CT影像组学和机器学习预测胆囊息肉样病变性质的研究

目的 探讨不同机器学习的影像组学模型预测胆固醇性胆囊息肉和腺瘤牲胆囊息肉的价值。方法 回顾性分析2015年9月至2022年9月我院100例经手术病理证实的胆固醇性息肉和腺瘤性息肉患者的临床及影像资料。基于术前增强CT提取的影像组学特征,训练集采用T检验和最小绝对收缩和选择算子交叉验证法进行特征筛选。然后用3种机器学习方法 (人工神经网络、逻辑回归和支持向量机)构建预测模型,利用ROC曲线下面积、准确率以及F1度量值评估3种模型的预测能力,并通过验证集进行验证。结果 人工神经网络算法在基于10个影像组学特征的息肉病变性质鉴别模型中预测效果最好,具有最高的曲线下面积(训练集为1;验证集为0.81)、准确率(训练集为1;验证集为0.83)及F1度量值(训练集为1;验证集为0.76)。10个影像组学特征中,基本特征1个、小波特征9个。结论 基于增强CT的机器学习影像组学模型有助于预测胆固醇性胆囊息肉和腺瘤牲胆囊息肉的病变性质,为两者的定性诊断及治疗方式的选择提供依据。     

多模态颅脑MRI影像组学特征在预测胶质母细胞瘤患者生存风险分层中的应用研究

目的探讨多模态颅脑MRI影像组学特征在预测胶质母细胞瘤（GBM）患者生存期风险分层中的作用。方法回顾性分析BRATS2018数据库中经手术病理证实的GBM患者163例,按入组时间分为训练组114例,测试组49例。提取所有患者术前MRI图像影像组学特征,评估传统影像视觉特征,然后对训练组数据使用最大相关-最小冗余算法和梯度提升决策树算法进行降维后建立影像组学标签模型,计算患者的影像组学标签分数,最终结合影像视觉特征和临床因素,使用多元逻辑斯回归构建总生存期联合预测模型并绘制列线图。基于测试组数据使用ROC曲线评估模型的诊断效能,并用决策曲线分析验证。结果从每例患者的4个MRI序列图像、5个感兴趣区共提取纹理特征7920个,经降维后筛选出26个最优价值特征构建影像组学标签。使用多元逻辑斯回归构建包含了深部白质、年龄和影像组学标签的联合诊断模型,并生成列线图,该模型在训练组和测试组中预测长短生存期的准确率分别为0.848和0.800。列线图、联合影像、影像组学标签、深部白质受累和年龄在所有患者中的诊断准确率分别为0.941、0.908、0.873、0.663和0.655。基于模型区分的高危组与低危组中的GBM患者数差异有统计学意义（P＜0.05）。结论影像组学标签、深部白质和年龄是GBM患者的独立预测因子,基于三者的联合模型而绘制的列线图可用于预测GBM患者总生存期,有助于进行生存风险分层。     

CT影像组学鉴别良恶性孤立性肺结节的价值分析

目的 探讨CT影像组学鉴别良恶性孤立性肺结节（solitary pulmonary nodule, SPN）的价值。方法 回顾性分析2010年1月至2020年12月首都医科大学电力教学医院和首都医科大学大兴教学医院经病理证实的138例SPN患者的临床和影像资料,其中良性49例,恶性89例。患者术前均行胸部CT平扫检查。应用3D-Slicer软件对所有CT图像进行分割,再应用Python语言的PyRadiomics软件包提取影像组学特征。通过最大相关-最小冗余（max-relevance and minredundancy, mRMR）算法剔除冗余和不相关特征,然后采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归分析筛选最优影像组学特征用于构建模型。利用ROC曲线评价模型的诊断效能。结果 经过特征降维和筛选,最终选出11个影像组学特征用于构建鉴别SPN良恶性的影像组学模型。预测模型在训练组的灵敏度、特异性、阳性预测值、阴性预测值和准确率分别为80.0%、85.7%、75.7%、88.5%和83....     

基于超声影像组学及临床特征构建乳腺癌列线图的预测模型

目的：通过整合临床危险因素和术前超声影像组学评分,建立一个基于超声影像组学的列线图预测乳腺癌。方法：回顾性收集2020年10月—2023年2月有明确病理结果的525例患者的525个乳腺肿块（其中良性241例,恶性284例）的超声图像,按照7∶3比例随机分为训练组（368例）、验证组（157例）。根据肿块轮廓勾画出肿瘤的感兴趣区域（Region of interest,ROI）,并提取影像组学特征。采用最小绝对收缩和选择算子（Least absolute shrinkage and selection operator, LASSO）对超声影像组学特征进行降维分析,选择Logistic回归分类器将结果输出转换为影像组学评分（Radiomics score,Rad-Score）,作为Rad-Score模型。此外,采用Logistic回归方法将影像组学评分与临床危险因素进行整合,构建联合模型并绘制列线图。绘制ROC曲线及校准曲线以评价模型效能。结果：提取的851个影像组学特征中筛选出13个非零特征用于建立模型,多因素分析中,乳腺癌患者的独立危险因素是年龄,基于患者年龄及Rad-Score构建...     

基于IQon Spectral CT平扫的影像组学在甲状腺结节良恶性诊断及鉴别诊断中的价值

目的：基于IQon Spectral CT平扫图像，通过影像组学联合机器学习方法，研究其在甲状腺良恶性结节诊断及鉴别诊断中的临床价值。方法：回顾性收集107例（161个结节）经病理证实的甲状腺结节患者CT平扫图像，应用RadCloud平台对影像学特征进行提取分析，采用k-NearestNeighbor(KNN)、支持向量机（SVM）和logistic回归（LR）分类器建立预测模型（分为训练组和测试组，训练组和测试组的比例为4∶1），并评价预测模型的性能。结果：KNN、SVM和logistic回归三种模型预测效能相当，其中SVM模型性能相对较优，预测模型的ROC曲线下面积为0.822(95%可信区间：0.750～0.890)，敏感度为77%，特异度为77%；在测试组中ROC曲线下面积为0.790(95%可信区间：0.640～0.940)，敏感度为71%，特异度为68%。结论：基于影像组学联合机器学习算法在甲状腺结节的良恶性鉴别诊断中具有显著的临床价值。     

基于CT平扫的影像组学模型在预测老年人腰椎骨质疏松中的价值

目的：探讨基于腰椎CT平扫影像组学模型在中老年人腰椎骨质疏松中的诊断价值。方法：选取2020年7月至2020年10月温州医科大学附属第二医院绝经后女性和50岁以上男性66例（骨质疏松症43例,未患骨质疏松症23例）,所有患者均行腰椎CT平扫。在纳入患者的腰1～4椎体中,共有237个腰椎符合研究标准,骨质疏松腰椎95个,非骨质疏松腰椎142个。根据腰椎是否存在骨质疏松为标准,将所有腰椎按照分层随机抽样方法以7:3的比例分为训练组和验证组。应用3D Slicer软件在腰椎CT平扫图像上逐层勾画腰椎椎体骨松质以获得三维感兴趣区（ROI）,并以单个腰椎椎体为单位提取影像组学特征。使用最大相关-最小冗余（mRMR）对训练组的影像组学特征降维并保留10个特征,然后应用最小绝对收缩和选择算子（LASSO）Logistic回归算法从保留的特征中选择最优特征子集用于建立影像组学模型。采用受试者工作特征（ROC）曲线的曲线下面积（AUC）评估影像组学模型的预测效能。采用校准曲线评估影像组学模型预测腰椎骨质疏松的结果与双能X线吸收测定法（DXA）诊断结果的拟合度。结果：在提取的1 316个影像组学特征中,最终获得7个与腰椎骨质疏松显著相关的影像组学特征用于构建影像组学模型。ROC曲线显示影像组学模型预测腰椎骨质疏松的AUC在训练组和验证组分别为0.908（95%CI =0.863～0.952）和0.935（95%CI =0.873～0.996）。校准曲线评估显示影像组学模型在训练组和验证组中均有较好的拟合度。结论：基于腰椎CT平扫的影像组学模型可作为评估中老年人腰椎骨质疏松的一种无创性辅助工具,有利于协助临床决策,改善患者预后。     

基于靶扫描和常规扫描CT图像的影像组学模型预测肺磨玻璃结节的2年生长

 目的 比较基于靶扫描CT（targeted CT,T-CT）和常规扫描CT（conventional CT,C-CT）图像建立的CT影像组学特征集预测肺磨玻璃结节（ground-glass nodules,GGN）2年生长的价值,并建立影像组学列线图以帮助管理GGN。方法 回顾性收集2018年10月—2019年1月间414个随访肺GGN的T-CT、C-CT图像和临床资料,并按7∶3分为训练组（n=290）和验证组（n=124）。分别采用最小绝对收缩与选择算法逻辑回归、多因素逻辑回归筛选GGN 2年生长相关的影像组学特征及临床特征,构建影像组学特征集、临床特征集,结合成影像组学列线图。采用Delong检验比较基于T-CT和C-CT图像建立的CT影像组学特征集,并分别用C-CT和T-CT数据进行交叉预测。分别采用受试者工作特征曲线下面积（AUC）和临床决策曲线评估各模型效能和临床实用性。结果 T-CT和C-CT图像分别筛选出7个和6个特征用于构建影像组学特征集,两者AUC差异无统计学意义。筛选出年龄、性别和毛刺征3个临床特征构建临床特征集,结合C-CT影像组学特征集构建影像组学列线图。影像组学列线图在训练组和验证组中的AUC分别为0.948和0.933。临床特征的纳入未能显著提高模型预测效能（训练组和验证组P值分别为0.168和0.160）,影像组学列线图较影像组学特征集获得更高临床净收益。结论 T-CT和C-CT影像组学特征集均能有效预测GGN的2年生长,且差异无统计学意义。影像组学列线图较影像组学特征集获得更高临床净收益,有助于管理GGN。     

基于钼靶影像组学列线图预测乳腺癌Her-2表达状态

目的：探讨基于钼靶影像组学列线图在术前预测乳腺癌Her-2表达状态的应用价值。方法：分析手术或穿刺前行乳腺钼靶检查的262例女性浸润性导管癌(IDC)病人。按照7∶3比例随机分为训练集183例和测试集79例。利用钼靶图像手动勾画感兴趣区(ROI),通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归提取影像组学特征,通过统计和LASSO机器学习方法降维,保留纳入模型的最优预测特征,采用logistic回归作为分类器,建立影像组学模型;结合影像资料,通过单-多因素logistic回归,筛选独立危险因素建立影像特征模型;将影像组学特征结合独立危险因素建立影像组学列线图模型。采用受试者操作特征(ROC)曲线分析各模型的预测效能并计算曲线下面积(AUC),并绘制校准曲线及决策曲线评估其效能。结果：列线图模型的预测效能最佳,训练集敏感度84.62%,特异度84.75%,AUC值为0.920,测试集敏感度84.00%,特异度83.33%,AUC值为0.916。校准曲线中列线图模型的预测曲线与理想曲线一致性较好...     

CT影像组学在预测非小细胞肺癌淋巴结转移中的价值

目的探讨基于胸部CT影像组学在术前预测非小细胞肺癌淋巴结转移中的价值。方法回顾性分析经术后病理证实的143例非小细胞肺癌病人临床、胸部CT增强影像资料。按照7:3比例,随机分为训练组（n=100）和验证组（n=43）。在静脉期图像上提取肿瘤的影像组学特征,采用最小绝对收缩选择算子（LASSO）逻辑回归用于数据降维、特征筛选。分别基于影像组学特征和临床-影像特征（最大径、毛刺征）构建预测模型。采用受试者工作特征曲线（ROC）的曲线下面积（AUC）评价不同模型的鉴别预测效能,并对模型的ROC曲线行Delong检验;在验证组中评估其预测效能。结果共提取939个影像组学特征,经筛选最终得到6个最优特征并建立影像组学预测模型。对于术前预测淋巴结转移的效能,在训练组中,影像组学模型AUC为0.864（95%CI:0.781~0.924）,大于临床模型的AUC为0.662（95%CI:0.561~0.754）（P < 0.01）;在验证组中,影像组学模型AUC为0.860（95%CI:0.720~0.964）,大于临床模型的AUC为0.664（95%CI:0.504~0.880）（P < 0.05）。结论基于胸部CT增强图像提取影像组学特征及其构建的预测模型,影像组学模型的效能高于临床模型,可以作为一种预测非小细胞癌病人淋巴结是否转移的辅助工具,具有良好的临床应用前景。     

构建多模态磁共振评分模型鉴别肿块型乳腺病变良恶性

目的建立基于多模态MRI图像特征的简易评分模型,为肿块型乳腺病变良恶性鉴别诊断提供简便有效的工具。方法回顾性分析经病理检查证实的肿块型乳腺病变的MRI资料,其中40例来自良性肿块病变,51例来自恶性肿块病变。对比良恶性病变的影像学特征,找出具有显著性差异的指标,使用受试者工作特征(ROC)曲线,评价其诊断效能,最后采用多因素Logistic回归分析的方法,建立多模态MRI简易评分模型鉴别乳腺肿块良恶性。结果经单因素方差分析,筛选出具有组间统计学差异的指标(良恶性组肿块形状、边缘、最大径、早期强化比值、达峰时间、内部强化类型、TIC曲线、ADC值)。经ROC曲线分析,筛选出AUC值大于0.8的指标(边缘,ADC值和TIC曲线),应用多因素Logistic回归分析,构建了乳腺MRI良恶性肿块鉴别诊断回归模型。该模型具有很高的乳腺肿块良恶性鉴别诊断效能,其敏感性和特异性分别达到96%和96%。结论基于乳腺肿块ADC值、边缘、TIC曲线的的多模态MRI评分模型,可便捷有效地鉴别良恶性乳腺肿块,具有较大推广意义。     

基于CT图像影像组学模型对甲状腺结节良恶性预测的研究

目的 本研究旨在探讨基于CT影像组学模型对甲状腺结节良恶性的鉴别价值。方法 回顾性收集甲状腺结节患者185例患者的胸部CT纵膈窗影像资料,共186枚结节,良性结节104枚,恶性结节82枚。将显示病灶的薄层CT图像以DICOM格式上传至达尔文医准科研平台,在病灶的中心层面及其上下层面勾画感兴趣区(ROI),通过最小、最大值归一化预处理,对每一维度特征的线性进行拉伸。然后采用Lasso Glogistic回归模型进行模型选择,对特征的重要性进行评估。最后以筛选出的特征维度为特征参数构建Lasso Glogistic回归模型,使用受试者工作特性曲线(ROC曲线)分析模型的诊断效能,并计算敏感度、特异度和诊断符合率。结果 经过特征筛选,8个影像组学特征用于构建甲状腺结节良恶性鉴别模型。训练组中预测模型的ROC曲线下面积(AUC)为0.83(95%可信区间：0.73-0.93),灵敏度和特异度分别为88.7%、 82.0%,诊断准确率75%;测试组中AUC为0.81(95%可信区间：0.6-0.99),灵敏度和特异度分别为88.5%、 84.6%,诊断准确率76.13%。结论 基于胸部CT纵膈窗...     

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...     

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...     

影像组学联合预测模型在预测非小细胞肺癌淋巴结转移中的建立和应用价值

  目的  开发并验证影像组学模型,用于预测非小细胞肺癌术前淋巴结转移风险。  方法  2014年1月至2015年12月100例经临床病理确诊的非小细胞肺癌100例组成训练组,并用该数据建立影像组学预测模型。影像组学特征在平扫及增强CT上进行提取。Lasso-logistic模型用于数据降维、特征选择以及影像组学标记的建立。一致性系数（ICCs）用于评价观察者内部以及观察者之间的重复一致性。以一致性指数（C-index）评价影像组学标签对淋巴结转移的鉴别预测能力,并采用受试者工作特性（ROC）曲线下面积（AUC）展示。多因素logistic回归分析用于建立影像组学联合预测模型,该预测模型的参数包括影像组学标记和独立的临床危险因素。建立的影像组学模型由2016年1月至2017年12月连续纳入的100例非小细胞肺癌病例组成验证组进行验证。采用AUC评价该模型的鉴别预测效能,并用Delong检验进行模型间（联合预测模型与单纯使用22个影像组学标记的模型之间）的比较;用Hosmer-Lemeshow good of fit test（拟合优度检验）评价预测模型的校准度,其结果使用校正曲线表示,以比较模型预测的结果与实际淋巴结转移的一致性。  结果  提取特征时,观察者内部和观察者间的一致性好,ICC均大于0.75。从300个影像组学特征中提取出22个,其组成的影像组学标记,对于鉴别预测淋巴结转移状态的AUC,训练组为0.781,验证组为0.776。建立的影像组学预测模型包含了影像组学标记和血清癌胚抗原（CEA）、细胞角蛋白19片段抗原（CYFRA21-1）、癌抗原125（CA125）水平。用此联合预测模型预测淋巴结转移状态,训练组的AUC为0.836,验证组的AUC为0.821,均高于训练组和验证组单纯使用22个影像组学标记的模型,差异有统计学意义（P<0.05）。影像组学联合预测模型在训练组和验证组中均有较好的校准度,与实际淋巴结转移一致性高。  结论  本研究开发了一个包含了影像组学特征、临床危险因素的影像组学联合预测模型,该模型能够直观预测非小细胞肺癌患者术前的淋巴结转移风险。     

基于乳腺X线摄影影像组学列线图预测BI-RADS 4～5类钙化病灶恶性风险

目的 探讨基于乳腺X线摄影（MG）影像组学列线图在预测乳腺影像报告与数据系统（BI-RADS）4～5类钙化恶性风险中的价值。方法 回顾2017年1月至2020年12月浙江省立同德医院和蚌埠医学院第一附属医院经病理检查证实的292例MG表现为乳腺影像报告与数据系统（BI-RADS）4～5类钙化患者的临床及影像资料,其中良性121例,恶性171例。所有患者以7∶3比例分成训练集（204例）及验证集（88例）,对头尾位（CC）和内外斜位（MLO）图像进行手工分割并提取影像组学特征,并应用最小冗余最大相关（mRMR）及最小绝对值收敛和选择算子（LASSO）回归筛选最有价值的特征。采用logistic回归构建影像组学模型,从临床因素中筛选差异有统计学意义的危险因素并建立临床模型,再联合临床-影像组学特征建立联合模型,基于联合模型勾画列线图。采用ROC曲线评价各模型的效能,应用决策曲线比较各模型的临床应用价值。结果 分别从CC、MLO图像中提取并筛选出4个和6个影像组学特征构建影像组学模型,其验证集中的AUC为0.714,灵敏度为0.792,特异度为0.600,准确度为0.705。年龄和BI-RA...     

增强CT影像组学对肾透明细胞癌恶性程度的鉴别

目的 探索基于CT增强图像影像组学鉴别肾透明细胞癌恶性程度的价值。方法 回顾性分析192例经病理证实为肾透明细胞癌(CCRCC)增强CT图像资料,其中低级别组(Ⅰ-Ⅱ级,n=111)、高级别组(Ⅲ-Ⅳ级,n=81)。对于增强CT皮质髓质期(CMP)、肾实质期(NP)、排泄期(EP)及三期联合的图像进行影像组学特征提取,运用最小绝对收缩率和选择运算符(LASSO)进行降维,选取有价值的组学特征,采用五折交叉验证将样本量分为训练组及测试组,训练组采用支持向量(support vector mach ine,SVM)及逻辑回归(logistic regression,LR)两类分类器创建CMR、NP、EP及三期联合的影像组学模型,运用受试者工作特征曲线下面积(AUC)、准确度、灵敏度、特异度、精确度最终评估影像组学模型对于肾透明细胞癌恶性程度的诊断效能,并用测试组进一步验证。结果 基于CMP、 NP、EP及三期联合图像所建立的影像组学模型与CCRCC恶性程度显著相关,且CMP影像组学模型对于CCRCC恶性程度诊断效能最高(R=0.83,1, 0.801)。SVM分类器模型测试组CMP、NP、...     

基于CT影像和临床特征的列线图模型预测NSCLC的EGFR突变状态

目的：探讨基于CT影像和临床特征的预测模型在评估非小细胞肺癌(NSCLC)病人的表皮生长因子受体(EGFR)突变中的价值。方法：收集经病理确诊的非小细胞肺癌病人258例(其中训练组182例,验证组76例)。采用单因素及多因素logistic回归分析,分析筛选出独立影响EGFR突变因素构建CT影像-临床预测模型。绘制列线图使模型可视化,最后利用受试者工作特性曲线、校准曲线及决策曲线评价模型的实用性。结果：最终筛选出性别、吸烟状况、毛刺征及胸膜凹陷征为NSCLC EGFR突变的独立预测因素并建立CT影像-临床预测模型。在训练组和验证组中,预测模型曲线下面积分别为0.799和0.797(P<0.01),预测效能较好。校准曲线显示训练组及验证组预测模型与观察结果具有良好的一致性。DCA显示模型预测EGFR突变取得较好的临床效益。结论：CT影像-临床特征预测模型对NSCLC病人EGFR突变预测价值良好,可作为临床术前预测的无创性工具。     

基于灰阶超声的不同影像组学模型鉴别乳腺肿块良恶性的价值

目的 探讨基于灰阶超声的不同影像组学模型鉴别乳腺肿块良恶性的临床价值.方法 回顾性分析2018年10月至2020年10月皖南医学院附属太和县人民医院经病理证实的180例患者的乳腺肿块灰阶超声图像并提取影像特征,将肿块按照7:3随机抽样,其中126个肿块作为训练组,54个肿块作为验证组.采用单因素方差分析及最小绝对收缩和...     

基于MRI影像组学列线图预测脑膜瘤术后脑水肿分级的价值

目的 探究基于多序列MRI影像组学列线图预测脑膜瘤术后脑水肿严重程度的临床应用价值。方法 回顾性分析2019年1月至2022年4月在蚌埠医学院第一附属医院经手术病理证实为脑膜瘤患者170例的术前MRI图像、术后CT图像及临床资料,轻度脑水肿患者101例、重度脑水肿患者69例。随机的将病例按照7:3分为训练组(119例)和验证组(51例)。采用医准-达尔文AI平台获得T₁WI、T₂WI及T₁WI+C图像的10个影像组学特征。根据最大绝对值归一化和选择算子回归进行特征降维、最优特征筛选(个数)最后采用逻辑回归建立模型,在此模型基础上绘制列线图。三种不同模型预测脑膜瘤术后水肿程度的诊断效能用特征曲线(ROC)下的面积(AUC)评估。结果 基于临床特征构建的临床模型、基于影像特征构建的影像模型及联合临床资料和影像特征构建的临床-影像组学模型在训练组和验证组的AUC均大于0.80,具有一定的预测效能。其中基于临床资料和影像特征构建的临床-影像组学模型在训练组(AUC=0.90)和验证组(AUC=0.91)均高于临床模型和影像组学模...