增强动脉期CT影像组学特征联合临床术前预测胃癌脉管浸润

目的 观察增强动脉期CT影像组学特征联合临床术前预测胃癌脉管浸润(LVI)的价值。方法 回顾性纳入298例胃癌患者,根据是否伴LVI将其分为阳性组(n=155)及阴性组(n=143),并按7 ∶ 3比例分为训练集(n=208)及测试集(n=90)。基于增强动脉期CT图提取病灶影像组学特征,采用logistic回归分析筛选胃癌LVI的临床影响因素;分别采用支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)及极端梯度提升树(XGBoost)建立影像组学模型、临床模型及临床-影像组学模型,评估各模型预测胃癌LVI的效能。结果 以SVM、LR、RF及XGBoost建立的影像组学模型预测训练集胃癌LVI的曲线下面积(AUC)分别为0.896、0.821、1.000及1.000,其在测试集的AUC分别为0.744、0.801、0.740及0.747。基于4种机器学习建立的临床模型在训练集的AUC均为0.810,在测试集均为0.840。基于SVM、LR、RF及XGBoost建立的临床-影像组学模型预测训练集胃癌LVI的AUC分别为0.920、0.900、1.000及1.000,其在测试集的AUC分别为0.900、0.890、0.840及0.790。测试集中,基于SVM、LR及RF的临床-影像组学模型的AUC均大于影像组学模型和临床模型(P均＜0.05)。结论 增强动脉期CT影像组学联合临床有助于术前预测胃癌LVI。     

基于CT影像组学术前预测胃癌淋巴血管侵犯

目的 探讨基于CT影像组学术前预测胃癌淋巴血管侵犯的价值。方法 回顾性收集经手术病理证实的181例胃癌患者,将其随机分为训练集（n=120）和验证集（n=61）。首先基于增强CT静脉期图像分割肿瘤区域并提取影像组学特征;然后利用训练集筛选与淋巴血管侵犯相关特征,构建影像组学标签;最后基于验证集验证模型,采用ROC曲线及校准曲线评估模型的预测效能及拟合度。结果 最终提取7个与胃癌淋巴管血管侵犯最相关的影像组学特征构建影像组学标签,其在训练集的ROC曲线AUC为0.742[P=0.001,95%CI（0.652,0.831）],验证集AUC为0.727[P=0.002,95%CI（0.593,0.853）]。基于训练集所得最优阈值为0.422,模型在训练集中的准确率、敏感度和特异度分别为0.708、0.586、0.806,将此阈值用于验证集,其准确率、敏感度和特异度为0.689、0.519、0.824。校准曲线显示影像组学标签在训练集及验证集均具有较好的拟合度（P均>0.05）。结论 CT影像组学可作为预测胃癌术前淋巴血管侵犯提供的全新的无创影像学方法。     

瘤内及瘤周影像组学联合临床和CT特征预测浸润性肺腺癌周围脉管侵犯

目的 观察瘤内及瘤周影像组学联合临床和CT特征预测浸润性腺癌(IAC)周围脉管侵犯(LVI)的价值。方法 回顾性分析190例经术后病理确诊IAC患者，其中65例LVI(+)、125例LVI(-),按照7∶3比例将其分为训练集[134例，46例瘤周LVI(+)、88例瘤周LVI(-)]和测试集[56例，19例瘤周LVI(+)、37例瘤周LVI(-)]。对临床及CT表现行单因素及多因素logistic分析，筛选IAC瘤周LVI(+)的独立预测因素，构建临床-CT模型。分别基于瘤灶(GT)、肿瘤-瘤周过渡区(GPT)及瘤周区(PT)提取影像组学特征，以其最佳者构建影像组学模型(模型_GT、模型_GPT和模型_PT),并筛选最佳影像组学模型；基于最佳模型影像组学评分与临床、CT独立预测因子构建联合模型，并绘制列线图。绘制受试者工作特征(ROC)曲线，计算曲线下面积(AUC),评估各模型预测IAC瘤周LVI的效能；以校准曲线评估模型校准度，以决策曲线分析评价模型的临床价值。结果 年龄、术前癌胚抗原水平及毛刺征均为IAC瘤周LVI(+)的...     

基于CT平扫影像组学模型预测食管癌淋巴结转移

目的 评估术前基于胸部CT平扫影像组学模型预测食管癌患者淋巴结转移的价值。方法 回顾性分析368例经术前内镜活检及术后病理确诊的食管癌患者,其中100例淋巴结转移、268例无淋巴结转移,按比例3 ∶ 1将其分为训练组（包括201例无淋巴结转移和75例淋巴结转移）和验证组（67例无淋巴结转移和25例淋巴结转移）。自胸部CT中提取食管癌病灶的影像组学特征,并以最小绝对收缩和选择算子（LASSO）回归进行降维,筛选与食管癌淋巴结转移关联度高的特征;采用支持向量机构建预测淋巴结转移的影像组学模型,并以受试者工作特征（ROC）曲线分析模型的诊断效能。结果 共提取1 046个组学特征参数,经LASSO降维筛选出11个特征参数用于建立预测淋巴结转移模型。影像组学模型预测训练组淋巴结转移的曲线下面积（AUC）为0.84,敏感度为84.00%,特异度为75.12%,准确率为77.54%;于验证组的AUC为0.82,敏感度为80.00%,特异度为77.61%,准确率为78.26%。结论 术前基于胸部CT平扫影像组学模型预测食管癌患者淋巴结转移具有较高价值。     

基于增强CT影像组学术前预测胃腺癌淋巴结转移

目的 观察增强CT影像组学模型术前预测胃腺癌淋巴结转移（LNM）的价值。方法 回顾性分析193例经术后病理证实的单发胃腺癌的腹部双期增强CT资料,将其分为训练集（n=97）和验证集（n=96）,比较LNM （+）与LNM （－）肿瘤CT表现的差异。分别于增强动脉期和静脉期CT提取病灶影像组学特征,构建相应影像组学标签;将单因素分析有统计学意义的CT参数及其影像组学标签纳入多因素logistic回归分析,筛选胃腺癌LNM的独立预测因素,分别建立临床模型及影像组学列线图。采用受试者工作特征（ROC）曲线评估各模型预测胃腺癌LNM的效能,计算曲线下面积（AUC）,比较其差异。结果 训练集含54例LNM （+）和43例LNM （－）,验证集含58例LNM （+）和38例LNM （－）。LNM （+）患者肿瘤厚度和阳性淋巴结占比均高于LNM （－）者（P均<0.05）。肿瘤厚度及淋巴结状态均为LNM的独立预测因素（P均<0.01）并用于构建临床模型。淋巴结状态和静脉期影像组学标签是胃腺癌LNM的独立预测因素（P均<0.01）,以之构建的影像组学列线图在训练集和验证集中的AUC分别为0.810和0.778,与临床模型AUC差异均无统计学意义（0.772、0.762,Z=1.11、0.27,P=0.27、0.78）。结论 基于增强CT影像组学模型术前预测胃腺癌LNM效能较佳。     

CT影像组学评估门静脉高压及预测曲张静脉出血

目的探讨基于CT影像组学标签评估门静脉高压(PH)的可行性及其预测曲张静脉出血的价值。方法回顾性分析112例确诊或疑似PH患者,分别以肝静脉压力梯度(HVPG)10、12和20 mmHg作为界值,将患者分为HVPG<10 mmHg组和≥10 mmHg组,HVPG<12 mmHg组和≥12 mmHg组,HVPG<20 mmHg组和≥20 mmHg组,以MaZda软件提取并分析肝脏增强CT门脉期图像纹理特征,观察影像组学判断不同程度PH及曲张静脉出血的效能。结果 CT征象中,在HVPG<10及≥10、HVPG<12及≥12组间有无腹腔积液差异具有统计学意义(P均<0.05);单层面勾画ROI判别HVPG≥10 mmHg、HVPG≥12 mmHg、HVPG≥20 mmHg及曲张静脉出血的平均最小误诊率分别为12.50%、14.74%、10.27%及22.70%;多层面勾画平均最小误诊率分别为10.27%、11.16%、5.36%及20.49%(P均>0.05)。HVPG预测PH患者曲张静脉出血的曲线下面积(AUC)为0.813[95%CI(0.730...     

基于CT影像组学模型预测肺原位腺癌及微浸润腺癌与浸润性腺癌

目的 探讨基于CT影像组学预测肺腺癌中的原位癌（AIS）和微浸润腺癌（MIA）以及浸润性腺癌（IAC）的价值。方法 回顾性分析542例经手术病理确诊且病理亚型明确的肺腺癌患者，将AIS及MIA归为第1组，IAC为第2组。比较2组患者性别和年龄差异。采用特征提取软件提取病灶三维纹理特征参数，分析组间差异明显的影像组学特征，筛选最佳影像组学特征构建预测模型。按2：1比例将数据分为训练集和验证集，采用6种机器学习算法对5倍交叉验证数据集进行分类，选择最佳分类器；以之分析5倍交叉验证数据集、训练集和验证集，获得模型预测肺腺癌病理分型的ROC曲线及相应AUC、特异度、敏感度及准确率。结果 第1组235例，第2组307例，组间性别和年龄差异均无统计学意义（χ²=0.56、t=-0.19，P=0.63、0.98）。共提取病灶1 766个三维纹理特征参数，其中988个影像组学特征存在明显组间差异，最终以10个最佳影像组学特征构建预测模型。以Perceptron分类器为最佳分类器。模型预测验证集病理分型的AUC为0.95，准确率、特异度、敏感度分别为0.88、0.87、0.84。结论 基于CT影像组学模型能有效预测肺腺癌中的AIS及MIA与IAC。     

基于双能量CT影像组学模型术前预测进展期胃腺癌短径 ≥ 0.6 cm淋巴结转移

目的 分析基于双能量CT影像组学模型术前预测进展期胃腺癌短径≥0.6 cm淋巴结转移（LNM）的价值。方法 回顾性分析经手术切除的进展期胃腺癌患者，根据病理结果纳入36例pN3期114枚转移淋巴结（转移组）和26例pN0期65枚非转移淋巴结（非转移组），入组淋巴结短径均≥0.6 cm，将淋巴结分为训练集（n=125）和验证集（n=54）。对比组间原发肿瘤及淋巴结CT特征，采用广义估计方程（GEE）构建临床模型。提取静脉期融合图和碘图中的淋巴结影像组学特征，以组内相关系数（ICC）检验和Boruta算法筛选特征，构建影像组学模型，采用受试者工作特征（ROC）曲线和决策曲线分析（DCA）评价模型的诊断效能和临床收益。结果 单因素及多因素GEE分析显示，原发肿瘤部位及最大径、淋巴结边缘及脂肪分数为LNM独立预测因素（P均<0.05），以之构建的临床模型预测训练集和验证集LNM的曲线下面积（AUC）分别为0.74和0.76。经ICC检验（ICC>0.8）及Boruta算法筛选，最终保留27个影像组学特征；以之建立的影像组学模型预测训练集和验证集LNM的AUC分别为0.99和0.98，均高于临床模型（P均<0.01），且临床收益更优。结论 基于双能量CT影像组学模型术前预测进展期胃腺癌短径≥0.6 cm LNM具有较高价值。     

临床、CT特征及影像组学联合模型评估最大径≤2cm原发性肺腺癌侵袭性

目的 观察临床、CT特征及影像组学联合模型评估最大径≤2 cm原发性肺腺癌侵袭性的价值。方法 回顾性纳入116例最大径≤2 cm肺腺癌患者，依据病理结果将其分为高侵袭组(n=51)及低侵袭组(n=65),并按7∶3比例随机分为训练集(n=81)和测试集(n=35)。比较组间临床及CT特征差异；提取并筛选CT影像组学特征，计算影像组学评分(Rad-score)。采用logistic回归分析建立临床、CT特征及Rad-score联合模型，评估其预测效能及临床获益。结果 组间患者恶性肿瘤家族史，病灶分叶征、毛刺征、存在提示预后不良病理表现占比差异均有统计学意义(P均<0.05);基于训练集数据筛选出8个影像组学特征并构建的联合模型评估训练集和验证集最大径≤2 cm肺腺癌侵袭性的曲线下面积分别为0.96和0.87,其预测值与真实值的误差较小，准确度较高，可使临床获益。结论 临床、CT特征及影像组学联合模型可用于评估最大径≤2 cm原发性肺腺癌的侵袭性。     

基于增强CT影像组学模型鉴别肾透明细胞癌与非透明细胞癌

目的 建立基于增强CT的影像组学模型,评估其鉴别肾透明细胞癌（ccRCC）与非透明细胞癌（non-ccRCC）的应用价值。方法 将147例ccRCC及32例non-ccRCC患者随机分为训练集125例和测试集54例。将所有患者的增强CT资料导入ITK-SNAP软件,手动勾画ROI,获得16个特征,分别建立基于特征的随机森林（RF）模型和逻辑回归（LR）模型,采用ROC曲线观察模型对ccRCC的诊断效能。结果 训练集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度0.83;LR模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.83。测试集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.89;LR模型诊断ccRCC的AUC为0.88（P<0.05）,特异度为0.90,敏感度为0.77。结论 基于增强CT影像组学模型可用于鉴别ccRCC与non-ccRCC;RF模型诊断价值较LR模型更高。     

增强CT影像组学联合临床指标预测结直肠癌壁外血管侵犯

目的 观察增强CT影像组学联合临床指标预测结直肠癌壁外血管侵犯(EMVI+)的价值。方法 回顾性分析经术后病理确诊的131例结直肠癌患者资料,按7∶3比例将其分为训练集(n=92,含44例EMVI+、48例EMVI-)与测试集(n=39,含23例EMVI+、16例EMVI-)。基于术前门静脉期CT提取及筛选肿瘤最佳影像组学特征并据以构建影像组学模型;以单因素及多因素logistic回归分析训练集临床、CT及病理学资料,筛选结直肠癌EMVI+的独立预测因素并建立临床模型,基于影像组学模型及临床模型建立联合模型。绘制受试者工作特征曲线,计算曲线下面积(AUC),评估各模型预测结直肠癌EMVI+的效能。以校准曲线及决策曲线分析评估模型校准度及临床实用性。结果 共筛选出4个最佳影像组学特征,以之构建影像组学模型。糖类抗原(CA)19-9及CA72-4均为结直肠癌EMVI+的独立预测因素(OR=1.033、1.285,P均<0.05)。联合模型预测训练集结直肠癌EMVI+的AUC高于影像组学模型和临床模型(AUC=0.908、0.825、0.770,P=0.017、0.003);影像组学、临床及联合模型在测试集的AUC分别为0.751、0.632、0.799,两两之间AUC差异均无统计学意义(P均>0.05)。影像组学模型及联合模型的校准度均较好。训练集以>0.1、测试集以>0.12为阈值时,联合模型的临床净获益较高。结论 增强CT影像组学联合临床能有效预测结直肠癌EMVI。     

基于非小细胞肺癌双能CT表现及影像组学列线图模型预测其血管生成拟态

目的 基于非小细胞肺癌(NSCLC)双能CT (DECT)表现及影像组学构建联合列线图模型,分析其预测NSCLC血管生成拟态(VM)的价值。方法 回顾性分析137例经手术病理证实的单发NSCLC患者,以7 ∶ 3比例将其分为训练集和验证集。基于肺窗CT提取及筛选最优影像组学特征,计算影像组学评分。以单因素分析及多因素logistic回归分析筛选NSCLC表达VM的独立预测因素,分别以之构建临床、能谱及影像组学模型;基于独立预测因素构建联合列线图模型。采用受试者工作特征曲线评估各模型预测NSCLC VM的效能,以校准曲线分析模型的拟合度,以决策曲线分析评估模型的临床获益。结果 最终筛选出6个最优影像组学特征。病灶最大径、毛刺征、CT_{140 keV}及影像组学评分为NSCLC VM的独立预测因素(OR=2.25、9.69、0.99、-14.44,P均＜0.05)。临床、能谱及影像组学模型预测验证集NSCLC VM的曲线下面积(AUC)分别为0.83、0.85、0.87,均低于联合列线图模型(AUC=0.95,Z=2.14、2.10、2.07,P均＜0.05)。联合列线图模型预测结果与实际结果的一致性较好,且其临床获益较高。结论 基于DECT及影像组学构建的联合列线图模型能可有效预测NSCLC VM。     

临床、CT影像组学及融合模型预测肝细胞癌分化程度

目的 评价临床、CT影像组学及融合模型预测肝细胞癌(HCC)分化程度的可行性.方法 纳入330例HCC患者,根据病理所见分化程度分为高分化组(n=85)、中分化组(n=161)及低分化组(n=84),比较组间临床资料及CT征象差异.按3:1比例随机将各组分为训练集及测试集.提取训练集CT影像组学特征,构建临床模型、影像...     

联合含瘤周肿瘤全体积CT影像组学特征及临床相关独立预测因子列线图预测肺腺癌淋巴血管侵犯

目的 观察基于含瘤周的肿瘤全体积(GPTV) CT影像组学特征及临床相关独立预测因子构建的联合模型列线图预测肺腺癌淋巴血管侵犯(LVI)的价值。方法 回顾性分析142例经病理证实的肺腺癌患者,以7 ∶ 3比例将其随机分为训练集(n=100,40例LVI阳性、60例LVI阴性)和验证集(n=42,17例LVI阳性、25例LVI阴性)。以单因素分析及多因素logistic回归分析筛选肺腺癌LVI的临床相关独立预测因子,以之构建临床模型。分别基于肿瘤全体积(GTV)及含瘤周3 mm、6 mm、9 mm的GPTV (GPTV₃、GPTV₆和GPTV₉)的增强动脉期CT图提取并筛选最佳影像组学特征,构建影像组学模型,即GTV、GPTV₃、GPTV₆和GPTV₉模型并筛选最佳者;基于后者的影像组学评分和临床相关独立预测因子构建联合模型,绘制列线图进行可视化。以受试者工作特征(ROC)曲线评估各模型预测肺腺癌LVI的效能,以决策曲线分析(DCA)评价联合模型列线图的价值。结果 性别、吸烟和毛刺征均为肺腺癌LVI的临床相关独立预测因子(P均＜0.05)。分别基于GTV、GPTV₃、GPTV₆及GPTV₉筛选出7、16、10及8个最佳影像组学特征,用于构建GTV、GPTV₃、GPTV₆及GPTV₉模型。GPTV₃模型预测训练集、验证集肺腺癌LVI的曲线下面积(AUC)分别为0.82、0.77,均高于GTV (0.79、0.72,Z=3.74、2.62,P均＜0.01)、GPTV₆(0.80、0.72,Z=2.40、2.06,P均＜0.05)及GPTV₉(0.77,0.72,Z=3.03、2.59,P均＜0.01),为最佳影像组学模型。联合模型列线图(0.86、0.73,Z=2.66、2.31,P均＜0.05)及GPTV₃模型(0.82、0.77,Z=2.23、2.54,P均＜0.05)于训练集和验证集的AUC均高于临床模型(0.73、0.61),而联合模型列线图与GPTV₃模型的AUC差异均无统计学意义(Z=1.57、0.88,P均＞0.05)。阈值取0.20~0.50时,联合模型列线图与GPTV₃模型的净获益相当,且均大于临床模型。结论 基于GPTV₃影像组学特征及临床相关独立预测因子的列线图可有效预测肺腺癌LVI。     

CT影像组学预测肾透明细胞癌病理分级:Meta分析

目的 采用Meta分析观察CT影像组学预测肾透明细胞癌(ccRCC)病理分级的价值。方法 检索建库至2021年1月PubMed、Web of Science、EMbase及中国知网、中国生物医学文献服务系统和万方医学网CT影像组学预测ccRCC病理分级相关文献,并进行筛选、质量评价及资料提取;以Stata 16.0软件行Meta分析。结果 纳入16篇文献、2 489例患者共2 495个ccRCC病灶。CT影像组学预测ccRCC病理分级无明显阈值效益(r=0.12,P＜0.01)而具有较高异质性(I²≥50%),其合并敏感度0.85、合并特异度0.86,阳性似然比6.00、阴性似然比0.18、诊断比值比34.00,曲线下面积0.92。结论 CT影像组学预测ccRCC病理分级效能较佳。