基于MRI征象及影像组学的列线图预测腮腺良性与恶性肿瘤的价值

目的建立并验证基于MRI征象和影像组学的列线图鉴别腮腺良性与恶性肿瘤的效能。方法回顾性收集2015年1月至2020年5月青岛大学附属医院86例经手术病理证实的腮腺肿瘤患者为训练集, 收集2013年1月至2020年1月香港大学深圳医院35例患者为独立外部验证集。采用logistic回归基于临床及MRI征象建立临床诊断模型。基于术前平扫T1WI和预饱和脂肪抑制T2WI(fs-T2WI)进行影像组学特征提取, 建立影像组学诊断模型。基于影像组学评分及临床诊断模型, 通过logistic回归建立影像组学+临床联合诊断模型及列线图。采用受试者操作特征(ROC)曲线评价各模型诊断腮腺良性与恶性肿瘤的效能, ROC曲线下面积(AUC)的比较采用DeLong检验。结果 Logistic回归结果显示, 腮腺深叶受累(OR值为3.285, P=0.040)和周围组织结构侵犯(OR值为15.919, P=0.013)是腮腺恶性肿瘤的独立影响因素, 将二者构建临床诊断模型。基于平扫T1WI和fs-T2WI, 共提取19个特征构建影像组学诊断模型。联合影像组学评分以及腮腺深叶受累、周围组织结构侵犯2个常规影像学...     

基于T2WI影像组学及联合诊断模型鉴别腮腺多形性腺瘤与腺淋巴瘤

【摘要】目的：探讨基于磁共振T2WI的影像组学模型对腮腺多形性腺瘤与腺淋巴瘤的鉴别诊断价值。方法：回顾性分析2015年1月－2019年11月在本院经手术病理证实且具有完整术前MR平扫图像的99例腮腺肿瘤患者的病例资料,将患者按7:3的比例随机分为2组：训练集70例,验证集29例。按照术后病理结果,将训练集和验证集均进一步分为多形性腺瘤组和腺淋巴瘤组。使用MaZda软件进行纹理分析,在每例患者T2WI上于肿瘤最大层面勾画ROI,提取310个纹理特征;采用R语言软件对纹理数据进行预处理,并采最小冗余最大相关（mRMR）算法对每例患者提取的310个纹理特征进行降维;然后采用Lasso回归分析及10折交叉验证法进一步筛选纹理特征,用以建立影像组学标签。基于建立的影像组学标签及患者的临床资料,采用多变量Logistic回归分析建立联合诊断模型。采用ROC曲线评估影像组学标签及联合诊断模型的诊断效能。采用Hosmer-Lemesow拟合优度检验分析诊断模型的拟合度。结果：通过降维、筛选后最终保留8个纹理特征,建立的影像组学标签（RS）的计算公式为RS=0.251×Vertl_GLevNonU+0.134×Skewness+0.227×S(5,5)Correlat+0.408×X45dgr_LngREmph-0.131×Teta4+0.187×WavEnHH_s.3+0.183×S(5,-5)Correlat-0.027×Teta1+0.201。在训练集和验证集中,影像组学标签鉴别腮腺多形性腺瘤与腺淋巴瘤的AUC分别为0.83（95%CI：0.73~0.93）和0.82（95%CI：0.64~1.00）。基于多变量Logistic回归分析,最终将性别、单发或多发、病灶位置及影像组学标签作为独立的影响因子纳入联合诊断模型,这4项指标的优势比（OR）分别为0.177（95%CI：0.027～0.878）、15.608（95%CI：1.090～736.275）、4.876（95%CI：3.768～10.754）和9.729（95%CI：2.644～50.430）。训练集和验证集中,联合诊断模型鉴别2类肿瘤的AUC分别为0.90（95%CI：0.83~0.97）和0.96（95%CI：0.88~1.00）,均高于影像组学标签。Hosmer-Lemesow拟合优度检验结果显示,在训练集和验证集中,模型预测值与实际值的差异均无统计学意义（χ2=9.424,P=0.308;χ2=7.565,P=0.477）。结论：基于磁共振T2WI影像组学分析联合相关临床资料构建的诊断模型在鉴别腮腺多形性腺瘤与腺淋巴瘤方面具有较高的诊断价值。     

联合CT影像组学与深度学习特征建立列线图预测食管鳞癌放疗近期疗效

目的:探讨基于CT影像组学特征与深度学习特征建立列线图对食管癌放疗近期疗效的预测价值。方法:回顾性分析137例食管鳞癌患者的临床及影像资料。从CT图像中提取影像组学特征和深度学习特征。通过最小绝对收缩和选择算子方法分别对影像组学特征和深度学习特征进行降维并计算得到影像组学得分(Radscore)和深度学习得分(Deepscore)。采用多因素logistic回归分析建立预测模型,并绘制列线图。对列线图的校准度、诊断效能和临床价值进行评价。结果:筛选得到6个影像组学特征参与计算Radscore, 6个深度学习特征参与计算Deepscore。多因素logistic回归结果显示Radscore、Deepscore、TNM分期为联合模型的独立预测因子。联合预测模型在训练集中预测食管鳞癌患者放疗近期疗效的曲线下面积(AUC)为0.904,高于临床模型(AUC=0.662)和影像组学模型(AUC=0.814),且AUC差异均有统计学意义(P<0.001、P=0.004)。验证集中联合模型的AUC为0.938,高于临床模型(AUC=0.644)和影像组学模型(AUC=0.852),联合模型与临...     

基于T2WI和增强MRI影像组学列线图预测宫颈鳞癌淋巴脉管间隙浸润

目的:探讨基于T₂WI和增强MRI影像组学列线图对宫颈鳞癌淋巴脉管间隙浸润(LVSI)的预测价值。方法:将92例经术后病理证实的宫颈鳞癌患者纳入研究,并按7:3的比例随机分为训练集(66例)和验证集(26例)。所有患者术前行MRI检查,在横轴面T₂WI和对比增强T₁WI(T1CE)上选取病灶最大层面沿肿瘤边缘勾画ROI,应用AK软件提取影像组学特征。采用mRMR和LASSO回归分析对提取的纹理特征进行初步筛选,然后进行多因素logistic回归分析,构建影像组学模型。使用单因素logistic回归分析筛选临床病理危险因素,并使用多因素logistic回归结合影像组学评分(Radscore)构建影像组学列线图。应用ROC曲线评估影像组学模型、临床病理危险因素模型和影像组学列线图模型的预测能力,并应用决策曲线分析评估影像组学列线图的临床应用价值。结果:在T₂WI和T1CE图像上分别提取病灶的396个影像组学特征,最终筛选出14个具有最大诊断效能的纹理特征。使用多因素logistic回归构建包含FIGO分期、分化程度和Radscore的影像组学列线图。影像组学列线图的预测效能优于临床病理危险因素模型(训练集中,AUC:0.96 vs.0.70;Delong检验:Z=4.04,P=5.415e-05;验证集中,AUC:0.87 vs.0.71;delong检验:Z=1.24,P=0.02)。决策曲线分析显示风险阈值为0.01~1.00时使用影像组学列线图对预测宫颈鳞癌LVSI情况的临床应用价值较大。结论:基于双序列MRI构建的影像组学列线图对宫颈鳞癌LVSI情况有较好的预测能力,可作为一种术前评估的无创性影像学生物标志。     

基于临床及CT影像特征建立磨玻璃密度浸润性肺腺癌诊断模型的研究

目的 分析肺磨玻璃结节(GGN)肺腺癌中微浸润性腺癌(MIA)与浸润性腺癌(IAC)病例临床及CT影像特征,建立IAC诊断模型并评估其诊断价值。方法 回顾性分析2017年7月至2021年7月本院肺GGN中MIA与IAC病例影像及临床资料,按照7∶3的比例随机分为训练组和验证组,训练组中IAC为实验组,MIA为对照组,比较两组临床及影像学特征,采用多因素Logistic回归分析筛选IAC的危险因素并建立IAC诊断模型,采用受试者工作特征(ROC)曲线分析模型的诊断效能,采用列线图量化危险因素。结果 479例GGN病灶纳入研究,其中训练组335例,验证组144例。病灶质量(P=0.001)、深分叶征(P=0.029)和空泡征(P=0.014)是IAC的独立危险因素,训练组曲线下面积(AUC)为0.852,验证组AUC为0.762,IAC列线图诊断模型预测概率的截断值为0.634。结论 基于临床及影像特征建立IAC列线图诊断模型对IAC有较好的诊断价值。     

CT影像组学预测结肠癌淋巴血管间隙浸润价值研究

目的：构建预测结肠癌淋巴血管间隙浸润（LVSI）的临床影像模型、CT影像组学模型和两者联合模型,并从中筛选出最优模型。方法：收集接受增强CT检查的365例结肠癌患者资料,根据手术病理结果分为LVSI+(n=84)及LVSI-(n=281),样本按7:3比例随机分为训练集（n=256）和验证集（n=109）。比较临床、影像指标组间差异并建立临床影像模型;对静脉期CT图像上全肿瘤区域进行感兴趣区（ROI）勾画并提取影像组学特征,经降维、筛选后共获得16个最优特征并建立CT影像组学模型;再构建临床影像与CT影像组学联合模型。比较各模型效能,绘制最优模型列线图,并评估其性能。结果：LVSI+及LVSI-组间淋巴结长径、癌胚抗原（CEA）、糖类抗原19-9 (CA19-9)、肿瘤部位差异均有统计学意义（P<0.05）。临床影像模型、CT影像组学及联合模型受试者工作特征曲线下面积（AUC）分别为0.726、0.784、0.851 （训练集）和0.729、0.768、0.833 （验证集）。联合模型AUC均大于临床影像模型（P<0.05）。列线图校准度较高,决策曲线范围为0.15～0.9...     

MRI影像组学列线图术前预测子宫内膜癌淋巴结转移

目的 构建并验证MRI影像组学列线图术前预测子宫内膜癌淋巴结转移的价值。资料与方法 回顾性分析2014年9月—2022年5月福建省妇幼保健院195例子宫内膜癌患者的临床及影像资料，利用MaZda软件获取影像组学特征，建立影像组学得分，利用多因素Logistic回归建立淋巴结转移预测列线图，采用受试者工作特征曲线评价模型的预测效能，并在测试集中进行验证。结果 训练集134例，其中淋巴结转移43例；验证集61例，其中淋巴结转移28例，术前MRI诊断淋巴结转移的敏感度为32.4%(23/71)，特异度为96.0%(119/124)。多因素Logistic回归分析显示影像组学得分、MRI提示宫颈间质浸润、Ki-67、MRI提示淋巴结转移为独立危险因素，依此构建的预测模型在训练组及验证组的曲线下面积分别为0.897、0.840,HosmerLemeshow检验显示模型在训练组、验证组拟合优度良好（P=0.689、0.167）。结论 MRI影像组学列线图提高了子宫内膜癌淋巴结转移的诊断效能，有助于临床制订个体化治疗策略。     

基于临床及CT影像组学特征构建周围型小细胞肺癌与肺腺癌诊断模型的研究

目的 基于临床及CT影像组学特征建立周围型小细胞肺癌(SCLC)与肺腺癌(ADC)诊断模型，并评估其诊断价值。方法 回顾性搜集周围型肺癌患者临床及CT影像资料，选取治疗前2周内有薄层CT影像的病例分为SCLC组和ADC组，以SCLC组为实验组，采用倾向性评分匹配按1∶2匹配ADC对照组，两组按照7∶3比例随机分为训练集和验证集。依据训练集病例资料采用多因素Logistic回归分析筛选有意义的变量，建立临床、影像组学及临床组学联合预测周围型SCLC诊断模型。采用受试者工作特征(ROC)曲线评价模型诊断效能，建立个体化诊断列线图。结果 周围型SCLC和ADC两组间NSE和13个组学特征有显著性差异。训练集和验证集ROC曲线下面积，临床诊断模型分别为0.793和0.750,影像组学模型分别为0.857和0.838,联合模型分别为0.905和0.882。结论 基于临床及CT影像组学特征建立周围型SCLC与ADC诊断模型可鉴别诊断周围型SCLC及ADC。     

基于临床影像特征和多参数MRI影像组学特征评估儿童弥漫中线胶质瘤H3K27M突变

【摘要】目的:探讨基于临床影像特征和多参数MRI影像组学特征评估儿童弥漫中线胶质瘤(DMG)H3K27M突变状态的应用价值。方法:回顾性纳入经病理诊断为DMG的98例患儿,包括74例H3K27M突变型和24例H3K27M野生型。按照大约7:3的比例分为训练集（n=68）和测试集（n=30）。基于T2WI和增强T1WI(cT1WI)序列提取影像组学特征。应用最大相关最小冗余(mRMR)和最小绝对收缩算子(LASSO)在训练集中筛选最优影像组学特征并计算影像组学评分(Rad-Score)。将临床影像特征和Rad-Score纳入多因素logistics回归筛选独立风险因素。联合筛选出的临床影像特征和Rad-Score构建联合模型以预测DMG的H3K27M状态,应用列线图对联合模型进行可视化。通过受试者工作特征(ROC)曲线评估模型的诊断效能,使用决策曲线(DCA)评估模型的临床应用价值。结果:基于T2WI和cT1WI序列共提取1648个影像组学特征,最终选取5个影像组学特征用于构建影像组学模型,该模型在训练集和测试集中均表现出良好的预测能力,曲线下面积(AUC)分别为0.844和0.758。多因素logistics回归显示环形强化和最小表观扩散系数(ADCmin)是H3K27M状态相关的临床影像特征风险因素（P均<0.05）,两者构建的临床影像模型具备一定的预测H3K27M状态的能力,训练集和测试集的AUC分别为0.802和0.720。由环形强化、ADCmin和Rad-Score构建的联合模型评估H3K27M状态表现出最佳的预测效能,训练集和测试集的AUC分别为0.863和0.851。结论:基于临床影像特征和多参数MRI影像组学特征构建的联合模型可用于无创性评估儿童DMG的H3K27M突变状态,具有较好的临床应用价值。     

基于CT影像组学列线图鉴别腮腺多形性腺瘤与基底细胞腺瘤的价值

目的:探讨CT影像组学列线图对腮腺多形性腺瘤(PA)和基底细胞腺瘤(BCA)的鉴别诊断价值。方法:回顾性分析2020年1月-2022年8月在本院经病理证实的88例PA和29例BCA患者的临床资料和CT平扫及双期增强图像。以7∶3的比例将所有患者随机分为训练集(n=81)和测试集(n=36)。分别在3期(动脉期、平扫和静脉期)CT图像上沿病灶边缘逐层勾画ROI,提取病灶的全容积影像组学特征，并采用Spearman相关性分析、互信息法以及递归特征消除法行特征筛选，构建训练集模型和验证测试集模型并计算相应的影像组学评分(Radscore)。经单因素分析，将有统计学意义的临床资料和CT征象用于构建临床模型。基于影像组学模型和临床模型建立联合模型，并绘制联合模型的列线图。采用受试者工作特征曲线(ROC)、连续净重分类改善度(NRI)及综合判别改善度(IDI)来评估各模型的诊断效能，采用校准曲线评估和决策曲线评估列线图的准确性和临床实用价值。结果:基于CT平扫、动脉期和静脉期图像分别筛选出7个、8个和8个最佳组学特征。单期相(动脉期、平扫和静脉期)影像组学模型及临床模型鉴别PA与BAC的AUC分别...     

CT影像组学对中轴骨脊索瘤与骨巨细胞瘤的鉴别诊断价值

目的:建立术前鉴别中轴骨脊索瘤与骨巨细胞瘤的影像组学模型,并验证其诊断效能.方法:回顾性纳入中轴骨脊索瘤59例、骨巨细胞瘤33例共92例患者,64例为训练集,28例为验证集.基于CT图像进行影像组学特征提取,采用LASSO模型进行特征选择,构建影像组学模型,并计算影像组学得分(Rad-score).通过Logistic...     

MRI影像组学对早期口腔舌鳞状细胞癌隐匿性颈淋巴结转移的预测价值

目的:探讨基于术前常规MRI的影像组学对早期口腔舌鳞状细胞癌（OTSCC）隐匿性颈淋巴结转移的预测价值。方法:回顾性收集2015年1月至2019年12月上海交通大学医学院附属第九人民医院77例早期OTSCC患者（临床分期cT1~2N0M0）的术前MRI数据。所有患者均行原发灶切除及选择性颈淋巴结清扫术,且具有术后淋巴结...     

Pancreatic ductal adenocarcinoma: a radiomics nomogram outperforms clinical model and TNM staging for survival estimation after curative resection

To identify a CT-based radiomics nomogram for survival prediction in patients with resected pancreatic ductal adenocarcinoma (PDAC). A total of 220 patients (training cohort n = 147; validation cohort n = 73) with PDAC were enrolled. A total of 300 radiomics features were extracted from CT images. And the least absolute shrinkage and selection operator algorithm were applied to select features and develop a radiomics score (Rad-score). The radiomics nomogram was constructed by multivariate regression analysis. Nomogram discrimination, calibration, and clinical usefulness were evaluated. The association of the Rad-score and recurrence pattern in PDAC was evaluated. The Rad-score was significantly associated with PDAC patient’s disease-free survival (DFS) and overall survival (OS) (both p < 0.001 in two cohorts). Incorporating the Rad-score into the radiomics nomogram resulted in better performance of the survival prediction than that of the clinical model and TNM staging system. In addition, the radiomics nomogram exhibited good discrimination, calibration, and clinical usefulness in both the training and validation cohorts. There was no association between the Rad-score and recurrence pattern. The radiomics nomogram integrating the Rad-score and clinical data provided better prognostic prediction in resected PDAC patients, which may hold great potential for guiding personalized care for these patients. The Rad-score was not a predictor of the recurrence pattern in resected PDAC patients. • The Rad-score developed by CT radiomics features was significantly associated with PDAC patients’ prognosis. • The radiomics nomogram integrating the Rad-score and clinical data has value to permit non-invasive, low-cost, and personalized evaluation of prognosis in PDAC patients. • The radiomics nomogram outperformed clinical model and the TNM staging system in terms of survival estimation.     

基于乳腺X线图像影像组学列线图对乳腺癌腋窝淋巴结转移的预测价值

目的:探讨基于乳腺X线图像影像组学列线图对乳腺癌腋窝淋巴结(ALN)转移的预测价值.方法:回顾性分析188例乳腺癌患者的乳腺X线图像和临床资料,按照7:3的比例将患者随机分割为训练组(n=130)和验证组(n=58).使用MaZda软件在乳腺X线图像内提取影像组学特征,应用方差选择法和最小绝对收缩与选择算子算法(LAS...     

基于CT影像组学列线图鉴别甲状腺良性与恶性滤泡性肿瘤的价值

目的:探讨基于CT影像组学列线图鉴别甲状腺滤泡性肿瘤良生与恶性的价值。方法:回顾性收集2016年1月至2018年12月复旦大学附属肿瘤医院经手术病理证实的200例甲状腺滤泡性肿瘤患者的临床资料及CT图像,其中甲状腺滤泡癌（FTC）46例、甲状腺滤泡腺瘤（FTA）154例。采用随机数表法随机分为训练集（ n=...     

基于增强CT影像组学评分和临床分期的列线图预测胃癌脉管浸润的价值

目的 探讨基于增强CT影像组学评分（Radscore）和TNM分期的列线图预测胃癌脉管浸润（LVI）的价值。 方法 回顾性收集160例术前行上腹部CT增强检查且行术后胃癌LVI状态评估的病人,男109例,女51例,平均年龄（62.23±10.74）岁。160例病人（包括LVI阴性者92例,阳性者68例）按照7∶3比例随机分为训练集（112例）和测试集（48例）;其中,训练集中LVI阴性者60例、阳性者52例,测试集中LVI阴性者32例、阳性者16例。基于增强CT影像提取并筛选影像组学特征,建立影像组学标签并计算Radscore。采用t检验、Mann-Whitney U检验、卡方检验或Kruskal-Wallis H 检验比较LVI阳性组和阴性组间临床病理特征[病人性别、年龄、肿瘤直径、TNM分期、AJCC分期、肿瘤分化程度及癌胚抗原（CEA）、糖类抗原199（CA199）]的差异,将差异有统计学意义的特征和影像组学标签纳入多因素logistic回归,建立临床影像联合模型和列线图。采用受试者操作特征（ROC）曲线评估影像组学模型和列线图的预测效能并计算相应的曲线下面积（AUC）。采用决策曲线评价影像组学模型和列线图的临床净获益。分别基于训练集及测试集中的数据绘制校准曲线对列线图进行验证。 结果 LVI阳性组和阴性组间肿瘤T分期、N分期、AJCC分期的差异均有统计学意义（均P<0.05）,且LVI阳性组的Radscore高于阴性组（P<0.05）。在测试集中,基于T分期、N分期、AJCC分期和Radscore的临床影像联合模型预测LVI的AUC值、准确度和特异度较影像组学模型分别提高了8.2%、18.2%和21.9%。决策曲线分析显示应用联合模型的临床净获益优于影像组学模型。联合模型的列线图显示Radscore得分最高,其次是AJCC分期,最后是N分期和T分期。训练集和测试集中的校准曲线显示列线图的预测结果与真实结果具有较好的一致性。 结论 联合T分期、N分期、AJCC分期和增强CT的Radscore建立的列线图能够成功预测胃癌LVI。     

Preoperative prediction of tumour deposits in rectal cancer by an artificial neural network–based US radiomics model

To develop a machine learning–based ultrasound (US) radiomics model for predicting tumour deposits (TDs) preoperatively. From December 2015 to December 2017, 127 patients with rectal cancer were prospectively enrolled and divided into training and validation sets. Endorectal ultrasound (ERUS) and shear-wave elastography (SWE) examinations were conducted for each patient. A total of 4176 US radiomics features were extracted for each patient. After the reduction and selection of US radiomics features , a predictive model using an artificial neural network (ANN) was constructed in the training set. Furthermore, two models (one incorporating clinical information and one based on MRI radiomics) were developed. These models were validated by assessing their diagnostic performance and comparing the areas under the curve (AUCs) in the validation set. The training and validation sets included 29 (33.3%) and 11 (27.5%) patients with TDs, respectively. A US radiomics ANN model was constructed. The model for predicting TDs showed an accuracy of 75.0% in the validation cohort. The sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV) and AUC were 72.7%, 75.9%, 53.3%, 88.0% and 0.743, respectively. For the model incorporating clinical information, the AUC improved to 0.795. Although the AUC of the US radiomics model was improved compared with that of the MRI radiomics model (0.916 vs. 0.872) in the 90 patients with both ultrasound and MRI data (which included both the training and validation sets), the difference was nonsignificant (p = 0.384). US radiomics may be a potential model to accurately predict TDs before therapy. • We prospectively developed an artificial neural network model for predicting tumour deposits based on US radiomics that had an accuracy of 75.0%. • The area under the curve of the US radiomics model was improved than that of the MRI radiomics model (0.916 vs. 0.872), but the difference was not significant (p = 0.384). • The US radiomics–based model may potentially predict TDs accurately before therapy, but this model needs further validation with larger samples.     

Development and validation of a MRI-based radiomics signature for prediction of KRAS mutation in rectal cancer

To develop a T2-weighted (T2W) image-based radiomics signature for the individual prediction of KRAS mutation status in patients with rectal cancer. Three hundred four consecutive patients from center I with pathologically diagnosed rectal adenocarcinoma (training dataset, n = 213; internal validation dataset, n = 91) were enrolled in our retrospective study. The patients from center II (n = 86) were selected as an external validation dataset. A total of 960 imaging features were extracted from high-resolution T2W images for each patient. Five steps, mainly univariate statistical tests, were applied for feature selection. Subsequently, three classification methods, i.e., logistic regression (LR), decision tree (DT), and support vector machine (SVM) algorithm, were applied to develop the radiomics signature for KRAS prediction in the training dataset. The predictive performance was evaluated by receiver operating characteristics curve (ROC) analysis, calibration curve, and decision curve analysis (DCA). Seven radiomics features were screened as a KRAS-associated radiomics signature of rectal cancer. Our best prediction model was obtained with SVM classifiers with AUC of 0.722 (95%CI, 0.654–0.790) in the training dataset. This was validated in the internal and external validation datasets with good calibration, and the corresponding AUCs were 0.682 (95% CI, 0.569–0.794) and 0.714 (95% CI, 0.602–0.827), respectively. DCA confirmed its clinical usefulness. The proposed T2WI-based radiomics signature has a moderate performance to predict KRAS status, and may be useful for supplementing genomic analysis to determine KRAS expression in rectal cancer patients. • T2WI-based radiomics showed a moderate diagnostic significance for KRAS status. • The best prediction model was obtained with SVM classifier. • The baseline clinical and histopathological characteristics were not associated with KRAS mutation.     

基于术前CT影像特征预测胆囊癌淋巴管浸润的研究

目的 评估术前胆囊癌CT影像特征对预测胆囊癌淋巴管浸润（LVI）的价值,构建预测胆囊癌LVI的列线图模型并评价其预测效能。方法 回顾性分析116例接受术前增强CT检查的胆囊癌病人的临床、病理及影像资料。病人按6︰4比例随机分为训练集72例,验证集44例。根据病理结果将病人分为LVI阳性组及LVI阴性组。由2位放射科医生评估训练集及验证集的CT影像特征,包括肿瘤基底浸润胆囊壁范围、影像T分期和N分期、有无胆囊结石。采用独立样本t检验、Mann-Whitney U检验及χ²检验比较2组病人中各项CT征象的差异性,并对训练集采用logistics回归分析筛选独立危险因素。建立列线图预测模型,采用受试者操作特征（ROC）曲线评估预测模型的预测效能并计算相应的曲线下面积（AUC）,绘制校准曲线对列线图预测模型进行验证。采用决策曲线评价其临床净获益。结果 训练集及验证集中,LVI阳性组的CT影像N分期、肿瘤基底浸润胆囊壁范围、T分期均显著高于LVI阴性组（均P<0.05）。多因素分析结果显示影像N分期、T分期、肿瘤基底浸润胆囊壁范围为LVI独立危险因素。建立列线图预测模型,结果显示肿瘤基底浸润范围的得分最高,其次是N分期,再次是T分期。决策曲线分析显示模型的净获益良好,训练集和验证集中CT影像特征预测LVI的ROC曲线的AUC分别为0.828（95%CI：0.721~0.907）、0.752（95%CI：0.599~0.870）,差异无统计学意义（P>0.05）。训练集AUC的截断值为0.521时,模型在训练集中的敏感度、特异度分别为0.629和0.892;验证集AUC的截断值为0.432时,对应的敏感度和特异度分别为0.778和0.654。结论 联合T分期、N分期及肿瘤基底浸润范围建立的列线图预测模型,能够有效预测胆囊癌LVI。