基于超声影像组学的预测模型早期诊断甲状腺微小乳头状癌淋巴结转移的临床价值

目的 探讨基于超声的机器学习及其联合临床特征预测隐匿性甲状腺乳头状癌患者颈部淋巴结转移的价值。方法 回顾性分析81例颈部淋巴结转移的隐匿性甲状腺乳头状癌患者和103例无颈部淋巴结患者的临床资料和二维声像图,按7:3比例随机分为训练组和验证组,提取超声图像特征,构建支持向量机(support vector machine, SVM)模型,并结合临床特征建立联合模型,观察预测模型的诊断效能。结果 共筛选出11个超声图像特征和2个临床特征建立机器学习预测模型和联合预测模型。机器学习模型在训练组预测淋巴结转移的AUC、准确性、敏感度、特异度、阳性预测值、阴性预测值分别为0.78[95%CI(0.74,0.82)]、79%、76%、80%、78%、81%;在验证组分别为0.72[95%CI(0.68,0.75)]、71%、69%、69%、74%、74%。联合模型在训练组的AUC、准确性、敏感度、特异度、阳性预测值、阴性预测值分别为0.87[95%CI(0.83,0.90)]、87%、85%、87%、87%、88%;在验证组分别为0.81[95%CI(0.78,0.83)]、80%、83%、86%、73%、79%。结论 超声机器学习预测隐匿性甲状腺乳头状癌患者颈部淋巴结转移具有较好的预测效能,结合临床特征建立的联合预测模型效能更佳。     

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。     

超声影像组学在鉴别腮腺多形性腺瘤与基底细胞腺瘤中的临床价值

目的 探讨超声影像组学在腮腺多形性腺瘤(PA)与基底细胞腺瘤(BCA)鉴别诊断中的价值。方法 纳入222例病理诊断为腮腺PA或BCA患者,并分为训练集(130例PA和28例BCA)与验证集(51例PA和13例BCA)。从每个病例超声图像中提取了1 316个影像组学特征,经降维筛选后构建超声影像组学评分。同时构建临床+超声模型、超声影像组学模型及超声影像组学评分模型。通过受试者工作特征(ROC)曲线、校准曲线评价模型的预测效能,使用决策曲线分析(DCA)评估临床应用价值。结果 选择8个特征构建超声影像组学评分。年龄、形态、超声影像组学评分是鉴别PA与BCA的独立预测变量,基于上述变量构建超声影像组学模型。校准曲线显示超声影像组学模型的一致性较好,训练集与验证集的曲线下面积(AUC)分别为0.892(95%CI:0.834～0.951)、0.878(95%CI:0.793～0.963)。DCA结果表明其临床价值优于其他模型。结论 超声影像组学模型可较准确地鉴别PA和BCA,具有优化临床决策的潜力。     

增强CT影像组学-CT特征联合模型鉴别鼻腔鼻窦鳞状细胞癌与淋巴瘤

目的 观察增强CT影像组学-CT特征联合模型(联合模型)鉴别鼻腔鼻窦鳞状细胞癌(SNSCC)与鼻腔鼻窦淋巴瘤(SL)的价值。方法 回顾性收集68例SNSCC及63例SL患者,按7∶3比例分为训练集(n=92,含48例SNSCC及44例SL)与验证集(n=39,含20例SNSCC及19例SL)。以单因素分析及logistic回归分析训练集临床资料及病灶CT表现,筛选鉴别SNSCC与SL的独立预测因素并建立CT特征模型;基于训练集增强静脉期CT提取和筛选病灶最佳影像组学特征,建立影像组学模型,计算影像组学标签;基于二者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),评估各模型鉴别SNSCC与SL的效能;以校准曲线、决策曲线分析评估联合模型的校准效能及其临床获益。结果 CT所示原发病灶部位及骨质侵犯均为鉴别SNSCC与SL的独立预测因素(P均＜0.05);于增强静脉期CT筛选出3个最佳影像组学特征;分别以之构建CT模型及影像组学模型;并基于二者构建联合模型。CT、影像组学及联合模型在训练集的AUC分别为0.895、0.730及0.925,差异均有统计学意义(Z=－3.964~－1.833,P均＜0.05);在验证集的AUC分别为0.845、0.684及0.868,联合模型的AUC大于影像组学模型(Z=－2.568,P=0.010)。联合模型校准度良好,其在训练集以15%~62%及85%~92%为阈值时、在验证集以88%~95%为阈值时临床净获益较高。结论 所获增强CT影像组学-CT特征联合模型可有效鉴别SNSCC与SL。     

超声影像组学预测雌激素受体及孕激素受体双阴性乳腺癌

目的 观察超声影像组学预测雌激素受体(ER)及孕激素受体(PR)双阴性乳腺癌的价值。方法 回顾性分析经病理确诊的342例乳腺癌359个病灶,326例可见单发、16例见多发病灶;其中119例见127个ER(-)PR(-)病灶、223例见232个其他病灶[36例共36个ER(+)PR(-)、2例共2个ER(-)PR(+)、185例共194个ER(+)PR(+)病灶];按照7∶3比例将病灶分为训练集(n=251)和测试集(n=108)。基于术前超声资料提取1 314个病灶影像组学特征,经预处理后获得1 205个特征;采用最小绝对收缩和选择算子(LASSO)算法筛选最佳影像组学特征,并利用支持向量机以训练集数据进行训练,构建预测ER及PR双阴性乳腺癌的影像组学模型;绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评估模型的诊断效能。结果 共筛选出37个最佳影像组学特征,以之构建的影像组学模型预测训练集和测试集ER及PR双阴性乳腺癌的AUC分别为0.872[95%CI(0.820,0.924)]和0.867[95%CI(0.798,0.936)]。结论 超声影像组学可有效预测ER及PR双阴性乳腺癌。     

基于CT皮质期影像组学预测肾细胞癌亚型的研究

目的：探讨基于CT皮质期影像组学鉴别肾透明细胞癌(ccRCC)和非透明细胞癌(non-ccRCC)的价值。方法：回顾性分析2017年1月—2022年12月经病理证实的122例肾细胞癌患者的资料,其中ccRCC 82例,non-ccRCC 40例,并以随机数表法按7∶3的比例将患者分成训练集(n=85)和验证集(n=37)。在CT皮质期手工逐层勾画肿瘤感兴趣区(ROI)后提取影像组学特征,使用特征间线性相关检查和F检验依次进行特征筛选,采用逻辑回归分类器构建影像组学模型。采用t检验、χ²检验及Logistic回归分析筛选CT影像特征,建立常规影像模型。综合影像组学评分和常规影像模型建立联合模型。绘制ROC曲线评估各模型的预测效能,AUC比较采用Delong检验。结果：影像组学模型在训练集和验证集中的AUC分别为0.990(95%CI 0.976～1.0)和0.890(95%CI 0.774～1.0)。在训练集和验证集中,影像组学模型和联合模型的预测效能均优于常规影像模型,差异有统计学意义(P均<0.05);相比联合模型,在验证集中影像组学模型的预测效能略高,但...     

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。     

平扫CT影像组学鉴别肺炎型黏液腺癌与大叶性肺炎

目的 观察平扫CT影像组学鉴别肺炎型黏液腺癌(PTMA)与大叶性肺炎(LP)的价值。方法 回顾性分析57例PTMA(PTMA组)和129例LP患者(LP组),按7∶3比例将其纳入训练集(n=131)和测试集(n=55)。比较组间患者临床资料，筛选临床特征，构建临床模型；勾画病灶ROI,提取其影像组学特征，建立影像组学模型；基于临床特征及影像组学特征建立列线图模型。观察3种模型鉴别PTMA与LP的效能。结果 组间患者年龄和呼吸道症状占比差异均有统计学意义(P均<0.05)。临床模型鉴别训练集和测试集PTMA与LP的曲线下面积(AUC)分别为0.784和0.909。最终纳入16个影像组学特征建立影像组学模型，其在训练集和测试集鉴别PTMA与LP的AUC分别为0.909和0.870;列线图模型的AUC分别为0.939和0.933。影像组学模型及列线图模型在训练集鉴别PTMA与LP的AUC均大于临床模型(P均<0.05)。结论 平扫CT影像组学有助于鉴别PTMA与LP。     

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～...     

临床-CT环境影像组学鉴别慢性阻塞性肺疾病背景下周围型肺癌与肺炎性肿块

目的 观察临床-CT环境影像组学鉴别慢性阻塞性肺疾病(COPD)背景下周围型肺癌(PLC)与肺炎性肿块的价值。方法 回顾性分析经病理证实PLC的86例COPD (PLC组)及155例肺炎性肿块COPD(炎性肿块组),按7 ∶ 3比例将其分为训练集(n=170)及测试集(n=71);基于增强CT勾画病灶ROI1(不均匀强化区)、ROI2(均匀强化区)、ROI3(肿瘤周围带),生成相应Radscore 1、2、3。比较组间临床资料、常规CT及环境影像组学资料,行logistic回归分析,建立临床模型、CT环境影像组学模型及临床-CT环境影像组学模型,评估其鉴别PLC与肺炎性肿块的效能。结果 病灶形态、强化方式、Radscore 2及3均为鉴别COPD背景下PLC与肺炎性肿块的因素(P均＜0.05)。基于此建立的临床模型、CT环境影像组学模型及临床-CT环境影像组学模型鉴别训练集COPD背景下PLC与肺炎性肿块的曲线下面积(AUC)分别为0.763、0.859及0.892,在测试集分别为0.729、0.843及0.882;临床-CT影像组学模型AUC最高(P均＜0.05),其准确率为83.53%、敏感度为81.97%、特异度为84.40%。结论 临床-CT环境影像组学有助于鉴别COPD背景下PLC与肺炎性肿块。     

基于CT影像组学模型鉴别肾乏脂肪血管平滑肌脂肪瘤与均质肾透明细胞癌

目的 基于增强CT影像组学特征联合临床特征建立综合模型，验证其术前鉴别肾乏脂肪血管平滑肌脂肪瘤（fp-AML）与均质肾透明细胞癌（hd-ccRCC）的效能。方法 回顾性分析经病理证实的32例fp-AML与39例hd-ccRCC。在增强CT皮质期、实质期及排泄期图像手工勾画肿瘤ROI，提取影像特征，计算观察者间及观察者内组内相关系数（ICC），采用LASSO回归进行特征选择，通过Logistic多元回归分析构建回归方程，并计算皮质期、实质期、排泄期及三期联合的影像组学得分。通过Logistic多元回归分析建立综合模型，并绘制列线图。采用Hosmer-Lemeshow拟合优度检验评价列线图的拟合度，以ROC曲线分析检测列线图的鉴别效能，以决策曲线评价列线图鉴别fp-AML和hd-ccRCC的净获益。结果 自各期图像中提取出包括强度、形状、纹理、图像滤波在内共1 029个特征，对ICC均>0.75的特征进行LASSO选择，分别于皮质期、实质期、排泄期和三期联合获得6、6、5和7个有鉴别意义的特征，AUC分别为0.83[95%CI（0.73，0.92）]、0.80[95%CI（0.70，0.91）]、0.78[95%CI（0.68，0.89）]和0.86[95%CI（0.77，0.95）]。基于三期联合影像组学得分和临床特征的列线图的AUC为0.90[95%CI（0.81，0.99）]，以之术前鉴别fp-AML和hd-ccRCC可获得较满意的诊断净获益。结论 通过列线图表示基于增强CT影像组学特征联合临床特征建立的综合模型术前鉴别fp-AML与hd-ccRCC具有较高诊断效能，有助于术前定性诊断肾肿瘤。     

基于增强CT影像组学模型预测胰十二指肠切除术后胰瘘

目的 评估基于术前腹部增强CT影像组学模型预测胰十二指肠切除术（PD）术后胰瘘（POPF）的价值。方法 回顾性分析252例接受PD患者的术前腹部增强CT资料,按7：3比例将其分为训练集（n=177）和验证集（n=75）。于训练集增强静脉期CT图像中勾画胰腺实质作为感兴趣容积（VOI）,提取其影像组学特征,并筛选最优特征建立影像组学模型;绘制模型预测PD术后POPF的受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价模型预测效能;以验证集数据进行验证。结果 共选出14个最优影像组学特征用于构建影像组学模型。影像组学模型在训练集和验证集的AUC分别为0.82[95%CI（0.76,0.88）]和0.82[95%CI（0.72,0.91）]。结论 基于术前增强CT影像组学模型能有效预测PD术后POPF。     

123I-MIBG及123I-FP-CIT SPECT/CT显像鉴别诊断帕金森病与非典型帕金森综合征:Meta分析

目的 采用Meta分析评价¹²³I-间碘苄胍（¹²³I-MIBG）及N-氟丙基-2b-甲酯基-3b-（4-¹²³I-碘苯基）降托烷（¹²³I-FP-CIT） SPECT/CT显像鉴别诊断帕金森病（PD）与非典型帕金森综合征（APS）的价值。方法 检索PubMed、EMbase、Ovid EBMR、Cochrane Library及中国知网、万方医学网、维普数据库中2000年1月—2020年10月有关¹²³I-MIBG及¹²³I-FP-CIT SPECT/CT显像鉴别PD与APS的文献。筛选文献后,根据显像结果将¹²³I-MIBG SPECT/CT分为早期及延迟显像,评价其鉴别PD与APS的效能;采用Stata 16.0和Metadisc 1.4软件行Meta分析。结果 共纳入20篇文献,包括1 106例PD及365例APS患者。¹²³I-MIBG显像鉴别诊断PD与APS无明显阈值效应（r=0.58,P<0.05）,而¹²³I-FP-CIT存在阈值效应引起的异质性（r=0.89,P<0.01）;二者鉴别诊断PD与APS均存在非阈值效应引起的中高度异质性（I²均>50%）;¹²³I-MIBG早期及延迟显像鉴别诊断PD与APS均有较高异质性（I²均>50%）,故均以双变量混合效应模型分析数据。¹²³I-MIBG及¹²³I-FP-CIT SPECT/CT显像鉴别诊断PD与APS的合并敏感度分别为0.82[95%CI（0.76,0.86）]及0.90[95%CI（0.84,0.94）],合并特异度分别为0.84[95%CI（0.68,0.93）]及0.27[95%CI（0.12,0.50）],综合受试者工作特征（SROC）显示其AUC分别为0.87及0.81;¹²³I-MIBG SPECT/CT早期及延迟显像鉴别诊断PD与APS的合并敏感度分别为0.74[95%CI（0.63,0.82）]及0.82[95%CI（0.77,0.87）],合并特异度分别为0.94[95%CI（0.78,0.98）]及0.79[95%CI（0.61,0.90）],SROC的AUC均为0.86。结论 ¹²³I-MIBG及¹²³I-FP-CIT SPECT/CT显像可互为补充用于鉴别诊断PD与APS;¹²³I-MIBG早期及延迟显像的鉴别效能均较高。     

超声弹性成像技术预测自发性早产:Meta分析

目的 应用Meta分析评价超声弹性成像技术对自发性早产的预测价值.方法 检索PubMed、Cochrane Library、中国知网及万方医学网自1990年1月1日-2020年1月1日收录的超声弹性成像预测早产相关文献,按照纳入及排除标准进行筛选,并评价其质量.采用Meta-disc 1.4软件进行Meta分析.结果 ...     

常规超声联合超声造影鉴别诊断甲状腺恶性与炎性病灶

目的 观察常规超声联合超声造影（CEUS）鉴别诊断甲状腺恶性与炎性病灶的价值。方法 纳入78例甲状腺疾病患者,根据病理结果将其分为恶性组（n=61）及炎性组（n=17）;对比2组病灶常规超声及CEUS特点,并将组间差异有统计学意义的因素纳入回归分析,观察常规超声联合CEUS鉴别诊断甲状腺恶性与炎性病灶的价值。结果 恶性组与炎性组病灶最大径、钙化情况、纵横比、造影剂到达时间、病灶增强模式及程度差异均有统计学意义（P均<0.05）。回归分析结果显示,病灶最大径<10 mm（OR=130.319,P<0.001）、慢进型增强（OR=6.177,P=0.013）、微钙化（OR=10.886,P=0.001）及向心性增强（OR=12.922,P<0.001）为甲状腺恶性病灶的预测因子,其曲线下面积分别为0.828[95%CI（0.740,0.916）]、0.703[95%CI（0.575,0.832）]、0.638[95%CI（0.501,0.775）]及0.630[95%CI（0.491,0.768）]。结论 常规超声联合CEUS有助于鉴别诊断甲状腺恶性与炎性病灶;病灶伴微钙化、慢进型增强及向心性增强为恶性病灶的预测因子。     

瘤内及瘤周表观弥散系数影像组学特征预测髓母细胞瘤患儿预后

目的 观察瘤内及瘤周表观弥散系数（ADC）影像组学特征预测髓母细胞瘤（MB）患儿预后的价值。方法 回顾性分析74例MB患儿资料,根据术后2年随访结果将其分为进展组（n=29）及无进展组（n=45）,并按6：4比例分为训练集（n=44）或验证集（n=30）。基于ADC图提取并筛选瘤内及瘤周影像组学特征,分别建立瘤内、瘤周及瘤内+瘤周影像组学模型,并以之结合临床及常规影像学特征建立联合模型;比较各模型预测MB患儿预后的效能。结果 训练集中,临床-常规影像-瘤周影像组学模型、临床-常规影像-瘤内+瘤周影像组学模型曲线下面积（AUC）均大于单一瘤周影像组学模型（P均<0.05）;验证集中,临床-常规影像学-瘤内+瘤周影像组学模型的AUC最大,但与其他模型差异均无统计学意义（P均>0.05）。结论 瘤内及瘤周ADC影像组学特征可用于预测MB患儿预后;联合临床及常规影像学特征或有助于提高预测效能。     

临床及CT影像组学特征预测胃癌微卫星高度不稳定状态

目的 观察临床和CT影像组学特征用于预测胃癌微卫星高度不稳定(MSI-H)状态的价值。方法 纳入150例胃癌患者,MSI-H阳性30例、阴性120例;按7∶3比例将其分为训练集(n=105)和验证集(n=45)。基于腹部静脉期增强CT图提取病灶影像组学特征并加以筛选,计算影像组学评分(Radscore);比较训练集和验证集MSI-H阳性与阴性患者临床资料及Radscore差异;分别基于其间差异有统计学意义的临床因素和Radscore构建临床模型、CT影像组学模型及临床-CT影像组学联合模型,评估其预测胃癌MSI-H状态的价值。结果 训练集和验证集中,MSI-H阳性与阴性肿瘤位置、Radscore差异均有统计学意义(P均<0.05)。临床模型、CT影像组学模型及联合模型评估训练集胃癌MSI-H状态的曲线下面积(AUC)分别0.760、0.799及0.864,在验证集分别为0.735、0.812及0.849;联合模型的AUC大于2种单一模型(P均<0.05)。结论 基于肿瘤位置和Radscore的临床-CT影像组学联合特征可有效预测胃癌MSI-H状态。     

基于T1WI及IDEAL-T2WI影像组学模型鉴别腮腺多形性腺瘤和腺淋巴瘤

目的 观察T1WI、IDEAL-T2WI影像组学特征及机器学习模型鉴别腮腺多形性腺瘤（PA）与腺淋巴瘤（AL）的价值。方法 回顾性分析33例腮腺PA和25例AL患者。运用放射组学云平台，于轴位T1WI和IDEAL-T2WI上手动勾画病灶ROI，提取影像组学特征；以方差阈值法、SelectKBest及Lasso算法筛选最优特征。采用随机森林、逻辑回归算法建立机器学习模型，绘制ROC曲线，分析T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI建立模型的诊断效能。结果 T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI分别得到6、9、12个有效特征。基于IDEAL-T2WI联合T1WI建立随机森林模型的诊断效能最高，AUC为0.87，95%CI（0.59，1.00），准确率0.83。结论 基于T1WI、IDEAL-T2WI影像组学特征及机器学习模型可有效鉴别诊断腮腺PA和AL。     

基于CT影像组学结合机器学习模型预测食管胃结合部腺癌人表皮生长因子受体2状态

目的 评估基于C T影像组学结合机器学习模型术前预测食管胃交界处腺癌(A EG)人表皮生长因子受体2(HER2)状态的价值.方法 回顾性分析101例经术后病理证实的AEG患者,按7:3比例将其分为训练集(n=70)和验证集(n=31).基于门静脉期增强CT提取AEG影像组学特征,以最小绝对值选择与收缩算子回归模型针对训...