基于靶扫描和常规扫描CT图像的影像组学模型预测肺磨玻璃结节的2年生长

 目的 比较基于靶扫描CT（targeted CT,T-CT）和常规扫描CT（conventional CT,C-CT）图像建立的CT影像组学特征集预测肺磨玻璃结节（ground-glass nodules,GGN）2年生长的价值,并建立影像组学列线图以帮助管理GGN。方法 回顾性收集2018年10月—2019年1月间414个随访肺GGN的T-CT、C-CT图像和临床资料,并按7∶3分为训练组（n=290）和验证组（n=124）。分别采用最小绝对收缩与选择算法逻辑回归、多因素逻辑回归筛选GGN 2年生长相关的影像组学特征及临床特征,构建影像组学特征集、临床特征集,结合成影像组学列线图。采用Delong检验比较基于T-CT和C-CT图像建立的CT影像组学特征集,并分别用C-CT和T-CT数据进行交叉预测。分别采用受试者工作特征曲线下面积（AUC）和临床决策曲线评估各模型效能和临床实用性。结果 T-CT和C-CT图像分别筛选出7个和6个特征用于构建影像组学特征集,两者AUC差异无统计学意义。筛选出年龄、性别和毛刺征3个临床特征构建临床特征集,结合C-CT影像组学特征集构建影像组学列线图。影像组学列线图在训练组和验证组中的AUC分别为0.948和0.933。临床特征的纳入未能显著提高模型预测效能（训练组和验证组P值分别为0.168和0.160）,影像组学列线图较影像组学特征集获得更高临床净收益。结论 T-CT和C-CT影像组学特征集均能有效预测GGN的2年生长,且差异无统计学意义。影像组学列线图较影像组学特征集获得更高临床净收益,有助于管理GGN。     

CT影像组学联合临床特征在预测肺腺癌EGFR突变中的价值

目的探究CT影像组学联合临床特征对肺腺癌EGFR突变状态的预测效能。方法对125例肺腺癌病人进行回顾性研究,分成训练组（n=74）与验证组（n=51）,基于CT成像提取影像组学特征;采用支持向量机（SVM）分类器,分别构建临床模型、影像组学模型以及联合模型;受试者工作特征曲线（ROC）及曲线下面积（AUC）用于评价模型的预测效能。结果临床模型、影像组学模型以及联合模型在训练组中的AUC分别为0.749（0.653~0.843）、0.818（0.711~0.898）、0.860（0.760~0.930）,在验证组中的AUC分别为0.753（0.612~0.863）、0.797（0.661~0.896）、0.855（0.728~0.938）。结论对于肺腺癌EGFR突变状态的预测,CT影像组学特征优于临床因素与CT征象,当影像组学结合临床因素与CT征象,能进一步提高预测效能。     

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。     

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。     

基于胸部高分辨CT的深度学习影像组学对特发性肺纤维化GAP分期的预测价值

目的 探讨基于胸部高分辨CT(HRCT)的深度学习影像组学模型对特发性肺纤维化（IPF）性别-年龄-肺生理变量（GAP）分期的预测价值。方法 回顾2020年1月至2022年6月浙江大学医学院附属杭州市第一人民医院诊断为IPF的患者67例，根据GAP分期系统分成早期IPF(GAPⅠ期)40例和中晚期IPF(GAPⅡ/Ⅲ期)27例，所有患者均行胸部HRCT检查，在联影智能科研平台上的深度学习模块，基于V-net网络进行图像自动分割，同时与人工分割比较，用Dice相似性系数（DSC）评估分割模型的效能。基于自动分割结果，在影像组学模块进行影像组学分析，得到影像组学特征值，通过最小绝对紧缩与选择算子（LASSO）回归筛选组学特征，并基于筛选出的特征系数计算每例患者的影像组学标签（Radscore），基于Radscore构建影像组学模型。采用ROC曲线评估影像组学模型对GAP分期的预测效能。结果 基于V-net网络的肺间质性病变的自动分割模型显示了较好的分割效能，其DSC为0.55～0.93(0.83±0.10)。影像组学分析共得到2 400个组学特征，通过LASSO回归筛选出了8个组学特征，同...     

CT影像组学在预测非小细胞肺癌淋巴结转移中的价值

目的探讨基于胸部CT影像组学在术前预测非小细胞肺癌淋巴结转移中的价值。方法回顾性分析经术后病理证实的143例非小细胞肺癌病人临床、胸部CT增强影像资料。按照7:3比例,随机分为训练组（n=100）和验证组（n=43）。在静脉期图像上提取肿瘤的影像组学特征,采用最小绝对收缩选择算子（LASSO）逻辑回归用于数据降维、特征筛选。分别基于影像组学特征和临床-影像特征（最大径、毛刺征）构建预测模型。采用受试者工作特征曲线（ROC）的曲线下面积（AUC）评价不同模型的鉴别预测效能,并对模型的ROC曲线行Delong检验;在验证组中评估其预测效能。结果共提取939个影像组学特征,经筛选最终得到6个最优特征并建立影像组学预测模型。对于术前预测淋巴结转移的效能,在训练组中,影像组学模型AUC为0.864（95%CI:0.781~0.924）,大于临床模型的AUC为0.662（95%CI:0.561~0.754）（P < 0.01）;在验证组中,影像组学模型AUC为0.860（95%CI:0.720~0.964）,大于临床模型的AUC为0.664（95%CI:0.504~0.880）（P < 0.05）。结论基于胸部CT增强图像提取影像组学特征及其构建的预测模型,影像组学模型的效能高于临床模型,可以作为一种预测非小细胞癌病人淋巴结是否转移的辅助工具,具有良好的临床应用前景。     

基于动脉瘤形态学及影像组学特征模型预测大脑中动脉镜像动脉瘤破裂的价值

目的：探讨基于动脉瘤形态学及影像组学特征Logistic回归模型预测大脑中动脉镜像动脉瘤的价值。方法：回顾性分析2010年5月至2020年10月温州医科大学附属第一医院收治的38例大脑中动脉镜像动脉瘤患者（一侧破裂,一侧未破裂）。在破裂和未破裂的镜像动脉瘤的配对中,使用头颅CT血管造影（CTA）测量了7个形态学参数,并使用Pyradiomics提取了12个影像组学衍生形态学参数。采用单因素分析筛选动脉瘤破裂的相关因素,根据筛选出的特征构建形态学、影像组学及混合模型以预测大脑中动脉瘤是否破裂,采用受试者工作特征曲线（ROC曲线）及曲线下面积（AUC）对模型的预测效能进行评估。结果：采用单因素分析后,筛选出7个形态学参数（动脉瘤大小、垂直高度、动脉瘤高度、瘤颈、AR、SR及形状）及6个影像组学参数（Maximum3DDiameter、Maxium2DDiameterSlice、Maximum2DDiameterColumn、Maximun2DDiameterRow、SurfaceArea及SurfaceVolumeRatio）。ROC曲线分析结果表明,混合模型的AUC为0.85,高于形态学模型（AUC=0.83）及影像组学模型（AUC=0.71）。结论：基于动脉瘤形态学及影像组学特征构建的Logistic回归模型可能有助于独立于患者个体特征而评估大脑中动脉镜像动脉瘤破裂的风险。     

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...     

CT影像组学预测胃癌不同预后组织学分型的可行性

目的: 探讨CT影像组学在胃癌不同预后组织学分型预测中的应用价值。方法: 回顾性分析570例胃癌患者的临床资料,按组织学分型分为预后较差组和预后较好组,按照2 ∶1的比例随机分为训练组和验证组。采用软件ITK SNAP从CT图像中分割胃癌原发病灶。采用多因素分析筛选出与胃癌不同预后组织学分型最大相关性的临床特征,并以此构建临床特征模型。从所有分割图像中提取特征,再使用最大相关最小冗余(mRMR)、最小绝对收缩和选择算子(LASSO)回归和逐步回归筛选出有效特征,并以此建立影像组学标签。最后,拟合影像组学标签与临床特征,构建影像组学模型,并用受试者工作特征（ROC）曲线下面积（AUC）进行性能评估。结果： 提取了985个二维图像特征,包括一阶统计量、形状特征、纹理特征等。通过去冗余特征筛选,得到5个最有效特征构建影像组学标签。3个临床特征（年龄、性别、CT M分期）作为构建临床特征模型的参数。相较于临床特征模型和影像组学标签,影像组学模型的预测性能表现最佳,影像组学模型AUC在训练组和验证组分别为0.726 2(95%CI：0.676~0.776),0.707(95%CI：0.632~0.781)。结论： CT影像组学在术前无创预测胃癌不同预后组织学分型方面具有一定的应用潜力。     

CT影像组学鉴别良恶性孤立性肺结节的价值分析

目的 探讨CT影像组学鉴别良恶性孤立性肺结节（solitary pulmonary nodule, SPN）的价值。方法 回顾性分析2010年1月至2020年12月首都医科大学电力教学医院和首都医科大学大兴教学医院经病理证实的138例SPN患者的临床和影像资料,其中良性49例,恶性89例。患者术前均行胸部CT平扫检查。应用3D-Slicer软件对所有CT图像进行分割,再应用Python语言的PyRadiomics软件包提取影像组学特征。通过最大相关-最小冗余（max-relevance and minredundancy, mRMR）算法剔除冗余和不相关特征,然后采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归分析筛选最优影像组学特征用于构建模型。利用ROC曲线评价模型的诊断效能。结果 经过特征降维和筛选,最终选出11个影像组学特征用于构建鉴别SPN良恶性的影像组学模型。预测模型在训练组的灵敏度、特异性、阳性预测值、阴性预测值和准确率分别为80.0%、85.7%、75.7%、88.5%和83....     

基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者腋窝淋巴结负荷的价值

目的探讨基于机器学习的MRI影像组学列线图预测早期乳腺癌患者腋窝淋巴结（ALN）负荷的应用价值。方法回顾2015年1月至2022年6月丽水市中心医院经术后病理检查证实的377例早期乳腺癌患者,按7∶3的比例随机分为训练集264例和验证集113例。根据病理检查结果,将患者分为低负荷组（阳性ALN≤2枚,303例）和高负荷组（阳性ALN＞2枚,74例）。在Radcloud平台提取动态增强MRI第2期图像中乳腺肿瘤的影像组学特征,并依次采用方差阈值、单变量选择和最小绝对收缩和选择算子方法筛选最优影像组学特征。基于上述特征构建了5种机器学习分类器包括K近邻（KNN）、支持向量机（SVM）、逻辑回归（LR）、随机森林（RF）、极端梯度提升决策树（XGBoost）,选择验证集中AUC最高的分类器作为最佳影像组学模型。进一步行多因素logistic回归分析构建基于影像组学评分（Rad-score）和临床危险因素的列线图模型。采用ROC曲线评估不同模型的诊断效能。结果低负荷组和高负荷组在MRI报告淋巴结状态间的差异有统计学意义（P＜0.01）。经降维得到了16个与ALN负荷高度相关的影像组学特征。在验证集中,SVM分类器的诊断效能最好（AUC=0.762）。进一步结合Rad-score和MRI检查报告淋巴结状态建立列线图模型。ROC曲线结果显示,列线图模型在训练集和验证集中均呈现出良好的诊断效能,AUC分别为0.887、0.818。结论基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者ALN负荷具有较高的应用价值。     

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...     

基于乳腺X线摄影影像组学列线图预测BI-RADS 4～5类钙化病灶恶性风险

目的 探讨基于乳腺X线摄影（MG）影像组学列线图在预测乳腺影像报告与数据系统（BI-RADS）4～5类钙化恶性风险中的价值。方法 回顾2017年1月至2020年12月浙江省立同德医院和蚌埠医学院第一附属医院经病理检查证实的292例MG表现为乳腺影像报告与数据系统（BI-RADS）4～5类钙化患者的临床及影像资料,其中良性121例,恶性171例。所有患者以7∶3比例分成训练集（204例）及验证集（88例）,对头尾位（CC）和内外斜位（MLO）图像进行手工分割并提取影像组学特征,并应用最小冗余最大相关（mRMR）及最小绝对值收敛和选择算子（LASSO）回归筛选最有价值的特征。采用logistic回归构建影像组学模型,从临床因素中筛选差异有统计学意义的危险因素并建立临床模型,再联合临床-影像组学特征建立联合模型,基于联合模型勾画列线图。采用ROC曲线评价各模型的效能,应用决策曲线比较各模型的临床应用价值。结果 分别从CC、MLO图像中提取并筛选出4个和6个影像组学特征构建影像组学模型,其验证集中的AUC为0.714,灵敏度为0.792,特异度为0.600,准确度为0.705。年龄和BI-RA...     

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DCE-MRI影像组学和常规MRI特征的列线图预测乳腺癌淋巴血管侵犯

目的：研究基于动脉对比增强磁共振成像（DCE-MRI）影像组学和常规MRI特征的列线图用于术前预测浸润性乳腺癌（IBC）患者的淋巴血管侵犯（LVI）状态。方法：回顾性分析2016 年7月至2021年5月间,经术后病理证实的300例IBC患者,并按照8:2比例随机分为训练组（n =238）和验证组（n =62）。对所有患者第二期DCE-MRI图像中的病灶区进行手动分割,并提取影像组学特征。采用方差阈值、select k best、LASSO回归进行影像组学特征筛选并计算影像组学评分（rad-score)。使用Logistic回归分析筛选常规MRI特征建立常规特征模型,并结合影像组学和常规MRI特征中的独立危险因素构建联合预测模型,并绘制列线图。使用受试者工作特征（ROC）曲线和校准曲线评估模型的效能,使用决策曲线分析评估模型的临床价值。结果：共提取到1 409个影像组学特征,经筛选得到15个影像组学特征与乳腺癌LVI状态相关,参与计算rad-score值。所有常规MRI特征中,最大直径（OR =1.743,P ＜0.001）和毛刺征（OR =6.304,P ＜0.001）是预测LVI阳性的独立危险因素。在训练组及验证组中,影像组学模型的ROC曲线下面积（AUC）分别为0.831和0.811;常规特征模型的AUC分别为0.779和0.770;联合预测模型的AUC分别可提高到0.889（95%CI =0.844～0.934）和0.856（95%CI =0.759～0.952）。校准曲线表明列线图预测值和实际值吻合较好,决策曲线显示列线图有较高的临床应用价值。结论：基于DCE-MRI影像组学和常规MRI特征构建的列线图用于术前预测IBC患者LVI状态具有良好的应用价值,可为临床治疗提供参考。     

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影像组学联合临床特征预测肝细胞癌病理分化程度的应用研究

目的 探讨增强CT影像组学模型联合临床特征对术前预测肝细胞癌(HCC)的病理分化程度的应用价值。方法 回顾性分析经手术切除或病理穿刺证实为HCC的196例患者的病理学及术前增强CT影像学资料。按照WHO标准将患者分为高分化组及中-低分化组,按照7:3比例将患者随机分为训练组(137例)和验证组(59例),保存增强CT动脉期(AP)、静脉期(VP)及延迟期(DP)影像学图像,在医准-达尔文科研平台中提取并筛选各期图像的影像组学特征,应用“最大值归一化法、最优特征筛选、最小绝对收缩和选择算子(LASSO)回归”进行降维、筛选,构建动脉期+静脉期、动脉期+延迟期、静脉期+延迟期及三期联合的影像组学模型。应用单因素及多因素分析方法从临床资料中筛选具有统计学差异的危险因素并建立临床模型。用逻辑回归(Logistic)方法分析影像组学模型、临床模型及影像组学联合临床模型,使用受试者工作特征曲线(ROC)评估各模型预测肝癌病理分化程度的效能,并计算曲线下面积(AUC)、准确度、特异度及敏感度等。结果 1.在影像组学模型中,三期联合模型预测肝癌病理分化程度效能最佳,训练组及验证组曲线下面积(AUC)分...     

基于DWI的影像组学列线图预测部分肝切除术后肝内胆管癌辅助化疗获益价值

目的 探讨基于弥散加权成像（DWI）的影像组学列线图（RN）预测肝内胆管癌（ICC）肝部分切除术（HPx）后辅助化疗（AC）获益人群的应用价值。方法 回顾性分析2018年1月—2022年1月我院行HPx的85例ICC患者的MRI和临床病理资料,分为训练集60例和验证集25例。用随机森林算法行基于DWI的影像组学特征筛选并建立预测早期复发（ER）的影像组学模型（RS）,并计算的影像组学评分。多因素Logistic回归法筛选临床、病理、常规影像中与ER相关变量建立临床-病理-影像（CPR）模型。筛选出的变量与影像组学评分构建临床-影像组学列线图（RN）,评估并验证上述模型的辨别度和校准度。用Kaplan Meier法和log-rank检验分析不同组预后差异。结果 验证集中,基于DWI的RS与CPR模型在预测ER有相似的区分性能（AUC：0.762 vs 0.624,P=0.271）,而RN模型（AUC：0.833）预测效能显著优于RS（P=0.012）。RN模型预测的ER高危组患者中,行手术+AC患者的OS与DFS较仅行接受手术治疗患者显著延长（DFS,P=0.035;OS,P=0.020)。结论 基于DWI的RN模型不仅可有效预测ICC患者术后发生ER,还可有效筛选术后AC获益人群     

基于CT影像组学及临床资料预测肝细胞癌微血管侵犯的研究

目的 基于肝细胞癌（hepatocellular carcinoma,HCC）患者的术前CT影像组学特征和术前临床资料分别建立影像组学模型,探讨其预测微血管侵犯（microvascular invasion,MVI）的研究价值。方法 回顾性分析复旦大学附属肿瘤医院2018年1月至2020年12月110例经术后病理结果确诊为HCC患者的资料。采用ITK-SNAP软件勾画肝脏肿瘤边缘,通过Python(3.7.10版本)软件对图像做预处理,使用pyradiomics(3.0.1版本)工具包提取9种滤波器下的八类影像组学特征共1 317个。依据术后病理结果分成MVI阳性组（65例）和MVI阴性组（45例）。分析临床资料,利用逻辑回归算法分别建立影像组学模型,临床模型,临床特征联合影像组学模型（简称联合模型）。通过绘制训练组和测试组的受试者特征曲线（receiver operating characteristic curve,ROC）、ROC曲线下面积（the area under the ROC curve,AUC）、特异性和敏感性评估预测患者MVI状态的诊断效能。结果 筛选出18个最优的...     

基于临床资料-超声特征及MRI影像组学建立模型预测胎盘植入程度并评估其诊断效能

目的 研究基于临床-超声特征及MRI影像组学参数建模用于术前预测胎盘植入程度的能力,开发基于组合模型的预测工具并评估其诊断效能。方法 回顾性分析2015年3月—2021年11月本院124例确诊胎盘植入孕妇的临床病理学特征、产前超声图像和MRI影像学特征,并提取MRI影像组学纹理参数;依据病理结果分为胎盘植入组（PI组）69例,胎盘穿透组（PP组）55例。以7/3的比例建立训练集和测试集,在训练集中,采用二元logistic回归分析建立超声/MRI影像学模型、临床资料模型、MRI影像组学模型及组合模型预测胎盘植入程度,并用Delong非参数检验比较分析不同模型的预测效能,然后建立决策曲线测试模型净收益;通过以上4种模型评估测试集患者的预测效果,最终验证开发模型工具的预测效能。结果 二元logistic回归分析确定了流产史、子宫内膜损伤史、胎盘和子宫肌层之间的边界模糊、子宫浆膜与膀胱边界模糊、MRI纹理特征弧度区域大小矩阵（SmallAreaHighGrayLevelEmphasis和RunVariance）,邻域灰度差矩阵（Contrast）等为风险因素,在训练集中,分别构建了预测胎盘植入程度的组合模型（曲线下面积AUC=0.885;95%CI 0.817~0.954,P＜0.05）,临床模型（AUC=0.744;95%CI 0.644~0.844,P=0.0007）,超声/MRI影像学模型（AUC=0.748;95%CI0.646~0.831,P=0.0071）,MRI影像组学模型（AUC=0.728;95%CI 0.626~0.831,P=0.0045）,证实组合模型预测效能最高。在测试集中,组合模型也显示出更高的预测效能。结论 超声/MRI的影像学特征及纹理分析是预测胎盘植入程度的有力指标。基于临床-影像学资料建立的组合模型可提高预测胎盘植入程度的准确性