基于超声深度学习影像组学的乳腺癌新辅助化疗疗效预测

目的 开发一种结合超声影像组学、深度学习和临床特征的综合模型,以预测乳腺癌新辅助化疗（Neoadjuvant Chemotherapy,NAC）后的病理完全缓解（Pathological Complete Response,pCR）。方法 共纳入117例乳腺癌患者,按照7∶3的比例随机划分为训练集和验证集。采用Mann-WhitneyU检验、随机森林递归消除算法和最小绝对收缩和选择算子进行特征筛选及影像组学/深度学习标签构建。对患者的临床参数进行单/多因素分析,以选择有效特征构建临床模型。然后利用逻辑回归算法将临床特征与影像组学、深度学习标签相结合,构建临床-影像组学-深度学习综合模型。从预测效果、校准能力和临床实用性方面评估模型性能。结果 临床-影像组学-深度学习综合模型相比于单独的临床、影像组学和深度学习模型在训练集和验证集中均显示出最高的曲线下面积（训练集：0.949 vs. 0.788 vs. 0.815 vs. 0.928;验证集：0.931 vs.0.643 vs. 0.778 vs. 0.901）。校准曲线和决策曲线证实综合模型具有良好的预测性能。结论 与单一模型比较,综...     

基于钆塞酸二钠增强磁共振成像影像组学定量评估肝硬化患者肝脏储备功能的应用价值

目的利用影像组学技术探究基于钆塞酸二钠增强磁共振成像(MRI)肝胆期图像的影像组学特征与肝硬化Child-Pugh分级的相关性,创建列线图预测模型并评价其对肝硬化患者肝脏储备功能的预测价值。方法收集符合纳入标准的100例肝硬化患者,按照Child-Pugh分级标准分成52例Child-Pugh A级患者和48例Child-Pugh B+C级患者,并分别按照7∶3的比例随机分成训练集和测试集。采用AK软件提取训练集患者的钆塞酸二钠增强MRI肝胆期图像的影像组学特征,采用最小绝对收缩与选择算子算法特征选择算法对数据进行降维、特征选择和构建影像组学标签。根据影像组学标签创建预测肝脏储备功能Child-Pugh B+C级的列线图预测模型,将该模型分别应用于训练集和测试集中,并利用受试者工作特征(ROC)曲线定量评估其诊断效能。结果经过对利用AK软件提取的396个纹理特征参数进行降维筛选,最终得到7个影像组学特征参数。根据以上特征建立构建影像组学标签并创建列线图预测模型。通过Wilcoxon秩和检验统计分析训练集和测试集中的Child-Pugh A级和Child-Pugh B+C级的影像组学标签...     

核医学影像组学及人工智能技术在非小细胞肺癌中的 应用分析

影像组学利用人工智能技术及统计学方法从医学影像中提取定量图像特征数据,将这些图像特征进行筛选并与临床信息建立模型,用于指导疾病的诊疗。影像组学作为一门新兴学科,具有广阔的应用前景。本文将围绕影像组学概述及核医学影像组学在非小细胞肺癌中的应用研究现状、进展及挑战作出综述。     

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...     

影像组学在肺癌中的应用现状与存在问题

影像组学是通过计算机软件从大量的影像图像中提取定量特征,经特征筛选和分析建模,从而实现对疾病进行诊疗的一种方法。自2012年影像组学概念的提出,越来越多的国内外学者加入了影像组学的研究。目前,影像组学方法已经涉及肺癌的的多方面研究,包括肺癌的诊断、分型和分期、基因表型预测、疗效及预后评估。本文章对影像组学的研究内容及其在肺癌中的应用现状与存在问题进行综述,旨在提高对肺癌影像组学的认识。     

深度学习结合影像组学的胸部CT新冠肺炎智能诊断模型研究

目的 采用深度学习分割图像结合影像组学分类的方法构建基于胸部CT的新冠肺炎智能诊断模型并评估其诊断效能.方法 回顾性分析24例COVID-19肺炎和17例普通病毒性肺炎患者的CT影像,利用基于深度学习的AI模型实现肺炎病灶的自动分割,从每一帧图像的病灶区域中提取影像组学特征,经过LASSO回归降维后分别采用高斯朴素贝叶...     

3D可视化技术在肝脏影像断层解剖临床教学中的应用价值

目的 探讨3D可视化技术在肝脏影像断层解剖临床教学中的应用价值.方法 选取五年制医学影像学专业学生108名为研究对象,利用随机数字将学生随机分为两组,每组54名.对照组采用国家统编教材进行肝脏断层影像解剖教学,研究组进行与对照组相同的教材教学并联合肝脏3D模型、3D软件系统教学.两组完成学习周期后进行考核,比较两组学生...     

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...     

MRI影像组学预测肝外胆管癌腹部淋巴结转移价值研究

目的 探讨MRI影像组学术前预测肝外胆管癌患者淋巴结转移的价值。方法 回顾性分析63例肝外胆管癌患者的MRI图像，按8∶2随机将淋巴结分为训练组(n=65)及验证组(n=16)。利用飞利浦ISD软件于轴位DWI图像手动勾画局部淋巴结的三维感兴趣区，并复制到对应的ADC图上，利用RyRadiomics软件包提取影像组学特征。采用皮尔逊相关系数及Kruskal-Wallis算法筛选出30种最佳影像组学特征，使用支持向量机建立影像组学模型。利用受试者工作特征曲线评价模型预测效能。结果 良、恶性淋巴结的短径(P=0.009)、长径(P=0.002),差异有统计学意义；最终14种影像组学特征参与建立MRI影像组学模型，影像组学模型在训练集及测试集中曲线下面积分别为0.895及0.917。结论 基于淋巴结本身的MRI影像组学模型能较好地预测肝外胆管癌患者的淋巴结转移，有助于指导临床选择精准淋巴结清扫范围并改善患者预后。     

影像组学技术在结直肠癌诊疗中的应用进展

影像组学采用无创的方法,通过深度挖掘影像的纹理特征和量化肿瘤的异质性来反映患者的预后及评估肿瘤的生物学特征。近年来,随着图像处理及人工智能的不断发展,影像组学技术已经广泛应用于结直肠癌（CRC）患者的术前评估、疗效预测、个体化治疗方案的制订。本文将对影像组学技术在CRC诊疗中的应用进展进行综述。     

基于机器学习算法的重症缺血性脑卒中早期死亡预测效果评价

目的 评价支持向量机(SVM)、随机森林(RF)、极限梯度提升(XGBoost)3种机器学习算法与Logistic回归在重症缺血性脑卒中30天死亡结局的预测效果。方法 使用2008年至2019年MIMIC-IV数据库中符合纳排标准的2358例重症缺血性脑卒中患者资料,分别用SVM、随机森林、XGBoost3种机器学习算法与Logistic回归结合合成少数类过采样(SMOTE)技术建立早期死亡预测模型,并使用通过受试者工作特征曲线下面积(AUC)、准确度、F1-score、布里尔分数等指标评价预测效果。结果 SVM、随机森林、XGBoost与Logistic回归模型在原始类不平衡数据死亡预测中AUC值分别为0.78、0.81、0.84、0.83。应用SMOTE合成数据集后,SVM、随机森林、XGBoost与Logistic回归模型的AUC值分别为0.72、0.84、0.83、0.83。除SVM 外,机器学习算法与Logistic回归之间有相似的预测能力,但准确率、布里尔分数等优于Logistic回归,综合分类性能更优。结论 机器学习算法在重症缺血性脑卒中早期死亡预测中性能较传统方法更优,在解决重症患者预后预测研究问题中具有优势。     

磁共振影像组学主成分分析法预测直肠癌新辅助放射化学治疗效果

目的 探讨基于MRI高分辨率T2加权图像的影像组学主成分分析（PCA）法对直肠癌新辅助放射化学治疗效果的预测价值。方法 回顾性分析2018年1月1日至2018年12月31日在我院因局部进展期直肠癌接受新辅助放射化学治疗后行直肠癌根治性切除术的80例患者资料,男60例、女20例,年龄为28~74岁,平均年龄为（56.2±9.9）岁。患者行新辅助放射化学治疗前接受3.0 T MRI检查,在高分辨率T2加权图像上提取影像组学特征,再采用PCA法进行特征值降维,使用降维后的特征与病理完全缓解（pCR）标签建立logistic回归分类器模型,将样本随机分为训练集与测试集进行机器学习,分别绘制ROC曲线并计算AUC及灵敏度、特异度、准确度。结果 MRI高分辨率T2加权图像共提取到1 409个影像组学特征,PCA法重新组合并选取了前5个最能代表整个影像组学特征矩阵的新特征,分别能代表整个影像组学特征矩阵中9.926 016 67×10^-1、4.854 545 00×10^-3、2.509 013 91×10^-3、2.489 032 30×10^-5、7.372 984 50×10^-6的信息。Logistic回归分类器模型交叉验证测试集的平均AUC为0.761（95% CI：0.694~0.828）,灵敏度为90.3%,特异度为40.0%,准确度为79.0%。结论 基于MRI高分辨率T2加权影像组学PCA法对直肠癌新辅助放射化学治疗的疗效具有较好的预测价值。     

基于动态增强磁共振成像的影像组学和不同CNN的深度学习对乳腺良恶性病变的诊断价值

目的：探讨基于动态增强磁共振成像（DCE-MRI）的影像组学和深度学习对乳腺良恶性病变的诊断价值。方法：选取2017年1月至2018年6月经手术或穿刺病理证实的乳腺恶性病变患者93例、良性59例。所有患者均术前行乳腺MRI平扫及增强检查。通过计算获得早期流入信号增强比、最大增强信号比和流出斜率相对应的参数图。采用基于纹理和强度直方图的影像组学分析和5个卷积神经元网络（CNN）模型（ResNet50、VGG16、VGG19、Xception和InceptionV3）的深度学习进行诊断分析，并采用包含不同量肿瘤周围组织的五种不同输入边界框分析。结果：影像组学的诊断准确度均值为80%。不同输入边界框的ResNet50模型中，含少量肿瘤周围组织的最小边界框诊断效能最高，高于1.5倍和2.0倍边界框分析（均P＜0.01）；ResNet50（93%）、Xcep-tion（94%）和InceptionV3（93%）的准确度高于VGG16（80%）和VGG19（79%）（均P＜0.01）。结论：深度学习对乳腺良恶性病灶的诊断效能优于影像组学，含少量肿瘤周围组织分析的诊断效能高于仅包含肿瘤组织和包含较多肿瘤周围组织。     

脂肪抑制T2WI影像组学模型在子宫肌瘤和子宫腺肌瘤中的鉴别价值

目的：采用影像组学技术探讨磁共振脂肪抑制T2WI在子宫肌瘤与子宫腺肌瘤中的鉴别价值。方法：回顾性分析120例于2015年4月至2019年9月在温州医科大学附属第二医院经术后常规病理检查确诊为子宫肌瘤或子宫腺肌瘤患者,并于手术前行盆腔磁共振平扫检查。以7:3的分配比例随机分成训练组84例和验证组36例,训练组用于预测模型的建立,验证组用于预测模型的优化与验证。在脂肪抑制T2WI的图像上对感兴趣区（ROI）进行高通量数据采集、特征提取及降维,通过多元logistic回归构建预测模型,以敏感度、特异度、准确率、接受者操作特性曲线下面积（AUC）这4个参数评价模型的预测效能。结果：共提取出396个特征参数,筛选并纳入了6个鉴别子宫肌瘤和子宫腺肌瘤相关的影像组学特征参数。在训练组中,影像组学特征构建的预测模型对鉴别子宫肌瘤和子宫腺肌瘤的AUC值为0.861,敏感度为84.1%（37/44）,特异度为82.5%（33/40）,模型准确率为83.3%（70/84）;在验证组中,鉴别子宫肌瘤和子宫腺肌瘤的AUC值为0.913,敏感度为84.2%（16/19）,特异度为94.1%（16/17）,模型准确率为88.9%（32/36）。结论：基于脂肪抑制T2WI建立的预测模型在训练组和验证组中均取得了良好的预测性能,该预测模型提供了一种更加优越并且无创的子宫肌瘤和子宫腺肌瘤的鉴别工具。     

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。     

肾细胞癌与乏脂肪肾血管平滑肌脂肪瘤的鉴别分类模型：基于随机投影的多分类器分层融合框架

目的 研究基于随机投影的多分类器分层融合的分类模型对良性肾小肿块乏脂肪肾血管平滑肌脂肪瘤（<4 cm）（AMLwvf）和恶性肾小肿块肾细胞癌（RCC）的鉴别能力。方法 回顾性收集163例经病理证实存在肾小肿块的患者,其中118例为肾细胞癌,45例为乏脂肪肾血管平滑肌脂肪瘤,对平扫CT图像中病灶面积最大的代表性切片进行目标感兴趣区域（ROI）勾画,利用放射组学特征构建一个层次型的融合框架。在投影域水平上对同质分类器进行融合,然后在分类器水平上对融合结果进行进一步融合,最终得到基于随机投影的多分类器分层融合的AMLwvf和RCC鉴别分类模型。采用五折交叉验证方法和特异性（SPE）、灵敏度（SEN）、准确率（ACC）、ROC曲线下面积（AUC）评价AMLwvf与RCC鉴别分类模型的性能。将本研究所提模型与使用单一基分类器算法以及几种传统的集成模型对AMLwvf和RCC的鉴别分类能力进行定量比较,验证本研究所提鉴别模型的可行性和有效性。结果 投影数设置为10时,本文提出的分层融合鉴别模型在所有指标上获得最好的结果。基于投影数为10的前提,五折交叉验证结果显示本研究所提出的基于多分类器分层融合的AMLwvf和RCC鉴别分类模型的SPE、SEN、ACC、AUC分别为：0.853、0.693、0.809、0.870。结论 基于随机投影的多分类器集成分类系统构建的AMLwvf和RCC鉴别模型可以很好地对 AMLwvf 和 RCC 进行鉴别分类。同时与基于单一分类器算法以及其他多分类器集成系统构建的AMLwvf和RCC的鉴别模型相比,本文所提出鉴别模型在AMLwvf和RCC的鉴别分类任务中具有较大优势。     

基于T2WI与RS-EPI DWI影像组学特征的自动化机器学习模型预测直肠癌术前T分期的价值

目的 探讨基于磁共振T2加权成像(T2 weighted image,T2WI)和分段读出平面回波成像(readout-segmented EPI,RS-EPI)与扩散加权成像(diffusion weighted image,DWI)的影像组学特征,通过开发和验证自动化机器学习模型,预测直肠癌术前病理T分期的价值.方...     

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。     

A Robust Multi-Class Feature Selection Strategy Based on Rotation Forest Ensemble Algorithm for Diagnosis of Erythemato-Squamous Diseases

In biomedical studies, accuracy of classification algorithms used in disease diagnosis systems is certainly an important task and the accuracy of system is strictly related to extraction of discriminatory features from data. In this paper, we propose a new multi-class feature selection method based on Rotation Forest meta-learner algorithm. The feature selection performance of this newly proposed ensemble approach is tested on Erythemato-Squamous diseases dataset. The discrimination ability of selected features is evaluated by the use of several machine learning algorithms. In order to evaluate the performance of Rotation Forest Ensemble Feature Selection approach quantitatively, we also used various and widely utilized ensemble algorithms to compare effectiveness of resultant features. The new multi-class or ensemble feature selection algorithm exhibited promising results in eliminating redundant attributes. The Rotation Forest selection based features demonstrated accuracies between 98% and 99% in various classifiers and this is a quite high performance for Erythemato-Squamous Diseases diagnosis.     

基于机器学习的2型糖尿病并发症预测模型研究

目的：利用统计学和机器学习方法,探究2型糖尿病并发症的影响因素,构建2型糖尿病并发症预测模型,对并发症的发生进行预测,为2型糖尿病并发症的预防和早期筛查提供理论参考。方法：以国家人口健康科学数据中心2009年的2型糖尿病患者数据为研究对象,对性别、年龄、尿常规检查和生化检查等信息进行单因素和多因素logistic回归分析,并构建XGBoost模型,进行2型糖尿病并发症的预测。结果：单因素和多因素Logistic回归模型与XGBoost模型显示,2型糖尿病并发症的发生与14项影响因素具有相关关系,模型预测准确率为82.85%。结论：模型预测的效果良好,具有一定的参考价值。