基于多序列MRI影像组学预测早期宫颈癌淋巴血管侵犯的研究

  目的  探索基于多序列MRI图像的影像组学方法在预测早期宫颈癌淋巴血管侵犯(LVSI)中的临床价值。  方法  选取2015年1月—2020年2月宁波大学附属人民医院收治经病理证实的早期宫颈癌患者134例,分层抽样选取训练组91例,验证组43例,术前均行MRI平扫、对比增强(CE-MRI)及弥散成像(DWI)检查。在T₂WI-FS、CE-MRI及DWI序列图像上分别勾画肿瘤感兴趣区,采用LASSO回归及诺模图法提取影像组学特征并建立预测模型,训练组进行特征选择分类及模型建立,验证组对构建的预测模型进行验证,分析基于MRI各序列影像组学模型对早期宫颈癌LVSI的预测效能。  结果  采用LASSO回归在早期宫颈癌患者的T₂WI-FS、CE-MRI和DWI序列影像中分别提取具有预测意义的宫颈癌LVSI的影像组学特征,WavEnLH_s-4、Horzl_LngREmph在各序列中均被筛选出。通过logistics回归模型分别构建的不同序列MRI的影像组学模型对早期宫颈癌LVSI诊断效能均较高,T₂WI-FS、CE-MRI及DWI在训练组的AUC分别为0.810、0.803和0.781,在验证组的AUC分别为0.785、0.761和0.752。使用诺模图法构建的多序列MRI影像组学在训练组的AUC为0.893,在验证组的AUC为0.859。  结论  通过诺模图法构建的基于T₂WI-FS、CE-MRI及DWI序列影像组学模型作为一种客观的影像分析方法,对早期宫颈癌LVSI具有较高的预测效能并具有一定临床应用价值。      

120例胶质瘤及瘤周水肿MRI影像组学在评估肿瘤复发中的价值

目的 探讨胶质瘤及瘤周水肿(PTE)MRI影像组学在评估肿瘤复发中的价值。 方法 选取山东大学齐鲁医院2013年1月至2020年12月经术后病理证实的胶质瘤患者120例,包括55例复发和65例无复发患者,根据术前T₂WI和T₁WI增强图像对肿瘤和PTE进行三维容积感兴趣区勾画,并按照8∶2的比例分为训练组和验证组,分析两者及联合的组学特征与肿瘤复发的关系。使用受试者工作特征(ROC)曲线下面积(AUC)与准确性矩阵,比较和评价不同影像组学模型的训练结果。 结果 对于PTE,K临近法(KNN)分类器预测效能最好:训练组AUC值、敏感度、特异度分别为0.910、0.84、0.88,验证组分别为0.916、0.82、0.93。对于肿瘤,逻辑回归(LR)分类器预测效能最好:训练组AUC值、敏感度和特异度分别为0.777、0.69、0.67,验证组分别为0.758、0.82、0.92。当肿瘤+PTE联合时,逻辑回归(LR)分类器预测效能最好:训练组AUC值、敏感度、特异度为0.977、0.88、0.89,验证组则为0.841、0.73、0.83。 结论 胶质瘤PTE和肿瘤影像组学特征在预测胶质瘤术后复发方面具有一定的价值,其中PTE的KNN组学模型效能最佳。     

基于多序列MRI的影像组学模型在腮腺肿瘤良恶性诊断中的应用

目的 探究腮腺肿瘤良恶性的诊断中应用基于多序列MRI的影像组学模型的临床价值。方法 选取2021年1月1日—2022年5月30日于台州市中心医院就诊经病理检查证实的腮腺肿瘤患者共97例,其中良性肿瘤64例,恶性肿瘤33例,提取患者的临床资料及MRI图像。通过ITK-SNAP软件分割感兴趣区域(ROI),使用3D-slicer软件的PyRadiomics插件在T₁加权对比增强成像序列(T₁Wce)、T₂加权序列(T₂WI)及基于弥散加权成像(DWI)序列构建的表观弥散系数(ADC)图像中提取120个影像特征,使用Lasso回归进行特征降维,最后使用筛选的影像特征构建支持向量机(SVM)模型。然后绘制ROC曲线,评估模型的诊断效能。结果 2组患者年龄、性别差异无统计学意义。基于患者T₁Wce、T₂WI和ADC序列以及3个序列联合构建4个影像组学模型用于腮腺肿瘤良恶性诊断,AUC分别为T₁Wce模型0.752,T₂WI...     

急性脑卒中血管内治疗后恶性脑水肿风险的列线图预测模型构建

目的 基于多模态MRI影像组学及临床危险因素构建列线图模型,探讨其预测急性脑卒中血管内治疗后恶性水肿风险的临床价值。方法 回顾性分析在南京市第一医院神经内科接收血管内治疗的急性脑卒中患者128例。将患者分为恶性脑水肿组和无恶性脑水肿组。对患者多模态MRI图像病变区进行影像组学特征提取及筛选,构建影像组学标签。应用多变量Logistic回归构建列线图模型,并对模型预测水肿的效能进行评价。结果 经筛选后与急性卒中恶性脑水肿高度相关的特征10个。ROC显示联合影像组学标签、年龄、入院NIHSS评分、DWI梗死体积、Tmax>6s体积构建的列线图模型预测训练集恶性脑水肿的AUC为0.959(敏感度和特异度：0.906、0.938),预测测试集恶性脑水肿AUC为0.889(敏感度和特异度：0.953、0.850)。该列线图模型的一致性指数为0.913(95%CI:0.881～0.942,P<0.01)。结论 多模态MRI影像组学联合临床特征的列线图模型可准确预测急性脑卒中血管内治疗后恶性脑水肿风险。     

基于双参数MRI影像组学机器学习鉴别前列腺癌Gleason评分分级分组中的应用

目的 探讨基于双参数MRI影像组学机器学习模型对前列腺癌(PCa)Gleason评分分级分组中的价值。方法 回顾性收集经病理证实为PCa的患者138例,其中GG>2患者83例,GG≤2患者55例。所有病人术前均进行MRI检查。按7∶3将患随机分为训练集和测试集,分别用于影像组学模型的机器学习和验证,采用RF、SVM和XGboost构建3组模型(ADC、T₂WI、ADC+T₂WI),采用受试者操作特征(ROC)曲线评估析各模型鉴别GG≤2与GG>2PCa的诊断效能。结果 测试集中应用SVM算法的T₂WI+ADC模型诊断效能最高,AUC为0.896。其次为T₂WI+ADC中的RF模型,AUC为0.871。在各特征集中,RF和SVM算法的模型的AUC均高于XGboost算法。结论 基于双参数MRI影像组学机器学习模型可较好地鉴别GG≤2与GG>2PCa。     

全子宫MRI影像组学特征术前预测Ⅱ型子宫内膜癌的可行性研究

目的 探讨术前全子宫磁共振成像(MRI)影像组学特征对Ⅱ型子宫内膜癌(EC)的预测价值及模型的可行性。方法 研究对象为我院自2017年6月至2022年6月经手术病理证实的Ⅰ型EC(n=68)和Ⅱ型EC(n=22)共90例患者,以随机数表法分为训练集(n=63)和验证集(n=27)。收集患者的一般资料及术前14d内MRI图像。通过MRI图像一致性(ICC)评价和线性相关性检验后,建立LASSO-Logistic回归模型筛选影像组学特征。采用受试者工作特征曲线(ROC)的线下面积(AUC)评估筛选特征预测Ⅱ型EC的精准度。构建术前全子宫MRI影像组学特征的人工神经网络模型,通过训练集Bootstrap自抽样和验证集以ROC、校准曲线评价模型区分度和准确性。结果 Ⅱ型EC患者肌层浸润深度和淋巴结转移高于Ⅰ型EC(P<0.05)。共提取术前全子宫MRI图像轴位DWI和矢状位T₂WI影像组学特征各1132个,全子宫MRI一致性高于EC病灶特征。DWI特征AUC=0.837(95%CI:0.713～0.908,P<0.01),T₂WI特征AU...     

基于靶扫描和常规扫描CT图像的影像组学模型预测肺磨玻璃结节的2年生长

 目的 比较基于靶扫描CT（targeted CT,T-CT）和常规扫描CT（conventional CT,C-CT）图像建立的CT影像组学特征集预测肺磨玻璃结节（ground-glass nodules,GGN）2年生长的价值,并建立影像组学列线图以帮助管理GGN。方法 回顾性收集2018年10月—2019年1月间414个随访肺GGN的T-CT、C-CT图像和临床资料,并按7∶3分为训练组（n=290）和验证组（n=124）。分别采用最小绝对收缩与选择算法逻辑回归、多因素逻辑回归筛选GGN 2年生长相关的影像组学特征及临床特征,构建影像组学特征集、临床特征集,结合成影像组学列线图。采用Delong检验比较基于T-CT和C-CT图像建立的CT影像组学特征集,并分别用C-CT和T-CT数据进行交叉预测。分别采用受试者工作特征曲线下面积（AUC）和临床决策曲线评估各模型效能和临床实用性。结果 T-CT和C-CT图像分别筛选出7个和6个特征用于构建影像组学特征集,两者AUC差异无统计学意义。筛选出年龄、性别和毛刺征3个临床特征构建临床特征集,结合C-CT影像组学特征集构建影像组学列线图。影像组学列线图在训练组和验证组中的AUC分别为0.948和0.933。临床特征的纳入未能显著提高模型预测效能（训练组和验证组P值分别为0.168和0.160）,影像组学列线图较影像组学特征集获得更高临床净收益。结论 T-CT和C-CT影像组学特征集均能有效预测GGN的2年生长,且差异无统计学意义。影像组学列线图较影像组学特征集获得更高临床净收益,有助于管理GGN。     

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。     

多参数MRI联合PSA结合机器学习对前列腺中央区良恶性结节的诊断价值分析

目的 分析多参数核磁共振成像(MRI)联合前列腺特异性抗原(PSA)结合机器学习对前列腺中央区良恶性结节的诊断价值。方法回顾性分析2018年6月至2021年6月期间于医院进行前列腺多参数MRI检查的135例患者临床资料,包括前列腺癌患者62例和前列腺增生患者73例,应用MaZda软件提取T₂WI、表观扩散系数(ADC)图像纹理特征,分别构建PSA与T₂WI、ADC图像纹理特征的数据库,并分析基于T₂WI、ADC纹理特征以及PSA的逻辑回归(LR)、支持向量机(SVM)和K邻近(KNN)机器学习模型诊断前列腺中央区良恶性结节的效能。结果基于T₂WI纹理特征以及PSA的3种机器学习模型LR、SVM、KNN测试集AUC分别为0.782、0.777、0.772,基于ADC纹理特征以及PSA的3种机器学习模型LR、SVM、KNN测试集AUC分别为0.906、0.877、0.889,基于ADC纹理特征以及PSA的3种机器学习模型的AUC高于T₂WI,且LR模型具有最理想的诊断效能。结论 多...     

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。     

CT影像组学在预测非小细胞肺癌淋巴结转移中的价值

目的探讨基于胸部CT影像组学在术前预测非小细胞肺癌淋巴结转移中的价值。方法回顾性分析经术后病理证实的143例非小细胞肺癌病人临床、胸部CT增强影像资料。按照7:3比例,随机分为训练组（n=100）和验证组（n=43）。在静脉期图像上提取肿瘤的影像组学特征,采用最小绝对收缩选择算子（LASSO）逻辑回归用于数据降维、特征筛选。分别基于影像组学特征和临床-影像特征（最大径、毛刺征）构建预测模型。采用受试者工作特征曲线（ROC）的曲线下面积（AUC）评价不同模型的鉴别预测效能,并对模型的ROC曲线行Delong检验;在验证组中评估其预测效能。结果共提取939个影像组学特征,经筛选最终得到6个最优特征并建立影像组学预测模型。对于术前预测淋巴结转移的效能,在训练组中,影像组学模型AUC为0.864（95%CI:0.781~0.924）,大于临床模型的AUC为0.662（95%CI:0.561~0.754）（P < 0.01）;在验证组中,影像组学模型AUC为0.860（95%CI:0.720~0.964）,大于临床模型的AUC为0.664（95%CI:0.504~0.880）（P < 0.05）。结论基于胸部CT增强图像提取影像组学特征及其构建的预测模型,影像组学模型的效能高于临床模型,可以作为一种预测非小细胞癌病人淋巴结是否转移的辅助工具,具有良好的临床应用前景。     

基于3D MRI影像组学模型鉴别IA期宫颈癌与高级别鳞状上皮内瘤变的价值研究

目的 探讨基于3D磁共振T₂WI及动态对比增强DCE序列影像组学模型在鉴别ⅠA期宫颈癌与高级别鳞状上皮内瘤变(HSIL)中的价值。方法 回顾性分析经手术病理证实的ⅠA期宫颈癌患者52例与HSIL患者35例,收集患者的临床资料及影像资料,利用汇医慧影平台将患者按10:3随机分成训练集和测试集,在矢状位T₂WI和DCE上由三名放射科医生手动勾画宫颈,获得宫颈三维容积感兴趣区(VOI),提取影像组学特征。并进行数据降维。采用KNN算法建立模型并绘制受试者工作特性曲线(ROC曲线),对训练集和测试集ROC曲线下的总面积(AUC)、敏感度、特异度、准确率4个指标展开分析。结果 T₂WI模型、DCE模型以及T2WI联合DCE模型最终提取出的影像组学特征征别为23、11、28,训练集及测试集的AUC值分别为0.833、0.797,0.877、0.870,0.897,0.813。结论 T₂WI联合DCE图像影像组学模型比单一模型更具有临床价值,有助于评估病情,并针对病情所处阶段制定个体化治疗方案。     

基于多参数MRI影像组学的列线图对膝关节半月板损伤风险度的评估

目的通过基于多参数MRI影像组学的列线图对膝关节半月板的损伤进行风险度评估。方法选取2020年11月至2021年11月在浙江大学医学院附属杭州市第一人民医院行右膝关节MRI检查的患者86例,按照7:3的比例进行分层抽样,将86例患者随机分为训练组59例,验证组27例。根据MRI诊断标准将所有患者分为撕裂组50例和未撕裂组36例。所有图像在联影智能科研平台上进行影像组学特征提取并筛选,得到影像组学特征参数分数（Rad-score）,同时建立影像组学特征模型。通过纳入Rad-score及患者的临床资料,用二元logistic回归建立联合模型,得到联合模型的列线图,实现模型可视化。同时另选取2020年9月至2021年12月在浙江大学医学院附属杭州市肿瘤医院行左膝关节MRI检查的患者30例对模型进行外部验证,优化模型。绘制ROC曲线评价临床特征模型、影像组学特征模型及联合模型对膝关节半月板损伤风险的评估效能。结果联合模型对膝关节半月板损伤风险有较好的评估效能,训练组AUC=0.916,95%CI：0.815~0.973,灵敏度为0.703,特异度为0.955,准确度为0.797;验证组AUC=0.907,95%CI：0.731~0.984,灵敏度为0.846,特异度为0.929,准确度为0.889。通过外院30例膝关节MRI图像进行联合模型的外部验证显示,模型预测结果准确度为0.733（22/30）,联合模型预测结果与膝关节半月板实际损伤呈中等的一致性（Kappa=0.467,P＜0.01）。结论通过基于膝关节多参数MRI的Rad-score及临床特征资料建立的联合模型所得到的列线图,对膝关节半月板损伤的风险度评估具有一定价值。     

基于多参数磁共振成像的影像组学列线图在识别脑白质高信号半暗带中的应用研究

目的探讨使用T2WI联合FLAIR序列成像的影像组学列线图识别脑白质高信号半暗带的临床可行性。方法回顾性分析2012年至2017年我院收治的57例白质高信号进展患者和57例健康体检者的资料并分为训练组(n=80)和验证组(n=34)。对每例患者和健康体检的白质高信号半暗带区分别对T2WI和FLAIR图像提取纹理特征,然后对训练组使用最小绝对收缩与选择算子算法进行降维并建立影像组学标签,同时结合临床危险因素作为Logistic回归分析的潜在预测因子构建识预测模型并制作模型列线图。通过验证组数据评估影像组学列线图的性能和临床应用价值。结果列线图预测白质高信号半暗带的准确率在训练组和验证组中分别为0.881和0.862。Hosmer-Lemeshow检验在训练和验证集间差异均无统计学意义(P>0.05)。使用受试者工作特征曲线评估列线图、影像组学标签和糖尿病因素的AUC分别为0.829、0.819和0.64。结论基于多参数磁共振成像的影像组学列线图可作为一种量化工具帮助临床医生识别白质高信号半暗带,从而进行早期的干预治疗。     

基于增强CT影像组学的列线图模型在预测胸腺上皮性肿瘤WHO简化分型中的应用研究

目的 探讨基于增强CT图像的列线图模型在预测胸腺上皮性肿瘤(TETs)WHO简化分型中的应用价值。方法 回顾性分析术前行胸部增强CT检查并经手术病理证实的165例TETs,按照8:2的比例随机划分为训练集132例与验证集33例。于静脉期图像手动勾画感兴趣区(ROI)并提取影像组学特征,经数据降维筛选出有效特征并建立影像组学公式,计算每位患者的得分(radscore)并构建影像组学模型。纳入多个CT特征,经多因素逻辑回归筛选出具有独立预测价值的特征并构建CT特征模型。联合具有独立预测价值的CT特征及radscore构建列线图模型。采用受试者工作特性曲线(ROC)评估模型的诊断效能,校正曲线及决策曲线(DCA)评估模型的预测准确性及临床应用价值。结果 在训练集中,纵隔脂肪浸润与radscore共同构建了列线图模型,模型在训练集的曲线下面积(AUC)值为0.902(95%CI:0.838～0.947),在验证集的AUC值为0.824(95%CI:0.652～0.934)。结论 基于增强CT影像组学的列线图模型对于TETs WHO简化分型有较高的预测价值,可作为一种无创的术前评估工具辅助临床决...     

CT影像组学联合临床特征在预测肺腺癌EGFR突变中的价值

目的探究CT影像组学联合临床特征对肺腺癌EGFR突变状态的预测效能。方法对125例肺腺癌病人进行回顾性研究,分成训练组（n=74）与验证组（n=51）,基于CT成像提取影像组学特征;采用支持向量机（SVM）分类器,分别构建临床模型、影像组学模型以及联合模型;受试者工作特征曲线（ROC）及曲线下面积（AUC）用于评价模型的预测效能。结果临床模型、影像组学模型以及联合模型在训练组中的AUC分别为0.749（0.653~0.843）、0.818（0.711~0.898）、0.860（0.760~0.930）,在验证组中的AUC分别为0.753（0.612~0.863）、0.797（0.661~0.896）、0.855（0.728~0.938）。结论对于肺腺癌EGFR突变状态的预测,CT影像组学特征优于临床因素与CT征象,当影像组学结合临床因素与CT征象,能进一步提高预测效能。     

多参数MR影像组学标签鉴别非典型纤维腺瘤与浸润性乳腺癌

目的 探讨基于多参数磁共振T₂WI及弥散加权成像序列的影像组学模型在鉴别非典型纤维性腺瘤与浸润性乳腺癌中的价值。方法 回顾性分析154例因乳腺肿块就诊患者的影像资料。其中包括经乳腺影像报告和数据系统评估为4类但病理活检证实为纤维腺瘤的ABF43例,病理活检为IBC的111例。利用达尔文科研平台将数据集按照4∶1随机分成训练集和测试集,提取所勾画病灶上的影像组学特征,利用支持向量机建立影像组学鉴别模型,通过对受试者操作特征曲线、敏感度、特异度及准确率进行分析,探讨单独T₂WI图、单独DWI图及T₂WI联合DWI图像三种模型在ABF组和IBC组间的鉴别价值。结果 T₂WI图和DWI图训练集及测试集的ROC曲线下面积分别为0.80、0.75,0.75、0.70;T₂WI图像联合DWI图像模型训练集及测试集的ROC曲线下面积分别为0.85,0.79。结论 T₂WI联合DWI图像影像组学模型对鉴别ABF及IBC具有一定价值,可辅助临床更精准的判断患者肿块类型,尽可能...     

基于胸部CT影像组学的列线图对非小细胞肺癌表皮生长因子受体基因突变的预测价值

目的通过基于胸部CT影像组学的列线图对非小细胞肺癌（NSCLC）表皮生长因子受体（EGFR）基因突变进行鉴别和预测。方法回顾杭州市第一人民医院2019年1月至2020年8月经病理检查证实为NSCLC的153例患者胸部CT图像及EGFR基因检测结果,将所有患者分为基因突变组90例及野生组63例,通过7︰3比例的分层抽样将所有患者分为训练组108例和验证组45例,提取所有CT图像影像组学特征并筛选,得到影像组学特征参数分数（Rad-score）,同时建立影像组学特征模型。通过纳入Rad-score、图像语义特征及患者的临床资料,用多因素二元logistic回归建立联合模型,得到联合模型的列线图,实现模型可视化,并进行模型验证。绘制ROC曲线评价影像组学特征模型、临床-语义特征模型及联合模型对NSCLCEGFR基因突变的预测效能。结果联合模型对于鉴别NSCLCEGFR基因突变具有较好的预测效能,训练组AUC=0.77,95%CI：0.68~0.85,准确度为70.0%,灵敏度为0.67,特异度为0.76,阳性预测值为79.3%,阴性预测值为61.8%;验证组AUC=0.77,95%CI：0.63~0.91,准确度为71.1%,灵敏度为0.79,特异度为0.62,阳性预测值为70.4%,阴性预测值为72.2%。Rad-score、结节分型、吸烟史均为独立预测因子。结论通过基于胸部CTRad-score、图像语义特征及临床特征资料建立的的联合模型所得到的列线图,对预测NSCLCEGFR基因突变具有一定价值。     

基于T2W-MRI影像组学标签术前预测浸润性乳腺癌组织学分级

目的：构建并验证基于磁共振T2加权像(T2 weighted MRI,T2W-MRI)压脂序列图像术前预测浸润性乳腺癌组织学分级(I/II级、III级)的影像组学标签。方法：回顾性收集2011年6月至2017年2月在广东省人民医院行MRI检查并经病理诊断证实的浸润性乳腺癌患者202例,并进一步将其分为训练组152例(I/II级91例, III级61例)和验证组50例(I/II级30例, III级20例)。通过导出T2加权成像(T2 weighted imaging,T2WI)压脂序列中肿瘤最大层面图像并手动勾画肿瘤感兴趣区、提取影像组学特征后,应用最小绝对收缩和选择算子(the least absolute shrinkage and selection operator,LASSO)-logistic回归模型筛选特征并构建影像组学标签。使用Mann-Whitney U检验分析影像组学标签与浸润性乳腺癌组织学分级之间的关系;应用受试者工作特征(receiver operating characteristic,ROC)曲线并计算曲线下面积(area under curve,AUC)、敏感度、特异度及准确度以评价影像组学标签术前预测浸润性乳腺癌组织学分级的效能;并在验证组中验证其效能。 结果：在训练组中提取并筛选出8个特征用于构建影像组学标签,其在术前预测浸润性乳腺癌组织学分级的效能在训练组中AUC值为0.802(95% CI：0.729~0.875),敏感度、特异度和准确度分别为78.7%,70.3%和73.7%;在验证组中,AUC值为0.812(95% CI：0.686~0.938),敏感度、特异度及准确度分别为80.0%,73.3%和76.0%。结论：基于T2W-MRI压脂序列图像的影像组学标签可术前预测浸润性乳腺癌组织学分级,有望协助临床决策。     

基于靶扫描CT影像组学对磨玻璃样肺腺癌浸润程度的预测价值

目的 探讨基于靶扫描CT影像组学及形态学征象预测磨玻璃样肺腺癌浸润程度的价值。方法 回顾性分析2020年1月-2022年4月浙江省嘉兴市中医医院经病理证实的147例磨玻璃结节患者(151个磨玻璃结节,其中AIS 17例,MIA 59例,IAC 75例)的术前靶扫描CT图像,随机7:3划分为训练组及验证组。评估结节的一般临床资料及靶扫描CT形态学征象并通过Logistics回归建立临床模型;通过软件获取病灶的影像组学特征,采用LASSOLogistics算法建立影像组学模型。采用受试者工作特征曲线下面积(AUC)评估两种模型的性能。结果 联合患者的年龄、病灶的大小、毛刺征、分叶征、胸膜牵拉征构建的临床模型在训练组及验证组AUC分别为0.878(95%CI:0.808-0.941)、0.955(95%CI:0.887-0.994);通过12个CT靶扫描影像组学特征建立的影像组学模型在训练组及验证组AUC分别为0.984(95%CI:0.964-0.997)、0.932(95%CI:0.851-0.988)。结论 靶扫描CT影像组学模型及CT形态学征象模型都可以有效的预测磨玻璃样肺腺癌的浸润...