基于可解释机器学习构建老年患者术后急性肾损伤风险预测模型

目的 基于机器学习算法,构建行全身麻醉非心脏手术的老年患者术后急性肾损伤(AKI)的风险预测模型,为AKI早期识别和干预提供参考。方法 回顾性分析自2015年10月至2021年10月在中山大学附属第三医院择期行全身麻醉非心脏手术、年龄≥65岁的9 512例患者的临床资料,根据排除标准,最终纳入5 780例患者为研究对象。使用LASSO回归分析筛选与AKI相关的重要变量进行AKI预测模型构建。计算受试者工作特征曲线下面积(AUC)用于评估预测性能。通过SHAP模型对最优预测模型进行可解释化处理。结果 5 780例患者中,789例被诊断为术后AKI,发生率为13.65%(789/5 780),设为AKI组;另4 991例设为非AKI组。患者预后情况中,AKI组患者的实际住院天数长于非AKI组,总住院费用及住院期间心跳骤停发生率均高于非AKI组,差异均有统计学意义(P<0.05)。单因素分析后共有33个显著变量,LASSO回归分析选择了12个特征变量构建8个机器学习模型,最终选择了梯度提升机(GBM)模型作为风险预测模型。GBM的AUC值为0.77,准确性为0.71,敏感度为0.67,...     

非小细胞肺癌患者预后生存时间范围的机器学习预测模型研究

【摘要】目的：开发并验证一种基于CT影像组学及形态学特征对非小细胞肺癌患者预后生存时间范围进行预测的机器学习分类模型。方法：在癌症影像数据库（TCIA）中下载lung1数据集,选取符合条件的243例周围型非小细胞肺癌患者,根据截止生存时间将患者分为两组（1组为生存期≤3年,2组为生存期＞3年）。在每个病灶中提取1037个影像组学特征,采用最小绝对收缩和选择算子（LASSO）算法进行特征筛选。记录每个病灶的形态学特征,运用t检验和卡方检验进行筛选。将两者结合起来,运用Logistic回归、随机森林、AdaBoost、高斯朴素贝叶斯、神经网络这5种机器学习分类方法建立预测模型,采用受试者工作特征（ROC）曲线评价5种预测模型的效能,并选出最优模型。最后使用广州中医院大学第一附属医院搜集的77例患者数据进行外部验证。结果：高斯朴素贝叶斯分类预测模型是本研究中最好的模型,稳定性相对较好,在所有模型中,运用此模型的AUC值在训练集和验证集中均较高。经过外部验证,该模型在训练集的AUC值为0.735,敏感度为0.685,特异度为0.700;测试集AUC值为0.771,敏感度为0.571,特异度为0.898。结论：CT影像组学结合形态学特征的机器学习分类模型能较准确地对NSCLC患者的预后生存时间范围进行预测。     

肿瘤分割策略对机器学习预测肾透明细胞癌病理分级影响的研究

目的 探究肿瘤边缘分割策略对基于CT的机器学习预测肾透明细胞癌(ccRCC)病理分级的影响。方法 回顾性分析2009年1月至2019年12月经病理证实的ccRCC患者三期CT图像数据及临床病理学资料共546例,分为建模及内部验证集(n=311)、独立外部验证集(n=235)。按以下肿瘤图像分割策略进行分组：聚焦肿瘤边缘分割(MF组);边缘范围分别扩大1 mm(E1组)、3 mm(E3组);边缘范围分别缩小1 mm(S1组)、3 mm(S3组)。基于三期CT图像并利用CatBoost建立ccRCC病理分级(高/低级别)的机器学习预测模型。对比分析各组所提取的纹理特征及权重因子、预测模型的敏感度(SEN)、特异度(SPC)、阳性预测值(PPV)、阴性预测值(NPV)、准确率(ACC)、受试者工作特征曲线(ROC)及曲线下面积(AUC)。结果 分割边缘范围与所提取的纹理特征权重因子大小成正比,权重因子随着肿瘤图像分割边缘收缩而减小。采用如上述肿瘤图像分割策略的ccRCC病理分级预测模型的AUC分别为：MF 0.8037、E1 0.8161、E3 0.8165、S1 0.8010、S3 0.7...     

基于MR T1WI的影像组学机器学习模型预测软组织肉瘤分级的价值

目的 探讨基于MR T1WI的最优影像组学机器学习模型及其预测软组织肉瘤分级的价值。方法 回顾性分析2009年5月至2018年11月青岛大学附属医院113例软组织肉瘤患者的术前MR T1WI资料,采用随机分层抽样的方法将患者随机分为训练组(n=80)和验证组(n=33)。根据法国国家癌症研究中心(FNCLCC)系统将软组织肉瘤病理分级分为Ⅰ~Ⅲ三个级别。Ⅰ级为低级别,Ⅱ、Ⅲ级为高级别。训练组中18例为低级别、62例为高级别病变,验证组中7例低级别、26例高级别病变。图像进行标准化后,采用A.K软件对肿瘤感兴趣区进行特征提取,并基于不同特征选择方法(加入和不加入递归式特征消除)、机器学习算法(随机森林和支持向量机算法)和采样技术(不进行过采样、使用少数样本合成过采样技术、使用随机过采样技术),组合成12种机器学习算法组合,应用弃一法交叉验证进行验证,建立分类模型。采用受试者操作特征(ROC)曲线评价模型预测软组织肉瘤病理级别的效能。结果 在12种机器学习算法建立的软组织肉瘤分级预测模型中,联合使用递归式特征消除和少数样本合成过采样技术的随机森林分类算法效能最佳,其在验证组中预测软组织肉瘤分级的ROC曲线下面积为0.909 (95%可信区间为0.808~1.000),准确率、灵敏度和特异度分别为84.85%、86.21%和75.00%。结论 基于影像组学的机器学习方法在预测软组织肉瘤病理分级方面有较大的应用价值。     

基于MRI影像组学列线图在宫颈鳞癌组织学分级中的预测研究

目的 建立并验证MRI影像组学列线图模型，实现术前对宫颈鳞癌组织学分级的准确预测。方法 回顾性搜集2019年1月至2021年10月于蚌埠医学院第一附属医院就诊208例患者的临床及影像资料。按照7∶3的比例将所有患者随机分为训练组(n=145)、验证组(n=63),在训练组患者选取矢状位T₂WI、增强T₁WI及轴位DWI图像，在病灶最大层面边缘勾画获取感兴趣区(ROI)提取影像特征，应用最小绝对收缩和选择算子(LASSO)算法建立影像组学评分。采用多因素Logistic回归分析确定独立危险因素，并结合影像组学评分建立MRI影像组学列线图。运用受试者工作特征曲线(ROC)曲线下面积(AUC)评价模型的预测性能。应用校正曲线评估列线图的临床应用价值。结果 基于临床参数及影像组学评分构建的列线图模型(AUC:0.852)的诊断效能高于临床特征模型(AUC:0.723)及影像组学模型(AUC:0.788)。结论 结合临床模型和影像组学评分的MRI影像组学列线图模型是一种简单、有效、可靠的预测宫颈鳞癌组织学分级的方法。     

基于机器学习的肝动脉化疗栓塞术后栓塞综合征预测模型构建和比较北大核心CSCD

目的探讨不同的机器学习技术在预测经肝动脉化疗栓塞术后发生栓塞综合征的效能。方法收集2020年1月至2021年12月在广西医科大学附属肿瘤医院接受肝动脉化疗栓塞术的453例患者临床资料。分别采取逻辑回归、支持向量机、随机森林、梯度提升决策树、极端梯度森林和Lightgbm等6种机器学习技术,构建术后发生栓塞综合征的预测模型。采取五折交叉验证的方式计算不同机器学习算法的准确率、精确率、召回率、F1值和曲线下面积(AUC)。结果经动脉化疗栓塞术后栓塞综合征的发生率为62.47%,基于随机森林算法的平均评估指标值为0.768,优于其他机器学习模型。结论基于随机森林方法建立经动脉化疗栓塞术后栓塞综合征发生的预测模型效能最佳。     

心脏MR平扫电影图像的影像组学特征对肥厚型心肌病患者延迟强化的预测价值

目的探讨基于心脏磁共振(CMR)平扫电影图像的影像组学特征在预测肥厚型心肌病(HCM)患者延迟强化(LGE)中的价值。方法回顾性分析2017年5月至2021年8月于北京安贞医院行CMR检查诊断明确的HCM患者共300例, 采用随机分层抽样方法按7∶3比例将数据分为训练集和测试集。随后, 纳入2022年1月至2023年5月于北京安贞医院行CMR检查诊断明确的HCM患者共89例用于外部验证。CVI 42软件被用于获取患者心功能参数, 组内相关系数、Pearson相关系数及最小绝对收缩和选择算子(LASSO)回归被用于筛选影像组学特征。最后, 使用LASSO回归和3种机器学习算法, 包括支持向量机、线性判别分析及朴素贝叶斯构建LGE预测模型。模型效果使用受试者操作特征曲线下面积(AUC)评价。结果基于CMR图像提取出1 409个特征, 经过LASSO筛选后保留了19个特征构建组学标签。尽管4种方法在验证集中预测LGE的能力差异无统计学意义, 但LASSO回归的稳定性和综合预测性能相对较好, 其AUC在训练集中为0.795(95%CI 0.735～0.855), 在测试集中为0.765(95%...     

基于脑部T2WI病灶影像组学的机器学习模型鉴别多发性硬化和视神经脊髓炎谱系疾病的多中心研究

目的探讨基于脑部T2WI病灶影像组学的机器学习模型鉴别多发性硬化(MS)和视神经脊髓炎谱系疾病(NMOSD)的效能。方法回顾性分析2009年1月至2018年9月在首都医科大学附属北京天坛医院、南昌大学第一附属医院东湖院区、天津医科大学总医院、首都医科大学宣武医院接受诊治的MS和NMOSD患者223例的资料, 按照7∶3的比例完全随机分为训练集(156例)和测试集(67例)。收集2009年1月至2018年9月在复旦大学附属华山医院、吉林大学中日联谊医院接受诊治以及2020年3月至2021年9月在南昌大学第一附属医院象湖院区接受诊治的MS和NMOSD患者共74例作为独立的外部验证集。对患者进行脑部横断面MR T2WI, 从T2WI中提取影像组学特征, 通过最小冗余最大相关性和最小绝对收缩和选择算子算法进行特征选择, 之后构建各种机器学习分类器模型(logistic回归、决策树、AdaBoost、随机森林或支持向量机)鉴别诊断MS与NMOSD。采用受试者操作特征曲线的曲线下面积(AUC)评估训练集、测试集、外部验证集中各分类器模型的性能。结果基于多中心的T2WI, 共提取了11个与区分MS和...     

基于3D CT影像组学特征在晚期肺鳞癌化疗疗效预测中的应用

目的 建立3D CT影像组学模型评估含铂双药联合方案对晚期肺鳞癌的化疗疗效,以期帮助后期治疗方案的选择及调整。方法 回顾性分析2019年1月至2021年12月经蚌埠医学院第一附属医院经病理证实的127例晚期肺鳞癌患者的影像学资料,选取化疗前胸部增强CT纵隔窗图像及化疗两个周期后的胸部CT图像,依照实体肿瘤疗效评价标准(RECIST)1.1版评估并分为有效组78例和无效组49例。使用慧影大数据人工智能科研平台将数据按照4∶1随机分为训练组和测试组。选取患者化疗前图像,勾画感兴趣区(ROI),提取病灶的影像组学特征,建立预测模型并验证。通过受试者工作特征曲线(ROC)的曲线下面积(AUC)评估模型效能。结果 训练组中,有效组AUC为0.82(0.74～0.91),准确率为0.65,特异度为0.74,敏感度为0.74;无效组AUC为0.82(0.74～0.91),准确率为0.84,特异度为0.77,敏感度为0.77;测试组中,有效组AUC为0.76(0.57～0.96),准确率为0.70,特异度为0.81,敏感度为0.81;无效组AUC为0.76(0.57～0.96),准确率为0.81,特异...     

基于机器学习算法的子痫前期预测模型构建

目的 筛选子痫前期的危险因素并构建基于机器学习算法的子痫前期预测模型。方法 收集重庆医科大学医学数据研究院大数据平台中2016年1月-2018年12月1609例住院孕妇的临床数据进行回顾性分析。依据住院期间是否发生子痫前期分为子痫前期组(n=291)与非子痫前期组(n=1318)。随机抽取70%患者的临床资料作为训练集(n=1126)构建预测模型,其余30%作为测试集(n=483)进行验证,并对测试集和训练集进行一致性检验。采用单因素分析及logistic回归分析筛选独立危险因素,利用5折交叉验证算法寻找LightGBM算法的最优参数,并基于LightGBM机器学习算法构建预测模型。结果 共收集了58项指标,排除缺失率≥30%的13项指标,最终共纳入45项指标。子痫前期组与非子痫前期组的谷氨酰转移酶、谷丙转氨酶、凝血酶时间、谷草转氨酶、尿比重等35项指标差异有统计学意义(P<0.05)。Logistic回归分析结果显示,尿比重、尿酸、平均红细胞血红蛋白浓度、球蛋白、血小板分布宽度、钾离子、就诊年龄、高血压家族史、收缩压、舒张压、脉搏和孕周≥34周是子痫前期的独立危险因素。经5折交...     

基于不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki-67表达的价值

目的：基于动态增强磁共振成像（DCE-MRI）探究不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki-67表达状态的价值。方法：回顾性分析于本院行双乳磁共振检查患者,按照纳入排除标准最终纳入患者156例,按照7∶3比例分为训练集和测试集。通过单因素分析、最小绝对收缩和选择算子法和递归特征消除进行特征筛选,筛选出不同数量特征分别通过5种机器学习算法建立影像组学模型来预测浸润性乳腺癌Ki-67表达状态。比较不同模型的受试者工作特征曲线下面积（AUC）并计算准确率和F1度量值评估其性能,校准曲线评估模型拟合度,并应用DeLong检验比较不同模型间的差异性。结果：同一分类器在不同的特征数下预测性能不同。在基于DCE-MRI提取的3个特征下,5种模型的预测性能相对较好,其中支持向量机的整体性能最优,AUC、准确率和F1度量值在训练集分别为0.95、0.95、0.90,在测试集分别为0.88、0.79、0.74。DeLong检验显示,在基于3个特征的5个模型中,支持向量机与逻辑回归的性能差异有统计学意义（P<0.001）,与其余3个模型无统计学差异。结论：基于DCE-MRI所构建的影像组学模...     

多序列3D-MRI影像组学对乳腺小肿块的鉴别价值

目的 基于动态增强磁共振(DCE-MRI)序列及扩散加权成像(DWI)序列构建影像组学模型,探讨其对直径≤2 cm的乳腺肿块良恶性的鉴别价值。方法 选取2019年1月至2022年8月就诊于本院122例患者,均接受MRI检查,且经测量肿块直径≤2 cm。将所有患者图像以DICOM格式上传至慧影大数据平台,使用双盲法在DWI及DCE第三期图像上逐层勾画感兴趣区(ROI),后将该病灶勾画的所有ROI融合成三维容积感兴趣区(3D-VOI)进行组学分析。按照4∶1将数据集随机分为训练集与测试集,采用逻辑回归(LR)分类器,构建DCE、DWI及DCE与DWI联合鉴别模型,以病理检查为金标准,评价三种影像组学模型的鉴别效能,并比较三种模型的曲线下面积(AUC)、准确率、特异度及敏感度。结果 根据病理结果将122例患者分为良性42例,恶性80例,以DCE构建组学模型鉴别乳腺小肿块的AUC值为0.83(0.65～1.00)、准确率67%、特异度81%、敏感度67%;以DWI构建组学模型鉴别乳腺小肿块的AUC值0.81(0.67～0.98)、准确率64%,特异度78%、敏感度75%;以DCE与DWI联合模...     

CT影像组学在胃肠道间质瘤危险度分级预测中的价值

目的 探讨基于CT影像组学在术前预测胃肠道间质瘤(GIST)危险度分级的价值。方法 回顾性搜集经手术切除病理确诊为GIST且具有完整术前CT增强扫描图像及临床资料的127例患者,依据病理结果将其分为低危组(极低风险和低风险)和高危组(中风险和高风险)。使用达尔文平台在每例患者的增强CT动脉期图像上提取影像组学特征,然后以7∶3的比例随机分为训练组(n=88)和验证组(n=39)。通过最小绝对收缩降维和选择算子算法(LASSO),利用Logistic回归方法建立预测模型。诊断医师于PACS系统中观察两组病例的主观CT特征和临床资料,利用统计显著性特征构建预测模型。采用受试者工作特征(ROC)曲线评价模型的预测效能。结果 从CT动脉期图像中提取的939个影像组学特征参数中经筛选最终选择5个特征参数,构建影像组学预测模型。对于训练组,曲线下面积(AUC)为0.923(95%CI:0.846～0.969);验证组的AUC为0.917(95%CI:0.783～0.981)。两组在肿瘤最大径和肿瘤形态方面存在显著差异,用于建立临床-CT征象预测模型,训练组的AUC为0.865(95%CI:0.77...     

基于增强CT影像组学预测胰腺导管腺癌病理分化程度的研究

目的 探讨基于增强CT影像组学预测模型在术前预测胰腺导管腺癌(PDAC)病理分化程度可行性及价值。方法 选取术后病理证实为PDAC患者138例，分为高-中分化组和低分化组。分别在术前增强CT的动脉期和静脉期图像对肿块进行手动全层勾画，并提取纹理特征。采用最小冗余最大相关算法(mRMR)、最小绝对收缩和选择算子(LASSO)逐步回归算法进行特征的降维、筛选，分别构建支持向量机、随机森林、Logistic回归和K最邻近四种机器学习预测模型，以5折交叉验证的方法对四种预测模型进行验证，并对模型进行外部验证。绘制ROC曲线评价四种预测模型的预测效能。结果 临床及常规CT特征对PDAC分化程度无预测意义。基于筛选最优影像组学特征，分别构建预测PDAC分化程度的Logistic回归模型、K最邻近模型、支持向量机模型与随机森林模型，绘制ROC曲线评价四种预测模型预测效能，训练组其曲线下面积(AUC)分别为0.89、0.67、0.87、0.95,外部验证组AUC分别为0.70、0.54、0.65、0.63。结论 基于增强CT影像组学预测模型可用于术前预测PDAC病理分化程度，其中Logistic回归预...     

基于放射组学的机器学习预测盆腔调强放疗剂量验证的γ通过率

目的利用放射组学特征构建不同的机器学习分类模型, 预测盆腔肿瘤调强放疗剂量验证的γ通过率, 并探讨最佳预测模型。方法回顾性分析196例盆腔肿瘤调强放疗计划, 采用基于模体测量方式的三维剂量验证结果, γ通过率标准为3%/2 mm、10%剂量阈值。提取基于剂量文件的放射组学特征构建预测模型。分别采用随机森林、支持向量机、自适应增强和梯度提升决策树4种机器学习算法, 计算曲线下面积(AUC)值、敏感度和特异度, 评估4种预测模型的分类性能。结果随机森林、支持向量机、自适应增强、梯度提升决策树模型的灵敏度和特异度分别为0.93、0.85, 0.93、0.96, 0.38、0.69, 0.46、0.46。随机森林模型和自适应增强模型的AUC值分别为0.81和0.82, 支持向量机和梯度提升决策树模型的AUC值为0.87。结论针对盆腔肿瘤调强放疗计划, 可以采用基于放射组学特征的机器学习方法来构建γ通过率的预测模型。支持向量机模型和梯度提升决策树模型的分类性能要优于随机森林模型、自适应增强模型。     

基于脑梗死和脑脊液的影像组学预测急性脑卒中机械取栓术后恶性脑水肿发生的分析

目的 探讨基于急性脑卒中弥散加权成像（diffusion weighted imaging,DWI）核心梗死区及脑脊液的影像组学特征,通过机器学习构建急性脑卒中机械取栓术后恶性脑水肿发生的预测模型。方法 选取155例急性脑卒中患者的MRI图像,基于软件自动分割DWI高信号梗死区及脑脊液区,应用AK软件进行影像组学特征提取和降维,采用最小冗余最大相关特征选择方法筛选最佳影像组学特征,通过支持向量机分类器构建恶性水肿发生的预测模型。结果 经筛选后具有10个特征的子集（包含7个DWI脑梗死特征和3个脑脊液特征）获得了最高的平均AUC值,并被指定为最终的特征子集纳入模型分析。ROC分析显示训练集患者预测恶性脑水肿的AUC为0.975,敏感度、特异度和准确度分别为90.3%、69.8%、93.5%;测试集患者预测恶性脑水肿的AUC为0.893,敏感度、特异度、准确度分别为86.8%、90.3%、87.1%。结论 基于DWI脑梗死和脑脊液影像组学特征的机器学习,能够较为准确地预测急性脑卒中机械取栓术后恶性脑水肿的发生,为临床早期干预治疗提供指导。     

基于18F－FDG PET/CT的机器学习模型对风湿性多肌痛的诊断价值

目的探讨基于18F-FDG PET/CT的机器学习模型对风湿性多肌痛(PMR)的诊断价值。方法回顾性分析2014年11月至2022年12月间入住常州市第一人民医院免疫风湿科, 疑似PMR并行18F-FDG PET/CT检查的177例患者[男119例、女58例, 年龄67.0(61.0, 72.0)岁]资料。将患者按照7∶3随机等比抽样分为训练集和验证集。利用分类和回归树(CART)、最小绝对收缩和选择算子(LASSO)算法和logistic回归3种机器学习模型对PET/CT影像学特征进行学习。通过ROC曲线分析评估各模型的诊断效能, 采用Delong检验比较不同AUC的差异。结果 PMR患者78例(44.1%, 78/177), 非PMR患者99例(55.9%, 99/177);训练集124例, 验证集53例。Logistic回归模型(训练集:AUC=0.961;验证集:AUC=0.930)在诊断PMR方面优于CART(训练集:AUC=0.902, z=2.96, P=0.003;验证集:AUC=0.844, z=2.46, P=0.014), 与LASSO算法诊断效能相似(训练集:A...     

基于多参数MRI影像组学方法鉴别Ⅰ型和Ⅱ型上皮源性卵巢癌

目的 探究基于多参数MRI影像组学和机器学习方法在术前鉴别诊断Ⅰ型和Ⅱ型上皮性卵巢癌(EOC)中的价值。方法 回顾性搜集两个中心共181例EOC患者(中心一136例为训练集，中心二45例为外部验证集),其中Ⅰ型59例，Ⅱ型122例。从每例患者抑脂(FS)-T₂WI、DWI及ADC图像分别提取1130个影像组学特征。通过对四种机器学习算法的性能评价，确定了构建影像组学模型的理想算法。构建影像组学模型、临床模型和联合模型，并通过受试者工作特征(ROC)曲线分析评估诊断性能。采用DeLong检验比较曲线下面积(AUC)。结果随机森林(RF)算法是构建影像组学模型的最优算法。联合模型在外部验证集AUC为0.912(95%CI:0.820～1.000),显著优于临床模型(AUC=0.718,95%CI:0.552～0.884,P=0.036)和影像组学模型(AUC=0.810,95%CI:0.675～0.946,P=0.012)。结论 基于多参数MRI的影像组学和机器学习方法有潜力术前准确鉴别Ⅰ型和Ⅱ型EOC,并协助临床决策。     

基于DWI和FLAIR的影像组学结合机器学习预测醒后卒中的发病时间

目的 结合扩散加权成像(DWI)和液体衰减反转恢复序列(FLAIR)的影像组学与机器学习构建醒后卒中的发病时间预测模型并进行验证。方法 搜集2017年1月至2020年12月在南京市第一医院就诊的明确发病时间的急性缺血性脑卒中(AIS)患者266例,将患者随机分为训练集(n=185)和测试集(n=81),另搜集在南京医科大学附属江宁医院就诊的明确发病时间的AIS患者(n=56)为验证集,并根据患者发病时间将其分为≤4.5 h和>4.5 h两组。采用A.K.软件提取DWI和FLAIR影像组学特征并构建影像组学标签。通过多变量Logistic回归筛选最佳预测因子并构建诺莫图模型。利用受试者工作特征(ROC)曲线评估模型预测效能,并对模型进行内、外部验证。结果 每例患者各提取1584个影像组学特征,降维后筛选出6类26个与卒中发病时间高度相关的特征。ROC显示联合独立预测因子影像组学标签、高血脂症构建的诺莫图模型预测训练集发病时间的曲线下面积(AUC)为0.979(灵敏度和特异度分别为0.923、0.977),预测测试集发病时间AUC为0.968(灵敏度和特异度分别为0.915、0.91...     

增强CT影像组学在鉴别肝转移性腺癌来源的运用

目的 探讨基于机器学习的增强CT影像组学模型对肝转移性腺癌来源预测的可行性。方法 回顾性分析317例肝转移瘤患者的增强CT图像及临床影像资料,其中153例非胃肠道来源腺癌(25例乳腺腺癌,128例肺腺癌)和164例胃肠道来源腺癌(95例结直肠腺癌,41例胃腺癌,28例胰腺腺癌)。在增强CT三期图像中分别分割肿瘤体积。使用联影科研平台(uAI)提取影像组学特征,用最小绝对收缩与选择算子算法(LASSO)进行特征筛选。结合年龄及性别构建支持向量机分类器预测模型。两位影像医师根据影像特征进行预测。受试者工作特征(ROC)曲线分析各类模型效能,Delong检验对比模型诊断效能。决策曲线分析(DCA)探索模型临床应用价值,校准曲线评估模型预测精度。结果 经LASSO算法从三期图像中共获得6个影像组学特征,建立的影像组学联合模型曲线下面积(AUC)为0.738,结合年龄及性别建立临床影像组学模型的AUC值、敏感度、特异度和准确度分别达到0.833、0.740、0.804和0.771。两位影像医师诊断的AUC值分别为0.643和0.664。临床影像组学模型诊断效能高于两位影像医师诊断,差异有统计学意...