基于增强CT影像组学模型预测食管癌患者放化疗完全缓解后肿瘤复发的价值

目的：探讨基于术前平扫期、动脉期和静脉期CT影像所构建的影像组学模型用于预测食管癌患者放化疗完全缓解后肿瘤复发的价值。方法：回顾性收集2013年6月—2019年6月我院接受放化疗治疗的食管癌患者，达到完全缓解后且通过定期复查和随访确认肿瘤复发情况。最终入组77例患者并随机分为训练组（38例无复发和11例复发）和验证组（19例无复发和9例复发）。所有患者均在治疗前2周进行增强CT扫描，分别提取平扫期、动脉期和静脉期的食管癌病灶组学特征参数，采用最小绝对收缩和选择算子（LASSO）回归进行数据降维筛选关联特征，通过逻辑（Logistic）回归方法构建预测模型并利用并以受试者工作特征（ROC）曲线和决策（DCA）曲线评估模型效能。结果：通过特征降维在平扫期、动脉期和静脉期内分别筛选出4个、5个和5个组学特征用于建模。基于平扫期、动脉期、静脉期CT影像构建的预测模型在训练组中取得的曲线下面积（AUC）分别为0.806、0.952和0.959；在验证组中取得的AUC分别为0.708、0.930和0.918。决策曲线分析结果表明基于动脉期和静脉期CT影像的组学模型相比于基于平扫期CT影像的组学模型...     

基于灰阶超声联合剪切波弹性成像的影像组学模型诊断乳腺癌腋窝淋巴结转移的临床价值

目的 基于灰阶超声（US）、剪切波弹性成像（SWE）图像特征及临床、病理指标构建双模态影像组学模型，探讨其对乳腺癌腋窝淋巴结转移的诊断价值。方法 选取于我院行乳腺癌手术治疗患者306例，按照7∶3比例随机分为训练集（214例）和验证集（92例），基于术前US和SWE图像分别进行感兴趣区分割和特征提取。应用最小绝对收缩和选择算子（LASSO）算法筛选关键特征并分别构建US、SWE影像组学标记物（US-RIS、SWE-RIS）。采用单因素和多因素Logistic回归在临床、病理指标和RIS中筛选变量并构建单模态US、SWE影像组学模型及双模态影像组学模型；绘制受试者工作特征（ROC）曲线分析并比较各影像组学模型、超声医师对乳腺癌腋窝淋巴结转移的诊断效能；绘制决策曲线评估各影像组学模型的临床实用价值；绘制校准曲线分析双模态影像组学模型预测结果与实际结果的一致性。结果 基于LASSO算法筛选出13个关键US图像特征和17个关键SWE图像特征，分别构建US-RIS和SWE-RIS。单因素和多因素Logistic回归分析显示，BI-RADS分类、肿瘤分类、US-RIS、SWE-RIS均为乳腺癌腋窝...     

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、影像组学模型及融合模型。绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评估各模型鉴别不同分化程度HCC的效能。结果 共纳入352个CT影像组学特征,109个来自高、中分化HCC,84个来自中、低分化HCC,159个来自高、低分化HCC。临床模型鉴别高、低分化HCC的AUC为0.85;CT影像组学模型鉴别高分化与中、低分化HCC的AUC分别为0.80及0.79;融合模型鉴别高、低分化HCC的AUC为0.88。结论 临床、CT影像组学及融合模型预测高、低分化HCC的效能均较高。CT影像组学模型可较好地预测高、中分化HCC。     

基于T1WI增强不同机器学习模型鉴别胶质母细胞瘤与原发性中枢神经系统淋巴瘤

目的：基于T₁WI增强图像采用六种不同机器学习分类算法构建预测胶质母细胞瘤(GBM)与原发性中枢神经系统淋巴瘤(PCNSL)的模型,比较不同机器学习模型的诊断效能。方法：回顾性分析中南大学湘雅医院经病理证实的GBM 57例和PCNSL 49例患者的临床及影像资料。应用ITK-SNAP软件在术前T1WI增强图像手动逐层勾画瘤体感兴趣区(ROI)。基于慧医汇影放射组学Radcloud平台进行ROI影像组学特征提取并采用方差阈值法(阈值>0.9)、单变量特征选择法(P<0.01)和最小绝对收缩选择算子(LASSO)进行特征降维,筛选出的特征采用支持向量机、极致梯度提升、逻辑回归(LR)、线性判别分析(LDA)、随机森林、K近邻等6种分类器构建影像组学预测模型。使用5折交叉验证方法进行验证,采用受试者工作特征曲线下面积(AUC)评估6种预测模型的诊断效能,模型之间AUC比较采用DeLong检验。结果：共提取1 688个影像组学特征,经过特征降维及筛选后保留显著特征(5折交叉验证、每组分别25、10、31、17、14个特征)构建预测模型,6种模型中LDA、LR模...     

超声影像组学在鉴别诊断甲状旁腺腺瘤和甲状旁腺增生中的价值

目的 探讨超声影像组学方法在鉴别诊断甲状旁腺腺瘤（PA）和甲状旁腺增生（PH）中的临床应用价值。方法 选取2019年1月至2023年6月我院收治的133例甲状旁腺功能亢进症患者（共181枚病灶）,其中腺瘤66例（67枚）,增生67例（114枚）,比较两组临床资料及病灶常规超声特征。所有病灶按7:3分为训练集（126枚）和验证集（55枚）,基于灰阶超声图像勾画感兴趣区（ROI）并提取影像组学特征。应用最小绝对收缩和选择算子（LASSO）回归筛选特征并构建影像组学模型;应用多因素Logistic回归筛选重要的常规超声特征并构建常规超声模型;应用多因素Logistic回归构建基于影像组学特征和常规超声特征的联合模型。绘制受试者工作特征曲线（ROC）以评估各模型的效能并在验证集中进行验证;绘制校准曲线分析影像组学模型和联合模型预测结果与实际结果的一致性。结果 基于LASSO算法筛选出8个影像组学特征用于构建影像组学模型。单因素和多因素Logistic回归分析显示,病灶最大径、外周线状高回声和极性供支血管征为鉴别PA和PH的重要常规超声特征（均P＜0.05）。在训练集和验证集中,影像组学模型曲线下面积（AUC）分别为0.764和0.750,常规超声模型AUC分别为0.812和0.838,联合模型AUC分别为0.825和0.856。联合模型AUC在训练集和验证集中均高于影像组学模型,差异均有统计学意义（均P＜0.05）;其余各模型间AUC比较差异均无统计学意义。结论 影像组学联合模型能较准确地鉴别甲状旁腺腺瘤和甲状旁腺增生,可为临床制定手术方案提供一定的参考价值。     

基于临床-影像组学建立子宫内膜癌微卫星不稳定性的评估模型

  目的  探讨应用临床因素联合影像组学建立子宫内膜癌（EC）微卫星不稳定性（MSI）评估模型的价值。  方法  回顾性分析2018年6月~2022年1月手术前经MR影像学检查及手术后病理学检测确诊为EC的患者68例,收集患者影像学及临床病理资料,根据患者微卫星稳定情况将患者分为不稳定组（n=27）和稳定组（n=41）。临床模型构建采用Logistic回归分析对临床因素进行筛选,影像组学模型构建采用3DSlicer软件勾画病灶感兴趣区并提取影像组学特征,利用最小绝对收缩和选择算子算法进行特征降维。绘制ROC曲线对影像组学模型、临床模型和临床-影像联合模型进行预测效能评估,并使用Delong检验比较3种模型的预测效能是否具有统计学差异。  结果  Logistic回归分析显示,错配修复蛋白MutL同源物1、减数分裂后分离蛋白表达和肿瘤分化程度、肌层侵犯深度是EC MSI的临床危险因素。筛选6个影像组学特征用于构建影像组学模型（P < 0.05）。经ROC曲线分析,临床-影像联合模型在EC MSI中具有较好的预测及评估性能（P < 0.05）,临床模型、影像组学模型及临床-影像联合模型AUC分别为0.871、0.932、0.981。Delong检验结果显示临床-影像联合模型和影像组学模型与临床模型比较,差异有统计学意义（Z=1.933、2.735,P=0.046、0.006）。  结论  应用临床因素联合MR影像组学特征建立的评估模型对EC MSI具有较好的预测价值。      

基于Bp-MRI影像组学预测前列腺病变良恶性的效能及风险评估

目的 探讨基于双参数磁共振成像（biparameter magnetic resonance imaging, Bp-MRI）影像组学及临床信息对前列腺良恶性病变的诊断、鉴别及风险评估。材料与方法 回顾性分析161例经病理学证实的前列腺疾病患者病例,按7∶3的比例随机、分层分为训练集和验证集。采用t检验/Wilcoxon秩和检验、最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）算法、Spearman相关分析和logistic回归模型对临床特征和影像组学特征进行分析,构建影像组学模型及联合模型。通过绘制受试者工作特征（receiver operating characteristic, ROC）曲线并计算曲线下面积（area under the curve, AUC）,对模型的性能进行评价。然后,利用放射组学特征和临床特征构建联合列线图,并进行验证。结果 影像.组学模型在训练集和验证集预测前列腺病变良恶性的AUC分别为0.946(95%CI:0.903～0.982)、0.902(95%CI:0.862～...     

基于增强CT放射组学预测肝细胞肝癌病理分级

目的 观察增强CT放射组学术前预测肝细胞肝癌（HCC）病理分级的可行性及价值。方法 回顾分析429例经手术病理证实的HCC患者，分为训练组（n=329）和测试组（n=100），记录其临床特征；提取动脉期（AP）及静脉期（VP）CT图像的放射组学特征，应用最小绝对值收敛和选择算子（LASSO）回归分析法对其进行降维，筛选最有价值的组学特征后，构建基于AP、VP、AP+VP图像特征的组学模型，计算2组放射学评分并进行二分类判别。根据病理结果定义高级别和低级别HCC，采用10倍交叉验证训练选择最优组学预测模型，筛选对预测HCC病理分级有意义的临床特征后，构建临床模型以及联合组学特征和临床特征的联合模型。绘制3种模型预测训练组和测试组HCC病理分级的ROC曲线，评估其诊断能力。结果 联合组学模型最优，其判别训练组及测试组高级别和低级别HCC的放射学评分的差异均有统计学意义（Z=8.58、3.24，P均<0.05）。测试组中，联合模型预测HCC病理分级的AUC值（0.70）与组学模型（0.69）和临床模型（0.63）差异均无统计学意义（P均>0.05）。结论 基于增强CT图像的放射组学特征可用于术前预测HCC病理分级。     

基于Sonazoid超声造影枯否期图像预测肝细胞肝癌微血管侵犯的影像组学研究

目的 基于sonazoid超声造影（CEUS）枯否期图像构建预测肝细胞肝癌（HCC）微血管侵犯（MVI）的影像组学术前预测模型,并探讨其应用价值。方法 前瞻性纳入于我院拟诊为肝恶性肿瘤并行术前sonazoid CEUS检查的患者,分别提取基于灰阶超声图像和CEUS枯否期静态图像的肿瘤区域（TR）、瘤周5 mm区域（PR）及肿瘤+瘤周5 mm区域（ER）的特征。应用支持向量机法构建影像组学预测模型并评估其对MVI的预测效能。结果 最终纳入50例经手术及病理证实的HCC患者（MVI阳性31例,MVI阴性19例）,分别从灰阶图像和枯否期图像的TR、PR及ER提取并筛选出5个最具预测效力的影像组学特征构建预测模型,其中枯否期PR影像组学模型对MVI的独立预测效能最佳,其准确率为84%,敏感性为90.3%,特异性为73.7%。决策收益曲线分析显示当该模型预测MVI的概率阈值为0.05~0.85时,枯否期PR影像组学评分能提供更高的临床收益。结论 基于sonazoid CEUS枯否期图像构建的影像组学模型是术前无创预测HCC病灶MVI的潜在方法。     

基于MRI影像组学对评估术前直肠癌周边纤维脂肪组织浸润的应用价值

目的 评估基于MRI影像组学模型对术前直肠癌周边纤维脂肪组织浸润的应用价值。方法 回顾性分析2019年12月～2022年3月于铜陵市人民医院术后经病理证实直肠癌75例患者术前MRI图像资料,根据病理结果分为纤维脂肪组织浸润组（n=33）及纤维脂肪组织未浸润组（n=42）。基于T2WI及动脉期对比增强T1WI(CE-T1WI)提取影像组学特征,将数据按照7:3的比例分为训练组（n=54）与验证组（n=21）,采用最大相关最小冗余和最小绝对收缩和选择算子回归的方法对训练集数据进行特征降维,并将特征降维后作为特征向量,筛选出最佳的影像组学特征,构建出T2WI模型、CE-T1WI模型及T2WI+CE-T1WI模型3种影像组学模型,根据ROC曲线确定其中最优模型;根据肿瘤上下径、肿瘤最厚径、CE-T1WI相对信号强度比值（RCE-T1WI）、T2WI相对信号强度比值（RT2）、DWI相对信号强度比值（RDWI）及ADC值多因素Logistic回归分析构建出联合模型;评估最优模型与联合模型二者效能及临床效益。结果 基于T2WI和CE-T1W1各提取851个影像组学特征,最终分别获得10个和14个最...     

增强MR组学联合临床因素预测肝细胞癌根治性切除术后早期复发的价值研究

目的 探究联合临床因素的肝细胞癌(hepatocellular carcinoma,HCC)术前MR影像组学模型对预测HCC切除术后早期复发的价值。材料与方法 回顾性分析116例(训练集82例、测试集34例)术前进行过腹部MRI扫描且经病理确诊为HCC患者的动态对比增强MRI (dynamic contrast enhanced MRI,DCE-MRI)的图像和临床因素。运用3D Slicer软件勾画病变感兴趣区(region of interest,ROI)并提取影像组学特征,通过最大相关-最小冗余算法、最小绝对值收缩和选择算子(least absolute shrinkage and selection operator,LASSO)降维,使用LASSO建立影像组学评分,引入临床因素构建Logistic回归模型,并联合影像组学评分构建列线图模型,通过计算受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC),进行Delong检验和临床决策曲线分析(decision curve ana...     

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。     

超声影像组学在腮腺多形性腺瘤与腺淋巴瘤鉴别诊断中的应用价值

目的：探讨超声影像组学对腮腺多形性腺瘤及腺淋巴瘤鉴别诊断能力。方法：回顾性收集2016年1月-2021年9月于皖南医学院第一附属医院（弋矶山医院）经手术病理证实的133例多形性腺瘤和99例腺淋巴瘤的超声图像及临床相关资料。按7∶3的比例分为训练集162例、验证集70例。利用ITK-SNAP软件上手动勾画肿瘤的感兴趣区（Region Of Interest，ROI），采用Pyradiomics 软件提取二维超声腮腺病灶影像组学定量特征，将提取特征正则化，采用Spearman相关分析，再使用选择最小绝对收缩与选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）模型，筛选出最佳特征。分别采用支持向量机（SVM）、K紧邻（KNN）、决策树（Decision tree）三种机器学习算法根据筛选的最佳特征构建超声影像组学模型，建立对多形性腺瘤和腺淋巴瘤鉴别诊断能力。绘制受试者操作特征（Receiver Operating Characteristic，ROC）曲线评价鉴别各个模型诊断的效能。采用Delong检验评估模型的差异，应用决策曲线分析（DCA）评估模型的临床应用价值。结果：超声影像组学鉴别腮腺常见的良性肿瘤时，提取影像组学21个特征，利用SVM、KNN、Decision tree算法所构建模型鉴别效能AUC、灵敏度、特异度、准确度分别是：0.848、0.842、0.814、0.826；0.721、0.947、0.481、0.652；0.620、0.684、1.000、0.608。通过DeLong检验发现SVM算法优于其他两种算法所构建的模型。结论：超声影像组学利用机器算法可以用于多形性腺瘤与腺淋巴瘤的鉴别。     

基于MRI-T2WI影像组学列线图鉴别卵巢交界性与恶性上皮源性肿瘤

目的 建立基于MRI-T2WI影像组学列线图并评价其鉴别卵巢交界性上皮源性肿瘤（boderline epithelial ovarian tumors, BEOTs）及恶性上皮源性肿瘤（malignant epithelial ovarian tumors, MEOTs）的效能及临床应用价值。材料与方法 回顾性分析2016年1月至2021年5月间南京医科大学附属淮安第一医院经病理证实的上皮源性卵巢肿瘤患者的临床及影像资料,共计192例,其中BEOTs 72例,MEOTs 120例,按8∶2比例随机分为训练集（n=153）及测试集（n=39）,从每个患者的轴位T2WI图像中手动勾画感兴趣区并提取影像组学特征。使用Mann-Whitney U检验、相关性分析及最小绝对收缩选择算子（least absolute shrinkage and selection operator, LASSO）回归进行特征选择,并构建影像组学模型及计算影像组学评分Radscore。结合临床因素及Radscore,采用多元logistic回归模型构建影像组学列线图模型。最后通过ROC曲线、校准曲线及决策曲线分析评...     

建立影像-Ki67模型预测支气管动脉化疗栓塞联合125I粒子植入治疗非小细胞肺癌的短期疗效

目的：探讨影像-Ki67术前量化模型用于预测支气管动脉化疗栓塞（bronchial artery chemoembolization,BACE）联合125I粒子植入治疗非小细胞肺癌（non-small cell lung cancer,NSCLC）短期疗效的价值。方法：回顾性分析2015年1月—2020年12月于安徽医科大学第三附属医院经穿刺活检病理确诊为NSCLC且行联合介入治疗57例患者的术前肿瘤病灶CT影像组学特征和Ki67指标,使用Lasso回归算法筛选有预测价值的影像组学特征以建立影像评分标签,将该评分标签与Ki67以及其他临床信息经多因素Logistic回归进一步筛选,并建立量化列线图预测模型,使用受试者操作特征曲线（receiver operating characteristic curve,ROC curve）评估模型对接受联合治疗术后3个月疗效的预测能力。结果：经过影像特征筛选,归一化区域大小不均匀性（SZNN）灰度特征被纳入影像评分标签,同时与Ki67和性别临床因素被共同纳入最终预测模型,并且该模型在判别患者预后的ROC曲线下面积（AUC）为0.924（敏感性87...     

基于3D增强CT影像组学的肾癌亚型三分类预测模型

目的探讨可靠的基于3D多期增强CT影像组学特征的肾癌亚型三分类预测模型。方法210例肾细胞癌患者（透明细胞癌143例,乳头状癌25例,嫌色细胞癌29例,其他亚型的肾细胞癌13例）被纳入研究。使用ITK-SNAP软件,获取患者的3D增强CT病灶分割图像,使用PyRadiomics计算平台进行特征提取,使用集成学习分层bagging法来筛选特征和构建肾细胞癌亚型三分类预测模型:首先用100次5折交叉验证将模型分为训练集和测试集,然后将Lasso回归作为基学习器对影像组学特征的进行筛选,最后使用logistic回归作为基学习器进行建模和校正。根据不同期像的CT图像,构建平扫期模型、皮髓质期模型、实质期模型、排泄期模型和全期模型。使用准确率、精确率、敏感度和Kappa值评估测试集上不同期像预测模型的性能。结果每期CT图像中提取到了105个影像组学特征。在5个模型中,全期模型的预测效能最好,准确率为0.81,AUC为0.85;精确度为0.717;敏感度为0.799,kappa值为0.679。全期模型的影像组学特征中,有4个皮髓质期特征、3个实质期特征、1个排泄期特征和1个平扫期特征,且与其他4个单期模型中的特征没有重叠。在4个单期模型中,实质期模型的性能最好,准确性0.786,精确度0.689,敏感度0.734,AUC 0.811,Kappa值0.532;皮髓质期模型和排泄期模型的性能相似,但是排泄期模型的Kappa值0.285,明显低于皮髓质期的Kappa值0.446。平扫期模型的性能最差,AUC为0.693。结论基于3D多期增强CT影像组学特征的全期模型是区分肾细胞癌亚型的可靠和有效的方法。      

基于Sonazoid超声造影库普弗期表现术前预测肝细胞癌Ki-67水平的影像组学研究

目的基于Sonazoid超声造影(CEUS)库普弗期特征构建影像组学预测模型, 探讨其在术前预测肝细胞癌(HCC)的核增殖抗原蛋白67(Ki-67)水平中的价值。方法 2020年10月至2021年8月前瞻性地纳入复旦大学附属中山医院经手术及病理证实的HCC且术前1周进行过Sonazoid CEUS检查的患者, 分别从灰阶图像及库普弗期图像的肿瘤区域提取、筛选特征并分别构建影像组学预测模型, 以病理及免疫组化结果为金标准, 比较不同模型预测Ki-67水平的效能。结果共有50例经病理及免疫组化证实的HCC病灶纳入研究, 其中24例Ki-67高水平(>20%), 26例Ki-67低水平(≤20 %)。根据灰阶图像及库普弗期图像特征分别构建HCC病灶Ki-67水平影像组学预测模型, 发现基于库普弗期图像的影像组学模型较灰阶图像影像组学模型有着显著更高的ROC曲线下面积(0.753比0.535, P=0.017)、准确性(0.720比0.580, P=0.023)和敏感性(0.458比0.250, P=0.043)。校准曲线显示基于库普弗期影像组学特征评分较灰阶影像组学评分与实际观测的Ki...     

基于DWI的影像组学和机器学习预测急性脑卒中机械取栓后预后

目的 基于弥散加权成像(diffusion weighted imaging,DWI)的影像组学特征进行机器学习,构建预测急性脑卒中机械取栓后预后的模型.材料与方法 回顾性分析在本院接受机械取栓治疗的急诊脑卒中患者,按随机数字表法分为训练集(n=252)和测试集(n=108).采用A.K.软件提取DWI梗死区影像组学特征并应用最低绝对收缩和选择算子回归模型筛选最佳影像组学特征,基于所选特征通过支持向量机分类器建立急性脑卒中机械取栓后预后的预测模型,利用受试者操作特征(receiver operating characteristic,ROC)曲线评价模型的预测效能.结果 每例患者的DWI图像提取1136个影像组学特征,降维后筛选出21个与预后高度相关的特征.ROC分析显示基于DWI模型预测训练集卒中患者机械取栓后预后的曲线下面积(area under curve,AUC)为0.956,敏感度和特异度分别为0.965、0.948,准确度达0.954;基于DWI模型预测测试集卒中患者机械取栓后预后的AUC为0.801,敏感度和特异度分别为0.818、0.816,准确度达0.828.结论 基于治疗前DWI的影像组学特征和机器学习构建模型对急性脑卒中机械取栓后预后的预测具有较高的预测效能.     

基于MR-T2WI影像组学模型预测宫颈鳞癌临床分期

目的 观察基于MR-T2WI影像组学模型预测宫颈鳞癌临床分期的价值。方法 对159例经术后或活检病理证实的宫颈鳞癌患者采集盆部MRI,根据国际妇产科联盟（FIGO）分期系统及病理结果分为早期组（ⅠB~ⅡA期,n=73）和晚期组（ⅡB~Ⅳ期,n=86）。按照7 ：3比例将患者随机分为训练集（n=113）和验证集（n=46）。训练集包括52例早期、61例晚期宫颈鳞癌,验证集含21例早期及25例晚期宫颈鳞癌。提取轴位T2WI中病灶的影像组学特征,以最大相关最小冗余和最小绝对收缩选择算子回归分析方法筛选最优影像组学特征,构建预测早、晚期宫颈鳞癌的影像组学模型。分析影像组学模型的拟合优度,采用受试者工作特征（ROC）曲线评估模型的预测效能,以决策曲线分析（DCA）评估模型的临床应用价值。结果 共提取396个影像组学特征,最终筛选11个最优影像组学特征,并以之构建预测早、晚期宫颈鳞癌的影像组学模型。影像组学模型在训练集和验证集中的拟合优度均佳（χ²=2.68、8.87,P均>0.05）;其在训练集及验证集中的曲线下面积（AUC）均为0.80。DCA显示,阈值取0.10~1.00时,影像组学模型的净收益较大。结论 基于MR-T2WI的影像组学模型对预测宫颈鳞癌临床分期具有较高价值。     

基于MR-T2WI的深度学习与影像组学联合临床特征预测宫颈癌淋巴脉管间隙浸润

目的 观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法 回顾性分析178例经术后病理证实为宫颈癌的患者病例,其中70例LVSI(+)、108例LVSI(-),按照8∶2划分为训练集[142例,54例LVSI(+)、88例LVSI(-)]和测试集[36例,16例LVSI(+)、20例LVSI(-)]。对临床因素行单因素logistic分析,筛选出LVSI(+)独立预测因素。使用DTL方法和传统影像组学方法提取矢状位T2WI图像中病灶的DTL特征和影像组学特征,构建DTL特征数据集、影像组学特征数据集和DTL特征与影像组学特征融合的数据集,分别以t检验、Pearson分析和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归对训练集各特征数据集进行特征降维,以其最佳者构建影像组学(radiom...