mRMR、LASSO和10折交叉验证筛选后最终保留特征分别为8个、6个、7个,综合模型最终保留10个特征。使用多因素Logistic回归构建包含性别、年龄、肿瘤最大径和CT平扫、动脉期、延迟期联合的Rad-score综合影像组学列线图。综合影像组学列线图的预测效能优于CT平扫、动脉期和延迟期建立的影像组学模型,训练组ROC曲线下面积为0.97（95%CI =0.94～1.00）,验证组为0.92（95%CI =0.81～1.00）。DCA显示风险阈值大于0.45时,使用综合影像组学列线图对鉴别二者的临床应用价值较大。结论：基于CT平扫、动脉期和延迟期构建的综合影像组学列线图对NF-pNETs和SPTs有较好的区分能力,可辅助作为一种术前评估的无创性影像学手段。     

多模态颅脑MRI影像组学特征在预测胶质母细胞瘤患者生存风险分层中的应用研究

目的探讨多模态颅脑MRI影像组学特征在预测胶质母细胞瘤（GBM）患者生存期风险分层中的作用。方法回顾性分析BRATS2018数据库中经手术病理证实的GBM患者163例,按入组时间分为训练组114例,测试组49例。提取所有患者术前MRI图像影像组学特征,评估传统影像视觉特征,然后对训练组数据使用最大相关-最小冗余算法和梯度提升决策树算法进行降维后建立影像组学标签模型,计算患者的影像组学标签分数,最终结合影像视觉特征和临床因素,使用多元逻辑斯回归构建总生存期联合预测模型并绘制列线图。基于测试组数据使用ROC曲线评估模型的诊断效能,并用决策曲线分析验证。结果从每例患者的4个MRI序列图像、5个感兴趣区共提取纹理特征7920个,经降维后筛选出26个最优价值特征构建影像组学标签。使用多元逻辑斯回归构建包含了深部白质、年龄和影像组学标签的联合诊断模型,并生成列线图,该模型在训练组和测试组中预测长短生存期的准确率分别为0.848和0.800。列线图、联合影像、影像组学标签、深部白质受累和年龄在所有患者中的诊断准确率分别为0.941、0.908、0.873、0.663和0.655。基于模型区分的高危组与低危组中的GBM患者数差异有统计学意义（P＜0.05）。结论影像组学标签、深部白质和年龄是GBM患者的独立预测因子,基于三者的联合模型而绘制的列线图可用于预测GBM患者总生存期,有助于进行生存风险分层。     

乳腺癌化疗致周围神经病变的列线图模型 构建与评价

目的 探讨乳腺癌患者化疗致周围神经病变（chemotherapy-induced peripheral neuropathy,CIPN）的影响因素,建立预测CIPN的列线图模型。方法 选择2019年7月至2022年1月福建省肿瘤医院治疗的431例乳腺癌化疗患者作为建模组,构建CIPN列线图模型;另选取89例乳腺癌患者作为验证组,比较两组患者的危险因素并绘制受试者工作特征曲线。结果 多因素分析显示：年龄、糖尿病、体质量指数（body mass index,BMI）、化疗前焦虑、化疗次数是CIPN的独立危险因素（P<0.05）;建模组和验证组的受试者工作特征曲线下面积分别为0.723（95%CI：0.676～0.770）和0.771（95%CI：0.676～0.866）。结论 本研究构建的列线图模型对乳腺癌化疗致周围神经病变的诊断具有较好的精确度和区分度。     

基于乳腺X线摄影影像组学列线图预测BI-RADS 4～5类钙化病灶恶性风险

目的 探讨基于乳腺X线摄影（MG）影像组学列线图在预测乳腺影像报告与数据系统（BI-RADS）4～5类钙化恶性风险中的价值。方法 回顾2017年1月至2020年12月浙江省立同德医院和蚌埠医学院第一附属医院经病理检查证实的292例MG表现为乳腺影像报告与数据系统（BI-RADS）4～5类钙化患者的临床及影像资料,其中良性121例,恶性171例。所有患者以7∶3比例分成训练集（204例）及验证集（88例）,对头尾位（CC）和内外斜位（MLO）图像进行手工分割并提取影像组学特征,并应用最小冗余最大相关（mRMR）及最小绝对值收敛和选择算子（LASSO）回归筛选最有价值的特征。采用logistic回归构建影像组学模型,从临床因素中筛选差异有统计学意义的危险因素并建立临床模型,再联合临床-影像组学特征建立联合模型,基于联合模型勾画列线图。采用ROC曲线评价各模型的效能,应用决策曲线比较各模型的临床应用价值。结果 分别从CC、MLO图像中提取并筛选出4个和6个影像组学特征构建影像组学模型,其验证集中的AUC为0.714,灵敏度为0.792,特异度为0.600,准确度为0.705。年龄和BI-RA...     

MRI增强序列列线图预测脑胶质瘤IDH1基因突变的研究

目的 探讨T1WI MRI增强序列的临床–影像组学列线图预测脑胶质瘤异柠檬酸脱氢酶1（isocitrate dehydrogenase 1,IDH1）基因突变的价值。方法 回顾性分析2016年2月至2022年2月宁波市医疗中心李惠利医院收治的98例经手术病理证实的脑胶质瘤（Ⅱ~Ⅳ级）T1WI MRI增强图像。其中,26例IDH1基因突变型（IDH1-M）、72例IDH1基因野生型（IDH1-W）,以7∶3比例划分为训练集（n=69）和测试集（n=29）,使用逻辑回归方法筛选特征并建立临床模型。勾画并测量脑胶质瘤的实质区及坏死区参数,建立Logistic回归影像组学模型,计算Radscore,生成列线图。采用校准曲线和受试者操作特征（receiver operating characteristic,ROC）曲线评价3个模型对脑胶质瘤IDH1基因突变状态的预测效能,进行决策曲线分析,评估列线图临床实用性。结果 训练集经过特征筛选,最终选择6个影像组学特征和2个临床特征用于构建列线图。临床模型在训练集和测试集中的曲线下面积（area under the curve,AUC）分别为0.834和0.718,影像组学模型分别为0.902和0.831,临床–影像组学组合模型最高,分别为0.906和0.857。校准曲线表明,临床–影像组学列线图在训练集中IDH1基因型的预测值和观察值之间具有较好的一致性（P=0.751）。决策分析曲线表明,组合模型的净收益在几乎整个Pt值范围内均高于临床模型及影像组学模型。结论 基于MRI T1WI增强序列的临床-影像组学列线图能较精准地预测IDH1基因突变状态。     

多模态超声评估乳腺癌新辅助化疗的价值

目的：探讨多模态超声在评估乳腺癌新辅助化疗疗效中的价值,建立评估乳腺癌新辅助化疗的多因素Logistic回归模型。方法：回顾性分析54例乳腺癌新辅助化疗患者的常规超声、弹性超声及超声造影的图像特征。用单因素和多因素Logistic分析影响新辅助化疗疗效的因素。绘制各因素受试者工作曲线（receiver operating characterisric,ROC）,计算ROC曲线下面积及准确度等评价指标。结果：新辅助化疗后肿瘤最长径缩小率、阻力指数（resistance index,RI）、收缩期峰值流速（peak systole velocity,PSV）、应变率比值（strain ratio,SR）、弹性评分、峰值强度（peak intensity,PI）和曲线下面积（area under curve,AUC）是影响新辅助化疗疗效的因素（P < 0.05）,多因素Logistic回归模型显示肿瘤最长径缩小率,PI和SR是乳腺癌新辅助化疗的危险因素。多因素回归模型ROC曲线下面积是0.95,准确度、灵敏度和特异度分别为90.74%、93.94%、85.71%,较单因素模型有较高的准确性。结论：多模态超声的多因素回归模型能较好地评估新辅助化疗疗效,提高诊断符合率。     

食管癌术后颈部吻合口瘘危险因素分析及预测模型的建立

目的：探讨影响食管癌患者术后颈部吻合口瘘的危险因素,构建并验证吻合口瘘发生风险的列线图模型。方法：回顾性分析2019年1月—2022年5月南京医科大学附属肿瘤医院行食管癌颈部吻合术的362例患者的临床资料,对术后发生颈部吻合口瘘相关危险因素进行单因素和多因素Logistic回归分析,基于独立危险因素构建列线图模型预测颈部吻合口瘘发生风险,通过受试者工作特征曲线（receiver operating characteristic curve,ROC）及曲线下面积（area under curve,AUC）、Calibration校正曲线验证模型的预测效能。结果：362例食管癌患者术后颈部吻合口瘘发生率11.88%(43/362)。多因素Logistic回归分析显示,糖尿病、慢性支气管炎、胸腹部手术史、新辅助治疗、术后肺部感染是食管癌术后颈部吻合口瘘的独立危险因素（P<0.05）。通过整合这5个因素构建预测颈部吻合口瘘风险的列线图模型,该预测模型的AUC为0.844(95%CI 0.771～0.918),Calibration校正曲线显示预测曲线与理想曲线走势基本一致。结论：糖尿病、...     

多模态超声影像联合临床指标预测缺血性脑卒中进展价值

目的 探讨多模态超声影像联合临床指标预测缺血性脑卒中（ischemic stroke,IS）进展的临床价值。方法 选取2020年1月至2022年10月云南省第三人民医院收治的134例IS患者作为研究对象,根据美国国立卫生研究院卒中量表（National Institute of Heath stroke scale, NIHSS）评分划分为进展性缺血性脑卒中（progressive ischemic stroke,PIS）组（n=20）、非进展缺血性脑卒中（NPIS）组（n=114）,统计2组临床指标、多模态超声影像表现及相关参数,采用Logistic筛选PIS影响因素,并绘制列线图模型,采用受试者工作特征（receiver operating characteristic,ROC）曲线、校准曲线验证该列线图模型预测效能。结果 2组年龄、基线老年营养风险指数（geriatric nutritional risk index,GNRI）评分、基线同型半胱氨酸（homocysteine,Hcy）、基线尿酸（uric acid,UA）比较,差异有统计学意义（P<0.05）;2组峰值时间...     

基于临床-影像组学列线图模型鉴别局灶性机化性肺炎与肺腺癌

目的 探讨临床-影像组学组合模型对于局灶性机化性肺炎和周围性肺腺癌的鉴别诊断价值。方法 回顾性分析2019年1月～2022年12月解放军总医院第一医学中心胸外科术后病理证实为局灶性机化性肺炎的60例患者,根据倾向评分匹配,1∶2选择出120例肺腺癌患者,收集其临床和影像资料。临床相关资料采用Logistic回归筛选独立危险因素,影像组学相关资料采用随机抽样的方法将患者按照8∶2的比例分为训练集（144例）与测试集（36例）,采用Python3.7数据包提取1835个特征,经过统计学处理,结合临床资料建立模型,在训练集和测试集中应用受试者操作特征（ROC）曲线对模型进行验证,评价该模型针对局灶性机化性肺炎与周围型肺腺癌的鉴别诊断效能,并建立列线图模型。结果 统计学分析,发现“过敏史”为机化性肺炎的独立危险因素（P=0.016）,血液学结果无明显差异（P>0.05）。在影像组学特征提取和降维后,筛选出30个对于鉴别两种疾病有意义的影像组学标签,其中对于鉴别意义前3位的影像组学标签为“GraylevelNonUniformity,灰度游程矩阵中的灰度非均匀性”、“SizeZoneNon...     

基于列线图的高血压患者大脑中动脉动脉瘤的破裂风险预测

目的：探讨高血压患者大脑中动脉（MCA）动脉瘤破裂的危险因素,并构建列线图预测模型。方法：回顾性收集2009年1月至2020年6月合并高血压的MCA动脉瘤住院患者的临床及影像资料。所有患者均行CT血管成像（CTA）检查,并测量动脉瘤的形态学参数。采用多因素Logistic回归分析高血压患者MCA动脉瘤破裂的独立危险因素,并构建列线图预测模型,应用受试者工作特征曲线（ROC）的曲线下面积（AUC）评估模型的诊断效能。结果：本研究最终纳入254例合并高血压的MCA动脉瘤患者。多因素Logistic回归分析结果显示,性别（OR =2.277,P =0.022）、纵横比（OR =10.270,P ＜0.001）、不规则形态（OR =4.747,P ＜0.001）和动脉瘤位置（OR =3.161,P =0.001）是高血压患者MCA动脉瘤破裂的独立危险因素。列线图预测模型具有良好的诊断效能（AUC=0.866）,预测准确度为82.68%。结论：纵横比、不规则形态、位置和性别是高血压患者MCA动脉瘤破裂的独立危险因素;基于列线图预测高血压患者MCA动脉瘤的破裂风险具有可行性,为临床个性化诊疗提供可视化依据。     

基于临床特征及平扫CT影像组学特征模型预测早期脑出血血肿扩大的价值

目的：探讨基于临床特征和平扫CT影像组学特征机器学习模型预测早期脑出血血肿扩大（HE）的价值。方法：收集2018年1月至2020年5月温州医科大学附属第二医院急性早期自发性脑出血患者261例,根据是否存在早期HE分为HE组和非HE组,并将所有样本按7:3随机分为训练集（182例）和验证集（79例）。采用3D Slicer软件对病灶感兴趣区进行勾画。提取影像组学特征并收集患者的临床特征（人口统计学特征、CT影像学特征）。使用最小绝对值收缩和选择算子（LASSO）对影像组学特征进行筛选,保留非零系数特征;采用单因素分析及多因素Logistic回归分析筛选独立危险因素。根据筛选出的特征分别构建临床、影像组学及混合逻辑回归（LR）模型以预测早期脑出血血肿是否扩大。采用受试者工作特征曲线（ROC）及曲线下面积（AUC）对模型的预测效能进行评估。结果：从CT影像中共提取396个影像组学特征,经LASSO算法降维后筛选出7 个具有鉴别意义的影像组学特征。收集临床特征共计10 个,经单因素分析及多因素Logistic回归分析后,发现漩涡征、黑洞征、形状不规则是HE的独立危险因素（P ＜0.05）。影像组学模型、临床模型及混合模型预测效能：训练集中AUC分别为0.924、0.836和0.968,特异度分别为91.4%、81.0%和95.2%,敏感度分别为81.8%、78.4%和84.4%;验证集中AUC分别为0.919、0.796 和0.929,特异度分别为81.8%、77.5%和88.1%,敏感度分别为76.1%、64.5%和80.4%。结论：基于临床及CT影像组学特征构建的LR模型对HE具有一定的预测效能。     

基于中国版甲状腺影像报告与数据系统的甲状腺结节恶性风险预测模型

目的 构建基于中国版甲状腺影像报告与数据系统(C-TIRADS)列线图模型预测甲状腺结节恶性风险。方法 收集2020年1月至2021年6月就诊于山东大学齐鲁医院甲状腺外科388例甲状腺结节患者的临床及超声资料,将2020年1月至2020年12月的270例患者作为建模组,2021年1月至2021年6月的118例患者作为验证组,根据术后常规病理结果,建模组分为良性结节组(n=137例)和恶性结节组(n=133例),通过单因素分析和多因素Logistic回归分析筛选出甲状腺恶性结节的独立危险因素,构建甲状腺结节恶性风险预测列线图模型并评价其性能。结果 多因素Logistic回归分析提示年龄、促甲状腺激素(TSH)、甲状腺球蛋白(TG)以及C-TIRADS分类是甲状腺恶性结节的独立危险因素。基于以上独立危险因素构建的列线图模型,其预测建模组甲状腺恶性结节的受试者工作特征(ROC)曲线下面积(AUC)为0.981(95%CI:0.967～0.996),验证组使用列线图模型预测甲状腺结节恶性风险的AUC为0.951(95%CI:0.909～0.992),表明列线图具有出色的预测性能,列线图内部验证...