胸腺上皮肿瘤CT表现与WHO病理分型的相关性研究

目的:探讨胸腺上皮肿瘤CT表现与WHO病理分型之间的关系。方法:对105例胸腺上皮肿瘤采用2004年WHO分类法进行病理分型。利用CT资料统计肿瘤大小、形状、钙化、坏死或囊变、包膜完整性、邻近组织侵犯、淋巴结肿大及有无胸水,对不同病理类型胸腺瘤的CT表现进行χ2检验或精确概率法检验,分析其CT表现间的差异性,以P<0.05为差异具有显著性。结果:105例中男性52例,女性53例;年龄18-75岁,平均(47.98±12.54)岁。不同病理类型胸腺肿瘤中大小、形状、坏死或囊变、包膜完整性、邻近组织侵犯、淋巴结肿大及有无胸水差异有显著性(P<0.05)。B2型、B3型及胸腺癌较其它型瘤体大,B3型胸腺瘤及胸腺癌超过50%瘤体大于10cm。A、AB及B1型多为圆形或类圆形,B3型胸腺瘤75%及胸腺癌85%瘤体不规则。B3型胸腺瘤及胸腺癌出现坏死或囊变分别为67%、57%。B3型胸腺瘤83%、胸腺癌100%包膜破坏。随着恶性程度增高瘤周组织侵犯率升高,B2型为33%、B3型为75%、胸腺癌为81%。B3型50%、胸腺癌48%出现胸水。钙化多见于B型胸腺瘤。结论:不同病理类型胸腺上皮肿瘤有不同的CT表现,CT表现能反映胸腺肿瘤病理特点。     

增强CT影像组学评分和临床指标列线图预测食管胃结合部腺癌患者脉管癌栓的价值

背景 食管胃结合部腺癌(adenocarcino ma of esophagogastric junction,AEG)的位置特殊,生物学行为不稳定,患者预后较差。脉管癌栓是影响AEG预后的独立危险因素,术前了解AEG脉管癌栓情况,有助于临床医生制定更加合理的个体化治疗方案。目的 探讨CT影像组学预测AEG脉管癌栓的应用价值。方法 选取2015年1月-2019年7月于解放军总医院第一医学中心普外二科诊断明确并接受手术治疗的79例AEG患者的CT影像图像,应用3D Slicer软件在静脉期CT影像最大病灶层面的图像上提取影像组学特征,并通过Lasso回归降维筛选出影像组学特征构建预测模型。计算患者的影像组学评分,将影像组学评分和临床指标作为参数构建列线图,通过受试者工作特征曲线(receiver operator characteristic curve,ROC)评价影像组学模型和列线图术前预测AEG脉管癌栓效能。结果 79例患者中,男性68例,女性11例,年龄30～80(63.8±9.5)岁。无脉管癌栓54例,有脉管癌栓25例,脉管癌栓的发生率为31.6%。在每例患者的增强CT图...     

基于光谱CT和影像组学特征的机器学习模型和列线图预测甲状腺结节良恶性

目的：构建光谱CT参数和影像组学机器学习模型预测甲状腺结节良恶性。方法：回顾性分析行光谱CT增强扫描的118例甲状腺结节患者（143个结节,其中包括46例良性结节和97例恶性结节）影像及临床资料,7∶3随机分为训练集 （n=100）和验证集（n=43）。采用差异性检验、组间一致性评估以及最小绝对收缩和选择算子算法（least absolute shrinkage and selection operator,LASSO）筛选特征并计算影像组学评分。运用决策树（decision tree,DT）、随机森林（random forest,RF）、极端梯度提升树（extreme gradient boosting,XGBoost）、支持向量机（support vector machine,SVM）、K 最近邻（K-nearest neighbor, KNN）和逻辑回归（logistic regression,LR）6种机器学习算法进行建模,筛选最佳的模型并构建列线图。结果：XGBoost模型在验证集中性能最好（曲线下面积：0.938;准确度：86.05%;灵敏度：89.29%;特异度：80.00%）,标准化碘值、影像组学评分与年龄是重要且有效的预测因素,构建的列线图具有良好的性能。结论：结合光谱CT和影像组学的机器学习模型及列线图能够为甲状腺结节良恶性的非侵入性预测提供高准确性的参考。     

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。     

基于多序列MRI影像组学列线图预测上皮性卵巢癌患者对铂类药物化疗的敏感性

目的:构建基于多序列MRI影像组学列线图,并探究其用于预测上皮性卵巢癌（EOC）患者对铂类药物化疗敏感性的价值。方法:回顾性收集2015年1月至2020年5月南通大学附属肿瘤医院收治的114例经术后病理证实为EOC的患者资料,年龄32~76（57±8）岁。所有患者接受最大程度肿瘤细胞减灭术后均进行了铂类药物化疗,以化疗...     

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...     

基于超声影像组学及临床特征构建乳腺癌列线图的预测模型

目的：通过整合临床危险因素和术前超声影像组学评分,建立一个基于超声影像组学的列线图预测乳腺癌。方法：回顾性收集2020年10月—2023年2月有明确病理结果的525例患者的525个乳腺肿块（其中良性241例,恶性284例）的超声图像,按照7∶3比例随机分为训练组（368例）、验证组（157例）。根据肿块轮廓勾画出肿瘤的感兴趣区域（Region of interest,ROI）,并提取影像组学特征。采用最小绝对收缩和选择算子（Least absolute shrinkage and selection operator, LASSO）对超声影像组学特征进行降维分析,选择Logistic回归分类器将结果输出转换为影像组学评分（Radiomics score,Rad-Score）,作为Rad-Score模型。此外,采用Logistic回归方法将影像组学评分与临床危险因素进行整合,构建联合模型并绘制列线图。绘制ROC曲线及校准曲线以评价模型效能。结果：提取的851个影像组学特征中筛选出13个非零特征用于建立模型,多因素分析中,乳腺癌患者的独立危险因素是年龄,基于患者年龄及Rad-Score构建...     

胸腺上皮性肿瘤体积与WHO分型及Masaoka-Koga分期的相关性研究

目的：探讨胸腺上皮性肿瘤（thymic epithelial tumors,TETs）体积与WHO分型及Masaoka-Koga临床分期的相关性。方法：术后病理证实为TETs患者125例,2015年WHO分型：A型7例,AB型32例,B1型20例,B2型34例,B3型12例,胸腺癌20例;简化分组：低危型胸腺瘤（A、AB、B1型）59例,高危型胸腺瘤（B2、B3型）46例和胸腺癌20例;Masaoka-Koga分期：I期45例,Ⅱ期50例,Ⅲ期12例,Ⅳ期18例,其中I期为非侵袭性TETs,Ⅱ-Ⅳ期为侵袭性TETs。分析TETs肿瘤体积与WHO组织分型及Masaoka-Koga临床分期的相关性,采用ROC曲线分析肿瘤体积预测侵袭性TETs的临界值及其效能。结果：WHO各分型肿瘤体积比较,差异均无统计学意义（P>0.05）。MasaokaKoga分期I期与Ⅲ期,I期与Ⅳ期,Ⅱ期与Ⅳ期,Ⅲ期与Ⅳ期肿瘤体积比较,差异均有统计学意义（P<0.05）。侵袭性TETs肿瘤体积明显大于非侵袭性TETs,差异有统计学意义（P<0.05）。ROC曲线分析显示肿瘤体积预测侵袭性TETs的...     

基于KUB、低剂量CT影像组学列线图预测攀枝花泌尿系统结石成分价值

目的探讨基于X线腹部平片(KUB)、低剂量CT影像组学列线图预测攀枝花泌尿系统结石成分价值,以期为临床明确结石成分、制定治疗方案提供依据。方法选取2019年6月至2022年6月我院96例泌尿系统结石患者作为研究对象,均行KUB、低剂量CT检查,根据术后结石成分红外光谱检测法定性结果分为尿酸结石组(n=83)和非尿酸结石组(n=13),采用A.K.软件提取CT影像组学特征并构建影像组学标签,Logistic回归方程筛选泌尿系统结石成分预测因子,构建列线图模型,ROC曲线评估模型预测效能,行内外部验证。结果尿酸结石组和非尿酸结石组BMI、血UA、尿pH值、血Scr、高血压、糖尿病比较存在显著差异(P<0.05);血UA、尿pH值、高血压、糖尿病、影像组学标签评分是泌尿系统结石成分影响因素(P<0.05);ROC曲线显示,列线图模型在训练集和验证集人群中AUC分别为0.915、0.915,该模型预测在训练集和验证集人群中结果与实际观察结果之间有很好相关性,DCA曲线显示在范围0.8～0.9、0.3～0.9内,该模型在训练集和验证集人群中净获益值较好。结论 基于KUB、低剂量CT影...     

胸腺瘤CT影像组学研究进展

胸腺瘤近年来在我国的发病率呈逐渐上升的趋势,术前早期准确判断胸腺瘤的危险分类可以影响治疗计划并改善临床预后,以及预测术后复发风险。传统的影像学诊断是利用形态学基础及诊断医生的临床经验进行诊断,难以准确区分肿瘤风险分类,已经不能达到生物个体的精准影像医学的标准。影像组学则是对医学影像图像进行高通量特征空间数据信息提取,着眼于临床问题构建预测模型,从而可以无创地量化肿瘤异质性,旨在根据患者个体及其肿瘤的特征量身定制治疗方案。本文就CT影像组学在胸腺瘤中的应用研究进展进行综述。     

基于增强CT特征的logistic模型预测胸腺上皮肿瘤组织学分型

目的 探讨基于增强CT影像学特征构建并验证logistic模型在预测胸腺上皮肿瘤组织学分型中的应用价值.方法 回顾性分析2015年12月至2020年6月在浙江省人民医院行增强CT检查并经病理证实的178例胸腺上皮肿瘤患者资料,根据组织学分型分为低危组91例(A、AB、B1)、高危组(B2、B3)43例和胸腺癌44例.将...     

影像组学为基础的列线图模型对子宫内膜癌淋巴血管间隙浸润的诊断价值

目的 以表观扩散系数加权图像(Apparent Diffusion Coefficient,ADC)为基础,建立影像组学列线图模型,并对子宫内膜癌淋巴血管间隙浸润(Lymph Vascular Space Invasion,LVSI)情况进行预测.方法 回顾性研究225名术后病理证实的子宫内膜癌(Endometrial...     

基于增强CT特征的列线图模型在预测胃肠道间质瘤危险度分级中的价值

目的 探讨基于增强CT图像特征的列线图模型在预测胃肠道间质瘤(GIST)危险度分级中的价值.方法 回顾2017年1月至2021年6月湖州市中心医院行增强CT检查并经内镜或手术病理检查证实为GIST的135例患者资料.根据病理分级将患者分为潜在恶性组74例(极低危险度43例,低危险度31例)和恶性组61例(中危险度24例...     

探讨胸腺上皮源性肿瘤的WHO组织学分型和CT征象的相关性

目的:探析胸腺上皮源性肿瘤的WHO组织学分型和CT征象的相关性.方法:选取某市区医院2014年5月至2015年5月期间收治并经病理检查证实的30例胸腺上皮源性肿瘤患者的资料作为研究对象,按照WHO组织学分型,将其分为六种类型.分属低危组,高危组,胸腺癌组,对三组患者的CT征象进行观察分析,探析WHO组织学分型与CT征象的相关性.结果:低危组20例,高危组7例,胸腺癌组3例;低危组患者的CT征象呈轮廓光滑,高危组呈轮廓不规则(P<0.05);高危组比低危组的肿瘤病灶内更易发生钙化,且浸润纵膈脂肪的发生率更大(P<0.05).结论:按照WHO组织学分型,不同亚型的肿瘤其CT征象特点不同,低危组CT征象轮廓较为光滑,高危组与胸腺癌组CT征象轮廓较为不规则,且多发钙化,胸腺癌组易发生浸润脂肪和转移等.根据CT征象可判断WHO组织分型,有利于进一步诊断治疗.     

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型。结论基于临床-影像组学模型列线图能以最大化的准确性预测脑膜瘤术后脑水肿的严重程度。     

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。     

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。     

基于术前CT影像组学列线图可预测Ⅰ～Ⅲ期肾透明性细胞癌术后复发

目的 探讨Ⅰ~Ⅲ期肾透明细胞癌术后复发的术前CT影像组学特征并构建列线图,以期为肾癌个体化治疗提供参考。方法 回顾性收集256例（训练集175例,测试集81例）肾透明细胞癌患者的临床病理及 CT 资料。利用 ITK-SNAP 软件和PyRadiomics计算平台对肿瘤的容积图像进行分割和特征提取。训练集中,基于lasso-CV算法进行特征筛选,并计算影像组学评分Rad_score;利用单因素和多因素逻辑回归分析筛选临床病理及CT特征为Clinic因素;构建Rad_score、Clinic、Rad_score+Clinic列线图,并在测试集中进行验证。评估列线图的辨别度和校准度,应用决策曲线分析评估其临床应用价值。结果 6个影像组学特征最终用于计算Rad_score。Clinic因素为KPS评分、血小板、钙化和TNM临床分期。在辨别度方面,Rad_score+Clinic列线图的效能（训练集AUC 0.84,测试集AUC 0.85）显著高于Rad_score列线图（训练集AUC 0.78,P=0.029;测试集AUC0.77,P=0.025）和 Clinic列线图（训练集AUC 0.77,P=0.014,测试集AUC 0.77,P=0.011）。校准度方面,Rad_score+Clinic列线图拟合优度检验为训练集P=0.065,测试集P=0.628。决策曲线分析显示,加入Rad_score后的Rad_score+Clinic列线图比单纯Clinic列线图应用价值高。结论 基于术前CT影像组学特征的列线图预测Ⅰ~Ⅲ期肾透明细胞癌术后复发有较高的效能,可为肾癌个体化治疗提供参考。     

增强CT影像组学对肾透明细胞癌恶性程度的鉴别

目的 探索基于CT增强图像影像组学鉴别肾透明细胞癌恶性程度的价值。方法 回顾性分析192例经病理证实为肾透明细胞癌(CCRCC)增强CT图像资料,其中低级别组(Ⅰ-Ⅱ级,n=111)、高级别组(Ⅲ-Ⅳ级,n=81)。对于增强CT皮质髓质期(CMP)、肾实质期(NP)、排泄期(EP)及三期联合的图像进行影像组学特征提取,运用最小绝对收缩率和选择运算符(LASSO)进行降维,选取有价值的组学特征,采用五折交叉验证将样本量分为训练组及测试组,训练组采用支持向量(support vector mach ine,SVM)及逻辑回归(logistic regression,LR)两类分类器创建CMR、NP、EP及三期联合的影像组学模型,运用受试者工作特征曲线下面积(AUC)、准确度、灵敏度、特异度、精确度最终评估影像组学模型对于肾透明细胞癌恶性程度的诊断效能,并用测试组进一步验证。结果 基于CMP、 NP、EP及三期联合图像所建立的影像组学模型与CCRCC恶性程度显著相关,且CMP影像组学模型对于CCRCC恶性程度诊断效能最高(R=0.83,1, 0.801)。SVM分类器模型测试组CMP、NP、...