机器学习基于动态对比增强MRI鉴别乳腺良性与恶性病变的价值

目的 本研究旨在探讨不同机器学习方法 在乳腺良性与恶性病变预测中的应用。方法 回顾性分析厦门医学院附属第二医院2018年8月至2022年5月经病理证实的271个患者临床和影像资料。采用分层抽样方法 以7:3的比例划分训练组和验证组,提取影像组学特征,训练组使用冗余性分析、最小绝对收缩和选择算子交叉验证算法进行特征筛选,采用逻辑回归、支持向量机、自适应增强算法及决策树4种不同具有监督学习的机器学习方法 来预测乳腺良性与恶性病变的能力。使用受试者工作特征曲线(ROC曲线)、F1度量值和准确率对四种机器学习算法进行评估,并通过验证组进行验证。绘制校准曲线用于评价预测概率和实际概率之间的偏差。结果 基于17个影像组学特征,逻辑回归算法鉴别乳腺良性与恶性病变的预测效果最好,验证组有最高的曲线下面积(AUC值)为0.832(0.744-0.919),准确率为78%,F1度量值为0.790。最终以逻辑回归机器学习算法建立预测模型,逻辑回归算法模型校准曲线具有良好的重叠性。结论 基于乳腺动态对比增强MRI逻辑回归机器学习算法有助于鉴别乳腺良性与恶性病变,为临床医师的决策提供指导。     

基于机器学习CT影像组学特征联合血清学特征模型预测高出血风险食管静脉曲张

目的建立结合影像组学特征及血清学特征的预测模型(Nomogram模型)并进行模型验证,以评估模型对高出血风险食管静脉曲张的预测效能。方法回顾性收集本院代偿期肝硬化门静脉高压患者共129例数据的CT、血清学及电子胃镜资料,选取CT图像上第一肝门及脾门层面作为感兴趣区勾画全肝及全脾ROI,提取CT特征、血清学特征,构建影像组学模型,血清学模型及Nomogram模型,采用ROC曲线下面积(AUC)评估3个预测模型的预测效能。结果 本次研究共纳入129例患者,其中训练集103例,验证集26例,影像组学模型、血清学模型、Nomogram模型的AUC值0.887(95%CI:0.759-1.000)、 0.845(95%CI:0.691-1.000)、0.988(95%CI:0.959-1.000)。结论 基于机器学习CT影像组学特征联合血清学特征预测高出血风险食管静脉曲张模型,较影像组学特征预测模型以及血清学特征预测模型有着更高的预测效能。     

基于增强CT影像组学术前预测胃癌淋巴结转移

目的 探讨基于增强CT图像的影像组学术前预测胃癌淋巴结转移的价值。方法 回顾性分析经手术后病理证实的胃癌患者259例,将其随机分为训练集(n=183)和验证集(n=76)。在CT增强静脉期图像上对肿瘤区域进行分割,使用AK软件计算提取396个影像组学特征,在训练集中采用最小冗余最大相关方法 (mRMR)及最小绝对收缩和选择算子(LASSO)来选择最有预测价值的影像组学特征,使用多元逻辑回归分析构建影像组学预测模型,最后使用受试者工作特征(ROC)曲线,在训练集和验证集中分别通过曲线下面积(AUC)评估该模型预测胃癌淋巴结转移的效能。结果 在提取的396个影像组学特征中,最终筛选出12个对胃癌淋巴结转移最有预测价值的影像组学特征构建影像组学模型,其在训练集和验证集中的AUC分别为0.82和0.78,其准确度、敏感度、特异度分别为0.79、0.74、0.83及0.76、0.63、0.85。结论 基于增强CT图像的影像组学对术前预测胃癌淋巴结转移具有潜在的价值。     

基于CT影像组学的机器学习模型预测透明细胞肾癌的WHO/ISUP级别

目的 探讨基于三期CT图像的影像组学特征建立机器学习模型术前预测透明细胞肾细胞癌（ccRCC）WHO/ISUP核分级的价值。方法 回顾性收集2016年1月至2023年1月安徽医科大学第一附属医院经病理证实的236名ccRCC患者的3期（平扫期、皮髓质期、实质期）CT图像和临床病理资料。并按照7∶3的比例随机分为训练集和测试集,人工手动分割病灶后提取三期影像组学特征,并对提取得到的特征进行降维,筛选出最有价值的组学特征并用机器学习的方法建立3种机器学习模型,分别为逻辑回归（LR）、支持向量机（SVM）、随机森林（LR）。模型的诊断性能通过受试者工作特征曲线（ROC）及曲线下面积（AUC）来评估。结果 最终筛选得到15个有价值的特征用来构建模型,在测试集中3种机器学习模型的AUC值分别为0.797、0.753、0.761。结论 基于三期CT图像影像组学特征建立的机器学习模型在术前预测ccRCC的WHO/ISUP级别具有一定的价值。     

术前预测胃癌Lauren分型的CT影像组学诺模图的构建和验证

目的: 探讨基于CT图像的影像组学诺模图术前预测胃癌Lauren分型的可行性。方法: 回顾性分析经病理检查确认的539例胃癌患者的临床资料,按照7 ∶3的比例随机分为训练集和验证集,利用ITK SNAP软件对门脉期CT图像进行勾画,从瘤内及瘤周提取两组影像组学特征。利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归筛选出最优特征组合,分别构建了基于瘤内的模型、基于瘤周的模型及联合瘤内及瘤周特征的影像组学标签,基于临床特征构建了临床模型1和临床模型2,最后结合临床特征和影像组学标签构建了影像组学模型。利用受试者工作特征（receiver operator characteristic, ROC）曲线下面积（area under curve,AUC）评估模型的预测能力。采用Delong检验比较各个模型间的预测性能。采用校准曲线验证模型预测概率与实际病理结果的匹配性,决策曲线评估临床信息的有效性。结果： 影像组学标签在训练集与验证集的AUC分别为0.715 (95%CI：0.663～0.767),0.714(95%CI：0.636～0.792)。结合了临床特征及影像组学标签的影像组学模型性能优于其他模型,在训练集与验证集的AUC分别为0.745(95%CI：0.696～0.795),0.758（95%CI：0.685～0.831）。此外,校准曲线和决策曲线证明了影像组学诺模图具有良好的匹配性以及临床实用性。结论： 结合了影像组学标签及临床特征的影像组学模型有助于区分Lauren分型中的弥漫型及肠型胃癌,为合理制定临床治疗策略提供了依据。     

基于机器学习的抗纤维化中药化合物筛选研究

目的构建新型抗纤维化中药化合物虚拟筛选预测模型,并对模型的预测性能进行验证。方法通过对比使用随机森林与梯度提升决策树算法,实现化合物分子指纹的降维与特征优化。构建"特征优化—机器学习"的混合模型,将优化的特征作为输入分别送入逻辑回归、人工神经网络机器学习算法进行训练。使用准确率、召回率、F1值对不同组合的模型进行性能评价。根据模型性能结果确定抗纤维化中药化合物虚拟筛选预测模型。随后,对比此模型和分子对接模型对中药化合物的抗纤维化活性预测结果,进一步验证该模型的预测性能。结果随机森林模型准确率0.76,召回率0.75,F1值0.74,曲线下面积(AUC)值0.818;梯度提升决策树模型准确率0.76,召回率0.74,F1值0.72,AUC值0.829;人工神经网络模型准确率0.75,召回率0.75,F1值0.75,AUC值0.802;随机森林+逻辑回归模型准确率0.77,召回率0.76,F1值0.75,AUC值0.840;随机森林+人工神经网络模型准确率0.74,召回率0.84,F1值0.79,AUC值0.850;梯度提升决策树+逻辑回归模型准确率0.80,召回率0.80,F1值0.79,AUC值0.872;梯度提升决策树+人工神经网络模型准确率0.73,召回率0.91,F1值0.81,AUC值0.837。中药化合物姜黄素、甘草酸、羟基红花黄色素A、大黄素、绞股蓝皀苷分子对接活性结果与本模型预测结果一致。结论梯度提升决策树+逻辑回归模型表现较其他模型准确。通过对比该模型与分子对接模型,进一步确认了该模型在中药化合物预测方面的稳定性;且本模型具有高通量筛选的特性,可以弥补分子对接在筛选化合物效率方面的不足,可作为抗纤维化中药化合物虚拟筛选预测的新方法。     

CT影像特征及影像组学在肺淋巴瘤与肺浸润性黏液腺癌诊断中的应用

目的:探讨CT影像特征及影像组学鉴别诊断肺黏膜相关淋巴组织型淋巴瘤(MALT)与肺浸润性黏液腺癌(PIMA)的应用价值。方法:50例经病理证实肺MALT患者及52例PIMA患者,按照2∶1随机分为训练集68例(33例MALT,35例PIMA)和验证集34例(17例MALT,17例PIMA)。比较训练集和验证集CT征象并提取验证集肺MALT和PIMA的影像组学特征参数,采用LASSO降维和Logistic回归,经过交叉验证后建立预测模型。结果:验证集共获得6个影像组学特征,包括4个一阶特征、2个纹理特征;ROC曲线分析显示,训练集和验证集鉴别诊断肺MALT、PIMA的AUC分别为0.873、0.852,模型拟合优度良好。结论:基于CT影像特征及影像组学构建的预测模型预测效能良好,可以鉴别诊断肺MALT和PIMA。     

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...     

基于18F-FDGPET/CT影像组学分析不同机器学习模型预测非小细胞肺癌隐匿性淋巴结转移的价值

目的探讨基于治疗前18氟-脱氧葡萄糖（18F-FDG）正电子发射断层显像术（PET）/CT影像组学预测非小细胞肺癌（NSCLC）患者隐匿性淋巴结转移（OLM）的价值,分析不同机器学习模型对预测结果的影响。方法回顾性选取2019年1月至2023年5月于宁波明州医院行18F-FDGPET/CT检查并行根治性手术及系统性淋巴结清扫的NSCLC患者324例（男186例,女138例,年龄36～85岁）,其中OLM阴性258例,阳性66例。采用随机数字表法按7:3比例将患者分为训练集（226例）与验证集（98例）。使用LIFEx7.4.3软件提取病灶PET/CT影像组学特征,采用最小绝对收缩与选择算子（LASSO）算法进行特征筛选,构建3种机器学习模型：逻辑回归（LR）模型、支持向量机（SVM）模型、随机森林（RF）模型。采用ROC曲线分析评估各种模型的预测效能,并采用决策曲线（DCA）分析各种模型的临床价值。结果从PET/CT图像中共提取出250个影像组学特征,经LASSO算法最终筛选出8个组学特征,包括4个PET特征[直方图（HISTO）_均匀性（Uniformity）、灰度共生矩阵（GL-CM）_差熵（DE）、灰度游程长度矩阵（GLRLM）_短行程低灰度强调（SRLGLE）、灰度区域大小矩阵（GLSZM）_小区域低灰度强调（SZLGLE）],4个CT特征[形态（MORPH）_质量中心偏移（CMS）、HISTO_四分位离散系数（QCD）、HISTO_最大直方图梯度（MHG）、GLSZM_大区域强调（LZE）]。在构建的3种机器学习模型中,以SVM模型预测效能最优,其在训练集及验证集中的AUC分别为0.846、0.849;LR模型在训练集与验证集中的AUC分别为0.696、0.711;RF模型在训练集与验证集中的AUC分别为0.943、0.568,存在明显的过拟合现象。DCA分析显示,SVM模型及LR模型均具有较好的净获益与临床价值。结论基于18F-FDGPET/CT影像组学分析可有效预测NSCLC患者是否存在OLM,SVM模型预测性能最佳,可辅助临床决策及制定个性化治疗方案。     

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。      

基于增强CT不同影像组学模型术前预测食管鳞状细胞癌分化的应用

目的采用增强CT图像、不同机器学习模型建立食管鳞状细胞癌术前病理分化的影像组学模型,探讨影像组学模型术前预测食管鳞状细胞癌分化的可行性及价值。方法回顾性分析172例术后病理结果为食管鳞状细胞癌病例,分为分化良好组和分化不良组。将其增强CT图像以DICOM格式导入医准-达尔文系统,按3∶1随机分为训练集和测试集,提取静脉期CT图像的影像组学特征,应用最小最大值归一化法、最优特征筛选和最小绝对收缩和选择算子(LASSO)回归对其进行降维、筛选,分别构建支持向量机、随机森林和Logistic回归模型,利用5倍交叉验证对三种模型进行训练,绘制三种模型训练集和测试集ROC曲线,评估其诊断效能。结果三种影像组学模型的AUC均大于0.7,支持向量机模型AUC最高,AUC为0.88。不同分化组的临床炎性指标差异无统计学意义(P0.05)。训练集和测试集临床特征差异无统计学意义(P0.05)。结论基于增强CT三种影像组学模型可用于术前预测食管鳞状细胞癌病理分化程度。     

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。     

联合Nomogram模型预测卵巢囊腺瘤分类的价值

目的通过对比增强CT图像的影像组学分析,寻找客观量化判断卵巢浆液性与黏液性囊腺瘤分类的新参数,并联合囊腔数建立联合Nomogram模型,探讨这一模型的诊断价值。方法回顾性分析经病理学检查证实的卵巢囊腺瘤83例,其中浆液性囊腺瘤44例,黏液性囊腺瘤39例。经分层抽样将病例随机分组为训练集58例（70%）,测试集25例（30%）,通过增强CT图像提取病灶影像特征和影像组学参数,经LASSO回归分析得到具有统计学差异的影像组学参数并构建影像分数Radscore,联合囊腔数建立Nomogram模型,并进行受试者工作特征（ROC）曲线分析,ROC曲线下的面积(AUC)验证其诊断效能。结果本研究经降维算法后得到5个最优影像组学参数构建Radscore,建立联合Nomogram模型（训练集为AUC0.94,测试集AUC为0.85）,优于单一的影像特征及影像组学参数的诊断效能。结论Nomogram模型能有效量化卵巢囊腺瘤的异质性,并可作为定量影像生物标志物预测卵巢囊腺瘤分类。     

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...     

基于增强CT影像组学预测非肌层浸润性膀胱癌的病理分级

目的 探讨基于增强CT影像组学建立的非肌层浸润性膀胱癌（non-muscle-invasive bladder cancer，NMIBC）病理分级预测模型的诊断价值。方法 回顾性分析2015年1月至2018年12月嘉兴市第二医院病理确诊的81例NMIBC患者的临床资料，患者术前接受增强CT检查，收集其皮髓期和实质期影像资料，对膀胱肿瘤轮廓进行勾勒，提取一阶变量、纹理变量、形状特征、小波变换变量，总计1980个特征变量。采用最大相关最小冗余（max-relevance and min-redundancy，mRMR）算法与最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）算法进行特征选择，最后利用多种机器学习算法结合有意义的特征变量建立预测模型，用于比较其预测NMIBC病理分级的敏感度、特异性和准确率。结果 运用mRMR联合LASSO筛选出19个特征变量，使用K近邻分类（K-nearest neighbor，KNN）、神经网络（neural networks，NNET）、随机森林（random forest，RF）、支持向量机（support vector machines，SVM）4种机器学习算法建立模型并验证。4种模型建立成功且结果相对一致，其中RF模型表现相对稳定，在验证集中准确率为91.4%。在测试集中准确率为70.0%。结论 通过术前增强CT影像组学结合机器学习算法可精准预测NMIBC病理分级，对推动膀胱癌个性化治疗具有科学意义。     

胆囊息肉样病变60例临床分析

目的:探讨胆囊息肉样病变的临床特征和诊疗。方法:对诊治的60例胆囊息肉样病变患者的临床资料进行分析总结。结果:术后病理类型有胆固醇性息肉42例,炎性息肉8例,腺瘤性息肉6例,腺肌性息肉3例,早期胆囊癌1例。结论:胆囊息肉样病变分类不一,腺瘤样肉都有癌变的可能,诊治主要靠影像学检查及手术时机,手术方式严格选择。     

基于平扫CT影像组学Rad-score鉴别肾上腺乏脂性腺瘤和转移瘤的价值

目的 探讨基于CT平扫图像建立的影像组学Rad-score对鉴别肾上腺乏脂性腺瘤和转移瘤的诊断价值。方法 回顾性搜集2015年1月—2021年12月于唐山市人民医院行胸部或腹部CT平扫的150例肾上腺乏脂性腺瘤和130例肾上腺转移瘤患者,并随机分成训练集(196例)和测试集(84例)。利用3D-slicer软件从CT平扫图像提取影像组学特征,采用最小绝对收缩与选择算子算法(LASSO)和皮尔森相关系数检验进行特征降维、筛选得到有鉴别诊断价值的影像组学特征。利用多因素Logistic回归分析得到风险因素构建Rad-score,利用受试者操作特征曲线(ROC)及曲线下面积(AUC)评价其在训练集和测试集中诊断效能。结果 共提取1316个影像组学特征,经LASSO降维并筛选出17个组学特征,后去掉强相关特征,得到10个影像组学参数。利用多因素Logistic回归分析得到4个风险因素并构建了Rad-score。在训练集中,Rad-score鉴别诊断乏脂性腺瘤和转移瘤的最佳临界值为0.552,AUC为0.934,敏感度、特异度和准确率分别为0.817、0.918和0.868;在测试集中,Rad-...     

机器学习结合影像组学特征预测急性脑卒中机械取栓预后

目的：结合机器学习与影像组学特征构建预测急性缺血性脑卒中(acute inschemic strohe,AIS)机械取栓治疗后预后的模型并进行验证。方法：回顾性分析在南京市第一医院就诊的AIS患者,按随机数字表法分为训练集(n=105)和测试集(n= 50),另收集在南京医科大学附属常州市第二人民医院就诊的AIS患者(n=45)作为外部验证。采用A.K.软件提取弥散加权成像(diffusion weighted imaging,DWI)和灌注加权成像(perfusion weighted imaging,PWI)病变区的影像特征,应用最低绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归模型筛选最佳影像组学特征,基于所选特征通过支持向量机(support vector machine,SVM)分类器建立预测急性脑卒中预后预测模型,使用受试者操作特征(receiver operating character? istic,ROC)曲线评价模型的预测效能,并应用验证集对模型进行外部验证。结果：每例患者DWI和PWI图像各提取1 316个影像组学特征,降维后筛选出40个与卒中预后高度相关的特征。ROC曲线分析显示联合DWI+PWI的模型预测训练集和测试集的曲线下面积(area under curve,AUC)(训练集：0.981;测试集：0.891)均高于单序列模型(DWI或PWI),其准确度分别达0.943、 0.900。外部验证结果显示基于DWI+PWI的模型同样优于单序列(DWI或PWI)的预测模型,灵敏度和特异度分别为0.864、 0.783,其准确度可达0.822。结论：结合机器学习与影像组学特征构建的模型可预测AIS机械取栓治疗预后,并具有较好的泛化能力。     

基于超声影像深度学习模型在评估乳腺癌肿瘤浸润淋巴细胞水平中的应用价值

目的 探讨基于超声影像的深度学习模型在预测乳腺癌肿瘤浸润淋巴细胞水平的可行性。方法 回顾性分析2019年1月1日-2022年9月30日就诊于兰州大学第二医院，经病理证实的275例乳腺癌患者的二维灰阶超声图像，其中训练集220例，验证集55例。根据病理结果，分为高肿瘤浸润淋巴细胞水平组和低肿瘤浸润淋巴细胞水平组。采用深度卷积神经网络残差网络模型训练和验证。使用受试者操作特征曲线下面积、准确率、特异度、敏感度和F1分数评价模型的诊断性能。结果 基于深度学习的残差网络模型对乳腺癌肿瘤浸润淋巴细胞水平预测的受试者操作特征曲线下面积为0.936,F1分数为0.878，准确率为87.3%，特异度为87.5%，敏感度为87.1%。结论 基于超声影像的深度学习模型有望成为无创预测乳腺癌肿瘤浸润淋巴细胞水平的重要工具。     

机器学习结合CT影像组学预测2型糖尿病患者椎体脆性骨折

目的：探讨机器学习结合CT影像组学特征构建模型预测2型糖尿病（type 2 diabetes mellitus,T2DM）患者椎体脆性骨折的准确性。方法：回顾性收集140例（新发椎体脆性骨折的T2DM患者70例,对照组70例）患者CT图像和临床资料。另收集18例（椎体脆性骨折的T2DM患者16例,对照组2例）患者的前次CT图像和临床资料作为外部验证集。应用单因素分析、Pearson相关分析、最小冗余度最大相关度算法、二元logistic回归分析和最小绝对值收缩和选择算子模型筛选出最佳特征。基于支持向量机、多层感知器、极端梯度提升（eXtreme Gradient Boosting,XGBoost）构建预测模型。应用受试者工作特征曲线下面积（area under the curve,AUC）对模型效能进行评估。结果：从每例患者的CT图像中提取了1 037个影像组学特征,然后精简为14个影像组学特征。17个临床特征中性别、年龄、体质指数是预测结果的独立因素。其中XGBoost分类器表现最好,训练集中XGBoost模型的AUC分别为1.000、0.929、1.000;测试集中分别为0.954...