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...     

基于MRI影像组学列线图预测脑膜瘤术后脑水肿分级的价值

目的 探究基于多序列MRI影像组学列线图预测脑膜瘤术后脑水肿严重程度的临床应用价值。方法 回顾性分析2019年1月至2022年4月在蚌埠医学院第一附属医院经手术病理证实为脑膜瘤患者170例的术前MRI图像、术后CT图像及临床资料,轻度脑水肿患者101例、重度脑水肿患者69例。随机的将病例按照7:3分为训练组(119例)和验证组(51例)。采用医准-达尔文AI平台获得T₁WI、T₂WI及T₁WI+C图像的10个影像组学特征。根据最大绝对值归一化和选择算子回归进行特征降维、最优特征筛选(个数)最后采用逻辑回归建立模型,在此模型基础上绘制列线图。三种不同模型预测脑膜瘤术后水肿程度的诊断效能用特征曲线(ROC)下的面积(AUC)评估。结果 基于临床特征构建的临床模型、基于影像特征构建的影像模型及联合临床资料和影像特征构建的临床-影像组学模型在训练组和验证组的AUC均大于0.80,具有一定的预测效能。其中基于临床资料和影像特征构建的临床-影像组学模型在训练组(AUC=0.90)和验证组(AUC=0.91)均高于临床模型和影像组学模...     

基于CT影像组学构建模型对实性肺结节鉴别的价值

  目的  探讨CT影像组学模型对实性肺结节良恶性的诊断效能。  方法  回顾性分析安徽医科大学第二附属医院2019年3月—2022年11月经手术、穿刺或临床证实的231例实性肺结节患者CT影像资料,选择典型的231个肺结节,按病理类型分为良性(98例)和恶性(133例)。采用InferScholar软件分别从二维、三维2个角度对病灶轮廓进行勾画,之后用软件提取影像组学特征,将入组病例以7∶ 3的比例分为训练集和测试集。通过Pearson相关系数、显著性检验、LASSO回归分析方法进行特征筛选。在训练集中分别构建二维、三维影像组学特征模型(模型Ⅰ、模型Ⅱ),用测试集来验证,利用ROC曲线下面积来评价模型的预测效能。  结果  从二维、三维2个角度分别提取出919、1 746个影像组学特征,经过筛选,分别得到12、20个最优影像组学特征,用机器算法构建影像组学模型Ⅰ和模型Ⅱ。训练集中模型Ⅰ的AUC为0.97,模型Ⅱ的AUC为0.98;测试集中模型Ⅰ的AUC、灵敏度、特异度、阳性预测值、阴性预测值和准确率分别为0.94(95% CI:0.87~0.98)、83.9%、89.5%、86.7%、87.2%、87.0%;测试集中模型Ⅱ的AUC、灵敏度、特异度、阳性预测值、阴性预测值和准确率分别为0.97(95% CI:0.94~0.99)、75.9%、97.5%、95.7%、84.8%、88.4%。  结论  基于CT影像组学构建的模型能够较好地预测实性肺结节的良恶性,从三维角度构建的模型Ⅱ的诊断效能优于二维角度构建的模型Ⅰ。      

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...     

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。      

区分T1-2与T3-4期胃癌CT影像组学模型的建立与验证

目的:探讨基于CT影像组学构建的模型术前鉴别T1-2与T3-4期胃癌的价值。方法:回顾性分析465例术前行腹部CT增强扫描且经切除术后T分期明确的胃癌患者,将其分为T1-2期及T3-4期两组,采用分层抽样方法按7∶3分为训练集及测试集。在其静脉期CT图像上进行感兴趣区(ROI)的勾画及影像组学特征的提取。采用LASSO回归筛选出与T分期相关性最高的特征,分别利用逻辑回归、支持向量机及决策树建立影像组学模型。基于影像组学特征建立影像组学标签,基于临床特征建立临床模型,结合影像组学标签及临床特征构建影像组学诺模图。使用受试者工作特征(ROC)曲线评价各模型鉴别T分期的效能;Delong检验比较最优影像组学模型与临床模型的ROC曲线下面积(AUC)的差异性及诺模图与二者中效能更好的模型之间AUC的差异性;采用校准曲线评价模型评估与实际病理结果的匹配性,决策曲线评价模型的临床净收益。结果:影像组学模型中,逻辑回归模型的预测效能最好,在训练集和测试集上的AUC分别为0.864、0.836,均高于临床模型;结合影像组学标签及临床特征生成的影像组学诺模图预测效能优于3种影像组学模型和临床模型,在训练...     

3.0 T磁共振T2加权成像联合磁共振弥散加权成像对宫颈癌分期的诊断价值

目的 探讨3.0 T磁共振T₂加权成像(T₂WI)联合磁共振弥散加权成像(DWI)对宫颈癌术前分期的诊断价值。方法 回顾性分析70例术前接受3.0 T磁共振扫描并经手术病理证实为宫颈癌的患者,并根据其临床检查、影像表现及病理结果作出临床分期、影像分期及病理分期。以病理分期为金标准,对比分析临床检查与T₂WI联合DWI对宫颈癌分期诊断的符合性差异。结果 T₂WI联合DWI对宫颈癌分期诊断的准确率为78%,临床检查对宫颈癌分期诊断的准确率为67%,T₂WI联合DWI影像分期诊断准确性高于临床分期,差异具有统计学意义(χ²=4.906,P=0.027)。结论 T₂WI联合DWI对宫颈癌患者的术前分期诊断准确性优于临床分期,具有重要的临床应用价值。     

病变周围区域与病变内部区域的MRI影像组学特征对临床显著性前列腺癌的诊断价值

目的 比较前列腺病变周围区域(PLV)与病变内部区域(ILV)的MRI影像组学特征对临床显著性前列腺癌(csPCa)的诊断价值。方法 回顾性分析140例进行过前列腺MRI检查的患者(训练集112例,测试集28例)。分别在T2加权成像(T2WI)、表观弥散系数(ADC)、动态对比增强磁共振成像(DCE-MRI)勾画可疑病变区域及病变周围区域,并提取影像组学特征,运用单变量分析及最小绝对值收敛和选择算子(LASSO)筛选特征,LASSO回归结合10折交叉验证建立预测模型,运用受试者操作特征曲线下面积(AUC)、德隆检验(Delong test)分别对模型进行评估及比较。结果 ILV模型的在训练集及测试集中的AUC分别为0.91、0.91,PLV模型的在训练集及测试集中的AUC分别为0.89、0.87。两预测模型在训练集与测试集中的诊断效能差异均无统计学意义。结论 前列腺病变周围区域的MRI影像组学特征对于csPCa的诊断价值低于病变内部区域的MRI影像组学特征的诊断价值。     

MR-T2WI纹理分析对前列腺中央腺体低信号结节良恶性的鉴别

目的探讨MR-T₂WI纹理分析鉴别前列腺中央腺体低信号结节良恶性的价值。方法回顾性分析符合纳入标准的28例前列腺癌和80例前列腺增生患者多序列MRI检查,并经组织病理学证实。基于MR-T₂WI图像勾画三维兴趣区,使用纹理分析软件(Omni-Kinertics GE)提取ROI内一级灰度直方图及二阶纹理特征参数:能量、熵、偏度、峰值、均匀度、平均值和标准差。用统计学方法评估MR-T₂WI各特征纹理参数在前列腺癌、前列腺T₂WI低信号增生结节及前列腺T₂WI混杂偏低信号结节之间的差异。采用受试者工作特征曲线(ROC)和曲线下面积(AUC),评估各参数的诊断效能,并评价定量纹理参数对前列腺癌和前列腺T₂WI低信号结节的鉴别诊断效能。结果MR-T₂WI图像纹理分析定量参数中,能量、熵、偏度、均匀度和标准差5个参数在前列腺癌组与前列腺增生结节组间的差异具有统计学意义,峰值和平均值于各组间差异无统计学意义。标准差鉴别前列腺癌组与前列腺增生结节组的AUC值为0.832,当截点为0.5804时,其诊断敏感度为68.75%、特异度为89.29%,其效能最高;而熵则同时有较高的敏感度及诊断效能。结论MR-T₂WI纹理分析的部分定量参数有助于前列腺癌与良性前列腺增生T₂WI低信号病变的鉴别,为两者的鉴别诊断提供客观依据。     

基于动态增强MRI瘤内和瘤周的影像组学模型在预测三阴性乳腺癌的诊断价值

目的 探讨基于动态增强磁共振(DCE-MRI)瘤内和最佳瘤周区域影像组学模型来预测三阴性乳腺癌(TNBC)。方法 回顾性分析东部战区总医院2017年6月至2022年5月入院治疗并行手术病理证实的232例乳腺癌患者。采用随机抽样的方法按照8∶2比例分为训练集(n=185)和测试集(n=47)。所有患者均行乳腺DCE-MRI检查，在DCE-MRI序列上手动逐层勾画感兴趣区(ROI),瘤周区域分别等距外扩。线性相关阈值和方差分析用于特征筛选，联合逻辑回归(LR)的机器学习方法构建影像组学模型。融合模型由瘤内及最佳瘤周影像组学特征共同组成。采用受试者工作特性曲线(ROC)来评价各模型的诊断性能，Delong检验来比较各模型预测性能。结果 瘤内模型的训练集和测试集的ROC曲线下面积(AUC)分别为0.833、0.768。瘤周特征建模以瘤周6 mm范围结果最佳，在训练集和测试集AUC分别为0.814、0.790。瘤内和瘤周的融合模型的预测效能最佳，在训练集和测试集AUC分别为0.924、0.881。结论 基于乳腺DCE-MRI瘤内和瘤周的融合影像组学模型可以很好的预测三阴性乳腺癌。     

基于双模态MRI影像组学术前预测浸润性乳腺癌腋窝淋巴结转移

目的探讨T2WI联合DCE-MRI的影像组学特征术前预测浸润性乳腺癌腋窝淋巴结转移的价值。方法回顾性分析经手术病理证实的168例浸润性乳腺癌病人的临床病理资料及MRI图像资料。根据手术病理结果,将其分为淋巴结转移组（n=64）和无淋巴结转移组（n=104）,并按8:2的比例将病人随机分为训练组（n=134）与验证组（n=34）。在T2WI和DCE两个序列手动勾画ROI进行图像分割和影像组学特征提取,利用Select K Best、LASSO回归及迭代筛选特征对高维组学特征进行降维,保留与腋窝淋巴结转移高度相关的特征。采用logistic回归建立T2WI、DCE和T2WI联合DCE三个影像组学预测模型,利用ROC曲线下面积（AUC）评估模型的效能,并以最优模型生成列线图。结果T2WI、DCE和T2WI联合DCE的影像组学预测模型在训练组的AUC分别为0.75、0.75和0.80;验证组的AUC分别为0.75、0.73和0.79。T2WI联合DCE模型的预测效能最佳。结论T2WI联合DCE影像组学预测模型在术前对浸润性乳腺癌腋窝淋巴结转移的预测具有一定的价值,能够无创、准确地预测腋窝淋巴结转移状态。     

基于高分辨率T2WI的影像组学对直肠癌EGFR表达的预测价值

目的:探讨基于高分辨率T2WI的影像组学对直肠癌EGFR表达状态的预测价值。方法:回顾性分析经术后病理确诊且在接受治疗前行MRI检查的208例直肠癌患者的临床及影像资料,根据EGFR表达水平不同将患者分为阳性组和阴性组。在高分辨率T2WI图像上勾画病灶的三维容积兴趣区(VOI)并提取影像组学特征,将208例患者分为训练集(n=145)和测试集(n=63),并对特征进行降维,将降维后的特征建立支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)及线性判别分析(LDA)四种分类器学习模型,分别绘制训练集和测试集的受试者工作特征(ROC)曲线,并获得曲线下面积(AUC)。结果:208例患者中,EGFR阳性表达99例(47.6%)。二元Logistic回归分析显示示低分化和淋巴结转移是EGFR阳性表达的独立危险因素(P<0.05)。训练集与测试集的患者在性别、年龄、TN分期及分化程度差异均无统计学意义(P>0.05)。4种影像组学模型均有一定的预测效能,其中SVM模型训练集与测试集的诊断效能均为最高,在训练集和测试集中的AUC分别为0.803、0.725。结论:基于高分辨率T2...     

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...     

基于mp-MRI影像组学预测前列腺癌Gleason分级的价值探讨

目的探讨多参数磁共振成像（mp-MRI）影像组学预测前列腺癌Gleason分级的价值。方法回顾性分析266例前列腺癌病人,根据病理结果分为Gleason评分高危组（Gleason≥4+3分）、Gleason评分低危组（Gleason≤3+4分）,在T2WI横断面、ADC图（b值0、1 500 s/mm2）上手动勾画病灶后进行影像组学特征的提取及量化,将所选病例数据特征随机分为训练组与测试组（测试集比例为0.3）,构建支持向量机分类模型,得到训练组与测试组的ROC曲线及曲线下面积（AUC）。结果Gleason评分高危组118例,Gleason评分低危组148例,其中训练组186例（高危组83例、低危组103例）,测试组80例（高危组35例、低危组45例）,T2WI、ADC图影像组学支持向量机模型训练组的AUC为0.753,测试组AUC为0.741,准确率为62.5%（95%CI:0.572~0.893）;T2WI、ADC图影像组学联合PSA值支持向量机模型训练组的AUC为0.768,测试组AUC为0.752,准确率为72.5%（95%CI:0.613~0.917）;经Delong验证,两者差异无统计学意义（P>0.05）。结论mp-MRI影像组学预测前列腺癌Gleason分级有较高的参考价值。     

磁共振影像组学模型在直肠癌肝转移评估中的临床价值

  目的  探究基于不同磁共振序列构建的影像组学模型在直肠癌肝转移评估中的临床应用价值。  方法  回顾性纳入2015年4月?2018年5月经病理证实为直肠癌并在我院行治疗前基线磁共振检查的患者140例。根据肝脏穿刺活检、手术病理和影像结果分为肝转移组和未转移组。通过ITK-SNAP软件在T2加权图像（T2 weighted image,T2WI）、弥散加权图像（diffusion weighted image,DWI）和表观弥散系数（apparent diffusion coefficient,ADC）图像上对原发灶逐层勾画感兴趣区（region of interest,ROI）。3D ROI导入Artificial Intelligent Kit软件平台提取影像组学特征,每个序列图像提取396个特征。基于Python平台对特征数据进行预处理,使用支持向量机-合成少数类过采样法（Support Vector Machine-Synthetic Minority Over-Sampling Technique,SVM-SMOTE）对样本进行过采样,使截止随访时发生肝转移组和未发生肝转移组样本数平衡,之后按2∶1比例分为训练集和测试集。对影像组学特征进行筛选后,使用R软件构建logistic回归模型,用受试者工作特征（ROC）曲线和校准曲线对模型效果进行评价。  结果  纳入的患者中发生肝转移的有52例,截止随访时未发生肝转移的有88例,癌胚抗原（CEA）水平、MRI的T分期和N分期在肝转移组和未转移组的差异有统计学意义（P<0.05）。在对特征进行预处理和筛选后,最终,除去非影像组学特征17个,多序列联合数据集（T2WI+DWI+ADC）共筛选出32个特征,T2WI独立数据集10个特征,DWI独立数据集30个特征,ADC独立数据集15个特征。多序列联合数据集、T2WI独立数据集以及ADC独立数据集构建的模型能准确评估肝转移,训练集的ROC曲线下面积（AUC）为93.5%、89.2%、90.6%,测试集的AUC分别为80.8%、80.5%、81.4%,多序列联合数据集并未表现出高于独立数据集的AUC。DWI独立数据集表现稍差,训练集和测试集的AUC为90.3%、75.1%。校准曲线显示,联合数据集模型的波动最小,最接近参考线;3个独立数据集模型的波动范围相接近;4种模型的校准曲线均显示随着风险升高,模型预测从对风险的低估转为对风险的高估。总体而言,多序列联合数据集与独立T2WI数据集、独立ADC数据集都具有较高的AUC,而多序列联合数据集校准曲线偏离对角参考线最近,模型效果最好。独立T2WI和ADC数据集总体效果次之,独立DWI数据集效果欠佳。  结论  磁共振影像组学模型能够对直肠癌肝转移进行有效评估,为临床分期和诊治提供信息。     

多参数MRI影像组学在鉴别诊断T3a与T3b期前列腺癌中的价值

目的探讨多参数MRI(multi-parameter MRI, mp-MRI)影像组学在鉴别诊断T3a、T3b期前列腺癌中的价值。方法回顾性分析151例T3期前列腺癌病人的影像资料, 其中T3a期110例, T3b期41例。使用达尔文智能科研平台在T2WI及ADC横轴位图像上手动勾画感兴趣区, 提取影像组学特征。按照3:1的比例分别将ADC图像、T2WI图像、ADC图像联合T2WI图像三种模式下的影像组学特征分为训练集和验证集, 依次对3组训练集构建模型, 使用相应验证集进行内部验证。通过ROC曲线对模型进行分析, 并评价不同序列的诊断效能。结果通过达尔文科研平台共提取1878个影像组学特征, 最终保留6个(ADC相关2个, T2WI相关4个)(P < 0.05), 单独T2WI和ADC图像下训练集AUC值分别为0.79、0.71, 验证集AUC值为0.59、0.70;ADC图像联合T2WI图像下训练集AUC值为0.79, 验证集AUC值为0.73。结论T2WI图像联合ADC图像影像组学对术前鉴别T3a、T3b期前列腺癌具有较好诊断价值, 可在一定程度上弥补MRI对 < 1 mm病灶检查效果欠佳的缺陷, 为癌灶是否侵犯精囊提供补充, 协助临床术前获得更加详实的资料, 为精准手术提供指导。