MRI影像组学在早期浸润性乳腺癌腋窝淋巴结转移诊断的价值

目的分析MRI影像组学诊断早期浸润性乳腺癌腋窝淋巴结转移的价值。方法分析2018年12月至2020年12月在本院诊治的96例早期浸润性乳腺癌的临床资料,患者均接受MRI动态增强扫描。分析96例患者的腋窝淋巴结增强影像,由两名医师分别评估图像并开展组内及组间一致性评估;96例患者按病理结果分腋窝淋巴结转移阴性(阴性组,n=49)、腋窝淋巴结转移阳性(阳性组,n=55),分层抽样法将两组淋巴结分为训练集及验证集,特征降维算法选择有统计学意义的MRI影像组学参数,ROC曲线分析MRI影像组学参数对早期浸润性乳腺癌的预测效能。结果提取6大类共401个影像组学参数,降维后仅直方图参数-均匀度、形态学参数-表容比、纹理特征参数-全角度集群突出方差、灰度共生矩阵参数-全角度相关.性、游程矩阵参数-长行程优势有统计学意义(P<005),直方图参数-均匀度预测早期浸润性乳腺癌的曲线下面积.(AUC)最高.,并显著高于形态学参数-表容比(Z=3304、P=0.001)、纹.理特征参数-全角度集群突出方差(Z=2495.,P=0012).、灰度共生矩阵参数-全角度相关性(Z=5.212、P<0.001)、游.程矩阵参数-长行程优势(Z=4623、P<0001),以08018为Cut-off,其.预测早期.浸润性乳腺癌的敏感度、特异度分别为9455%、9796%。结论MRI影像组学可作为临床评估早期浸润性乳腺癌腋窝淋巴结转移状态的可靠方式,尤其是直方图参数-均匀度,具良好的敏感度及特异度,值得临床重视。     

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。     

超声影像组学在三阴性乳腺癌与纤维腺瘤鉴别诊断中的研究应用

目的 探究超声影像组学鉴别三阴性乳腺癌和纤维腺瘤的应用价值.方法 回顾性分析51例经病理证实的纤维腺瘤和27例经病理证实的三阴性乳腺癌.使用3D-Slicer在超声医学图像的最大成像切片上手动确定肿瘤边界,然后从获得的肿块感兴趣区(ROI)中提取高通量放射组学特征.并采用最小绝对收缩和选择算子(Lasso)回归方法进行...     

基于超声影像组学术前预测浸润性乳腺癌患者腋窝淋巴结状态

<正>乳腺癌已超越肺癌成为发病率最高的癌症,也是全世界女性癌症死亡的主要原因^[1]。腋窝淋巴结(ALN)的状态对乳腺癌分期、治疗及预后有重要意义,也是术后放化疗的重要参考指标之一^[2]。术前对ALN状态的准确评估,对选择安全有效的治疗方案,减少术后并发症的发生至关重要。目前判断乳腺癌患者ALN状态主要依靠腋窝淋巴结清扫术(ALND)或者前哨淋巴结活检术(SLNB);但两者均属于有创检查,患者创伤大,恢复周期长,且可能出现并发症^[3]。     

多参数MRI影像组学评估浸润性乳腺癌HER⁃2表达状态的临床应用价值

目的：探讨基于多参数磁共振成像（magnetic resonance imaging,MRI）影像组学特征的模型预测浸润性乳腺癌人类表皮生长因子受体-2（human epidermal growth factor receptor-2,HER-2）表达状态的价值。方法：回顾性分析南京医科大学第一附属医院2018年1月—2019年12月401例乳腺癌患者的基线期MRI图像及临床资料。使用ITK-SNAP软件在快速反转恢复序列（turbo inversion recovery magnitude,TIRM）、动态对比增强磁共振成像第2期（dynamic-contrast enhanced magnetic resonance imaging phase 2,DCE2）、动态对比增强磁共振成像第 4 期（dynamic-contrast enhanced magnetic resonance imaging phase 4, DCE4）、弥散加权成像（diffusion-weighted imaging,DWI）和表观弥散系数（apparent diffusion coefficient,ADC）的最大肿瘤层面手动勾画二维感兴趣区域（region of interest,ROI）,并对所勾画的ROI区域进行特征提取及降维筛选。应用逻辑回归（logistic re- gression,LR）算法建立预测HER-2表达状态的单参数模型、组合模型和多参数模型。结果：最终筛选出26个最优特征,其中按权重排序位居首位的特征为DCE2_original_shape_SurfaceVolumeRatio。单参数模型中预测效能最好的是DCE2模型,训练集及测试集的曲线下面积（area under curve,AUC）分别为0.907、0.879;组合模型中联合增强特征的模型比其他未联合增强特征的模型预测效能更好（P均≤ 0.001）;多参数模型预测效能最佳（训练集及测试集的AUC值分别为0.932、0.906）。结论：基于多参数影像特征构建的影像组学模型评估浸润性乳腺癌HER-2表达状态有一定的临床价值,其中增强早期特征的预测价值较高。     

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。     

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。     

基于多参数MRI影像组学构建机器学习模型与直肠癌Ki-67表达相关性

目的 探讨 mp-MRI 的影像组学模型术前无创性预测直肠癌患者 Ki-67 表达水平的价值。 方法 回顾性分析 2016年 1 月至 2023 年 7 月在安徽省肿瘤医院就诊的 97 例直肠腺癌患者临床资料,术前行常规 MRI 检查及 IVIM-DWI 扫描,根据术后病理Ki-67 表达状态,分为低表达组（n=64）、高表达组（n=33）。在三个不同序列（高分辨 Ax-T₂WI、动态增强平衡期 Sag LAVA-FLEX 和IVIM-DWI）上分别提取三维影像组学纹理分析特征参数。按 7∶3 比例分为训练组（n=67）和测试组（n=30）,训练组用于特征筛选和建立影像组学模型,测试组用于验证所建立模型的可靠性。比较训练组和测试组患者基线资料的差异,使用 Pearson 相关性、SelectPer-centile 和 LASSO 完成最佳预测特征选择,分别基于影像组学特征采用 SGD、SVM 和 LR 机器学习算法构建模型,并进行 10 折交叉验证。应用受试者操作特征（ROC）曲线评估模型预测直肠腺癌 Ki-67 表达水平的效能,采用 DeLong 检验对曲线下面积（AUC）进行比较。 结果 从每例患者的高分辨 Ax-T₂WI、动态增强平衡期 Sag LAVA-FLE 和 IVIM-DWI （b=800 s/mm²）三个序列上共提取出 5 622 个影像组学特征;筛选出 6 个影像组学特征作为最佳预测特征构建模型。SGD、SVM 和 LR 的最高 AUC 分别为 0.867、0.853 和 0.884;其中 SGD算法准确率为 76%,在 3 个模型中预测性能最佳。 结论 基于多参数 MRI 的影像组学模型在术前预测直肠腺癌 Ki-67 表达水平有一定的价值,SGD 在预测直肠腺癌 Ki-67 表达水平中效能最佳。     

乳腺纤维腺瘤的临床特征、MRI征象及其与乳腺癌的鉴别分析

目的总结乳腺纤维腺瘤临床特点、MRI征象及其与乳腺癌鉴别诊断要点。方法回顾性分析我院收治的44例经手术或穿刺检查证实为乳腺纤维瘤(n=29)及乳腺癌(n=15)患者的MRI影像学检查资料,总结乳腺纤维瘤临床特点,分析及与乳腺癌MRI征象差异。结果本组15例(19个病灶)乳腺癌均经MRI检出,检出率为100.0%;29例(38个)纤维腺瘤MRI检出27例,2例误诊为乳腺癌,检出率为93.10%。结论清晰边界,包膜完整,无强化分隔,内部信号均匀为乳腺纤维腺瘤MRI征象,当乳腺肿瘤MRI形态与表现功能不符时,应注意鉴别。     

CT影像特征及影像组学在肺部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部淋巴瘤与肺浸润性黏液腺癌(PIMA)的价值。方法回顾性纳入2016年1月-2022年1月湖北省中西医结合医院收治的37例肺淋巴瘤(淋巴瘤组)和68例PIMA(PIMA组)患者,按7:3随机分为训练组73例(淋巴瘤27例,PIMA46例)和验证组32例(淋巴瘤12例,PIMA20例),分析各组临床、影像学资料,并提取影像组学特征,利用LASSO十折交叉验证进行特征选择,建立联合模型,绘制受试者工作特征(ROC)曲线检验CT影像特征及影像组学特征模型对肺淋巴瘤和PIMA的鉴别效能。结果 训练组中淋巴瘤组的空气支气管征、支气管扩张及胸腔积液检出率均高于PIMA组,差异有统计学意义(P<0.05);验证组中淋巴瘤的空气支气管征、支气管扩张检出率高于PIMA组,差异有统计学意义(P<0.05);保留空气支气管征、支气管扩张及胸腔积液建立CT影像特征模型,训练组ROC曲线下面积(AUC)=0.886,验证组AUC=0.792;保留5个最佳特征子集构建CT影像组学特征模型,训练组AUC=0.889,验证组AUC=0.842;联合模型训练组AUC...     

基于DCE-MRI的影像组学在预测乳腺癌Luminal型和非Luminal型中的价值

目的：探讨基于动态增强MRI（dynamic contrast enhanced magnetic resonance imaging,DCE-MRI）的影像组学在预测乳腺癌Luminal型和非Luminal型中的价值。方法：回顾性分析行乳腺DCE-MRI扫描,并经手术病理证实为乳腺癌的42例患者,采用手动分割法在DCE-MRI强化最明显的图像上逐层勾画病灶提取影像组学特征,用最小绝对收缩算子（least absolute shrinkage and selection operator,LASSO）筛选最优影像特征,根据雌激素受体（estrogen receptor,ER）和孕激素受体（progesterone receptor,PR）的表达情况将所有病例分为Luminal型和非Luminal型,构建基于逻辑回归（logistic regression,LR）、随机森林（Random forest,RF）、K近邻（K nearest neighbor,KNN）和支持向量机（support vector machine,SVM）的分类器,并用5折交叉验证法对预测性能进行验证。结果：最终选出4个最优特征值,包括1个形状特征和3个小波特征,其中Original_Shape_Maxi－mum 2D Diameter Row、Wavelet-LLH_GLCM_Idn和Wavelet-HHH_GLCM_Correlation三个特征值与ER和PR的表达情况均具有显著相关性,基于RF的分类器预测乳腺癌Luminal型和非Luminal型的性能最佳,其敏感度、特异度、准确度及曲线下面积（area under curve,AUC）分别为0.838、0.900、0.853和0.876。结论：基于DCE-MRI的影像组学在预测乳腺癌Luminal型和非Luminal型中具有较好的应用价值,基于RF的分类器的预测性能最佳。     

HER-2阳性浸润性乳腺癌患者MRI影像多参数特征分析

目的探讨HER-2阳性乳腺癌患者MRI影像多参数的特征。方法回顾性分析2019年1月至2020年11月我院经病理证实的52例浸润性乳腺癌患者的MRI影像资料,分析52例患者MRI图像征象(分叶、坏死、毛刺、强化特征)、定量参数(DWI-ADC值及IVIM-DWI(D值、D^*值及f值))之间的差异。结果 其中HER-2阳性者18例(34.6%),HER-2阴性者34例(65.4%),HER-2阳性与HER-2阴性患者肿块MRI图像特征、D值及f值差异均无统计学意义(P>0.05);HER-2阳性患者ADC值(1.11±0.193)mm2/s明显高于HER-2阴性患者ADC值(0.95±0.192)mm²/s,差异有统计学意义(P<0.05);HER-2阳性患者D^*值(4.94±1.21)mm²/s明显高于HER-2阴性患者D^*值(3.85±1.42)mm²)/s,差异有统计学意义(P<0.05)。结论 MRI影像定量参数ADC值及D     

基于影像组学的肝脏脂肪变性研究

目的 利用影像组学与集成学习进行肝脏脂肪变性分级研究.方法 回顾性分析2018年6月至8月于上海市第一人民医院进行MR上腹部mDixon成像序列扫描的成人患者资料,将患者的MRI数据利用影像组学特征提取方法和机器学习进行建模,研究采用3项指标对三种集成学习分类算法(AdaBoost、GBDT与XGBoost)的性能进行...     

探讨DCE-MR影像组学预测模型鉴别HER2低表达与HER2阳性乳腺癌的应用价值

目的 探讨MR影像组学模型鉴别HER2低表达与HER2阳性乳腺癌的应用价值。方法 回顾性分析我院2018年1月至12月确诊的浸润性乳腺癌233例,其中HER2阳性乳腺癌103例,HER2低表达乳腺癌130例,按8:2随机拆分为训练集186例及测试集47例。基于MR第2期增强图像提取组学特征,数据经过归一化,降维,筛选特征,构建逻辑回归机器学习模型,并于测试集中验证及评估其诊断效能。结果 训练集中AUC为0.87,准确率为0.80,敏感性0.89,特异性0.72,PPV0.72,NPV0.89,测试集中AUC值为0.77,准确率0.77,敏感度0.76,特异性0.77,PPV0.73,NPV0.80,基于DCE-MR影像组学的预测模型不仅具有较好的诊断效能,还具有良好的稳定性。结论 基于DCE-MR影像组学预测模型鉴别HE R2低表达与H E R2阳性乳腺癌具有较好的诊断效能,有望为后期临床制定精准化及个性化治疗决策提供参考依据。     

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。     

基于核磁共振1H谱的乳腺纤维腺瘤与乳腺浸润性导管癌血清代谢组学比较研究

目的 分析乳腺纤维腺瘤患者及乳腺浸润性导管癌患者在血清代谢组学上的差异,探讨术前通过代谢特征来辨别良恶性肿瘤的可能性。方法 收集经临床确诊的乳腺纤维腺瘤和乳腺浸润性导管癌患者血清各8例,通过核磁共振¹H谱（¹HNMR）技术检测其血清代谢组特征,分别采用主成分分析（PCA）和正交偏最小二乘判别法 （OPLS-DA）分析乳腺纤维腺瘤与乳腺浸润性导管癌之间的代谢差异。结果 PCA和OPLS-DA分析显示乳腺纤维腺瘤患者和乳腺浸润性导管癌患者的血清代谢特征存在明显差异。与乳腺纤维腺瘤患者相比,浸润性导管癌患者血清中脂质、乳酸盐、磷脂酰胆碱/甘油磷脂酰胆碱的含量升高,而谷氨酰胺、牛磺酸、肌酸和葡萄糖含量降低。结论 乳腺纤维腺瘤患者与乳腺浸润性导管癌患者在血清代谢水平上具有明显差异,这些具有明显变化的代谢物可作为潜在血清代谢标记物,为临床区分良恶性肿瘤提供参考。     

影像组学在评价乳腺癌新辅助化疗疗效中的应用

近年来,影像组学在乳腺癌新辅助化疗方面越来越受到国内外学者的关注,可以提高评估疗效的准确性,同时可以预测新辅助化疗是否有效.下文就影像组学在评价乳腺癌新辅助化疗疗效方面的应用作一综述.