基于前列腺影像报告和数据系统第2版的机器学习模型诊断高级别前列腺癌

目的 建立基于前列腺影像报告和数据系统第2版（PI-RADS v2）的支持向量机（SVM）、决策树（DT）和Logistic回归3种机器学习模型,评价上述模型对高级别前列腺癌的诊断价值。方法 回顾性分析于我院接受前列腺多参数MR扫描并取得病理结果的194例患者的资料,其中高级别癌63例,非高级别癌131例。将评价因素（PI-RADS v2评分、年龄、游离前列腺特异抗原、前列腺特异性抗原比值、前列腺特异抗原密度）录入SVM、DT和Logistic回归3种机器学习模型进行诊断,通过ROC曲线评价PI-RADS v2评分和3种机器学习模型诊断高级别前列腺癌的价值。结果 PI-RADS v2、SVM、DT和Logistic回归模型诊断高级别前列腺癌的敏感度分别为72.73%、69.09%、87.27%和70.91%;特异度分别为87.29%、93.22%、93.22%和95.76%。DT模型诊断高级别前列腺癌ROC的AUC（AUC=0.90,P<0.01）最大,且与PI-RADS v2评分、SVM、Logistic回归比较差异均有统计学意义（P均<0.05）。结论 PI-RADS v2评分、SVM、DT和Logistic回归模型诊断高级别前列腺癌的价值均较好。     

PI-RADS v2.1评分联合前列腺特异性抗原衍生指标对灰区前列腺癌的诊断价值

目的 观察灰区前列腺癌[前列腺特异性抗原(prostate specific antigen, PSA)4～10μg/L]患者PI-RADS v2.1评分及PSA衍生指标水平,探讨二者联合对灰区前列腺癌的诊断价值。方法 116例前列腺疾病患者均行前列腺穿刺活检病理检查,其中前列腺癌33例为前列腺癌组,良性前列腺增生或前列腺炎83例为非前列腺癌组。2组前列腺穿刺活检前均行前列腺多参数MRI检查,对MRI图像行PI-RADS v2.1评分。采用电化学发光法检测总PSA(total PSA, tPSA)、游离PSA(free PSA, fPSA)水平,计算f/tPSA(fPSA/tPSA)。比较2组年龄、tPSA、fPSA、f/tPSA、前列腺体积、PSA密度(PSA density, PSAD)及PI-RADS v2.1评分。采用多因素logistic回归分析诊断灰区前列腺癌的影响因素。绘制ROC曲线,评估PSAD、PI-RADS v2.1评分单独及联合诊断灰区前列腺癌的效能。结果 前列腺癌组f/tPSA[0.13(0.12, 0.20)]低于非前列腺癌组[0.18(0.13, 0.24)...     

PI-RADS v2评分联合表观扩散系数在前列腺癌中的诊断价值分析

目的 探究前列腺影像报告和数据系统第二版(PI-RADS v2)评分联合表观扩散系数(ADC)对前列腺癌的诊断价值。方法 选取2017年7月—2021年7月治疗的80例前列腺疾病患者为研究对象,根据前列腺穿刺活检结果分为前列腺癌组51例和非前列腺癌组29例。所有患者在病情稳定状况下进行MRI平扫,测量ADC值,进行PI-RADS v2评分。比较2组PI-RADS v2评分及ADC值,采用受试者工作特征曲线评估PI-RADS v2评分联合ADC值对前列腺癌的诊断效能。结果 前列腺癌组PI-RADS v2评分明显高于非前列腺癌组,ADC值明显低于非前列腺癌组(P<0.01)。PI-RADS v2评分(阈值为4分)诊断前列腺癌的敏感度为82.35%,特异度为75.86%,准确度为80.00%,曲线下面积(AUC)为0.829;ADC值(阈值为850×10^-6 mm²/s)诊断前列腺癌的敏感度为78.43%,特异度为79.31%,准确度为78.75%,AUC为0.816;二者联合诊断前列腺癌的敏感度为92.16%,特异度为89.66%,准确度为...     

基于经直肠超声造影参数及临床资料建立机器学习模型诊断临床显著性前列腺癌

目的基于前列腺经直肠超声造影参数及临床相关资料建立机器学习模型, 并探讨各模型诊断临床显著性前列腺癌的效率。方法回顾性分析重庆大学附属肿瘤医院2018年11月至2021年9月接受经直肠超声造影检查并行经直肠超声引导下穿刺活检的患者151例。采用VueBox软件绘制时间-强度曲线, 定量分析上升时间、达峰时间、平均渡越时间、峰值强度、上升斜率等12个参数。将年龄、总前列腺特异抗原、游离前列腺特异抗原、游离前列腺特异抗原比值、体积、前列腺特异抗原密度及经直肠超声造影参数共18个特征参数, 通过相关属性值及信息增益属性值进行特征分析及特征筛选。将筛选特征通过机器学习单一算法及集成算法进行模型训练及测试, 后通过F1值及ROC曲线下面积(AUC)进行模型评价。结果相关属性值及信息增益属性值分别筛选出12个变量及5个变量建立机器学习模型, 集成算法建立模型均优于单一算法, 两种变量筛选方式基算法为决策树的Bagging集成算法模型AUC(0.810比0.789)及F1值(0.748比0.742)均为最高, 其次AUC及F1值均依序为Logistic回归、支持向量机(SVM)。结论基于经直肠超声造...     

基于钆塞酸二钠增强MRI的机器学习模型可预测肝细胞癌的微血管侵犯

目的  探讨基于钆塞酸二钠增强MRI的机器学习模型预测肝细胞癌微血管侵犯(MVI)的价值。方法  回顾性分析2017年1月~2020年12月接受钆塞酸二钠增强MR扫描的59例经病理证实为肝细胞癌患者的MRI图像资料及临床资料,依据术后病理结果分为MVI阴性组(n=34)及阳性组(n=25)。分别在肝胆特异期及表观弥散系数图像上测量得到信噪比及对比噪声比。采用主成分分析法对特征进行降维并构建支持向量机模型,采用ROC曲线及混淆矩阵评价模型的诊断效能。结果  构建的支持向量机预测模型诊断MVI的曲线下面积为0.92(95% CI: 0.83, 0.95),准确率为0.80,敏感度为0.64,特异性为0.91。结论  基于钆塞酸二钠增强MRI构建的机器学习模型在肝细胞癌术前诊断MVI具有较好的应用价值。     

双参数MRI联合PI-RADS v2.1在少数民族地区基层医院诊断前列腺癌的诊断效能和应用价值

目的:回顾分析应用双参数MRI(Bp-MRI)及新版前列腺影像报告和数据系统(PI-RADS v2.1)在少数民族地区基层医院中诊断前列腺癌(prostatic cancer,PCa)的诊断效能和应用价值。方法:收集2019年6月至2021年3月我院临床怀疑前列腺病变的各民族患者47例,行前列腺Bp-MRI(T2WI及DWI)检查,并对图像进行PI-RADS v2.1评分,以病理结果为金标准,分析Bp-MRI联合PI-RADS v2.1诊断PCa的敏感度、特异度、阳性预测值、阴性预测值。结果:47例病例经病理学证实的PCa20例,前列腺增生24例,良性前列腺增生合并前列腺炎3例。Bp-MRI联合PI-RADS v2.1诊断PCa的敏感度、特异度、阳性预测值及阴性预测值分别为100%、81.5%、80%、100%。结论::应用Bp-MRI联合PI-RADS v2.1诊断PCa具有操作简易、检查时间短、患者风险低、费用低、诊断价值高的优势,而且能有效提高PCa检出率,非常适于在少数民族地区基层医院应用推广。20例PCa均被评为5分,发现病变较晚。我们要加强对基层少数民族地区前列腺健康教育宣教,早诊断,早治疗。     

基于PI-RADS V2.1评分构建诺莫图预测PSA“灰区”前列腺癌的价值研究

目的探讨基于前列腺影像报告和数据系统版本2.1(PI-RADS V2.1)评分联合前列腺特异性抗原(PSA)及其他临床变量构建诺莫图对PSA"灰区"前列腺癌的预测价值。方法回顾性分析陕西省人民医院2016年10月~2021年10月204例行多参数MRI检查并有病理学结果的患者资料。单因素和多因素Logistic回归分析患者的年龄、体质指数(BMI)、总PSA(tPSA)、游离PSA(fPSA)、游离/总PSA(f/tPSA)、PSA密度(PSAD)、前列腺体积、直肠指诊(DRE)、PI-RADS V2.1评分与前列腺癌的相关性。确定预测PSA"灰区"前列腺癌的独立危险因素,使用R软件构建诺莫图预测模型。并通过绘制ROC曲线比较诺莫图模型与其他独立预测因素的诊断效能。结果PSAD、体积、PI-RADS V2.1评分、年龄和tPSA是预测"灰区"前列腺癌的独立危险因素。基于上述5个临床指标构建的诺莫图模型AUC值最高,为0.896。其他临床独立指标中,PI-RADS V2.1评分AUC值最高(0.854),年龄、体积、PSAD、tPSA的AUC值分别为0.625、0.706、0.739、0.615。结论基于PI-RADS V2.1联合临床指标建立的个体化诺莫图预测模型,可用于预测血清PSA处于"灰区"的前列腺癌,有助于减少不必要的穿刺。     

PI-RADS v2.1和PI-RADS v2对移行带前列腺癌诊断价值的研究

目的 研究PI-RADS v2.1和PI-RADS v2(第2.1版和第2版前列腺影像报告与数据系统)在移行带前列腺癌(prostate cancer,PCa)和临床显著性前列腺癌(clinically significant prostate cancer,csPCa)诊断中的价值.材料与方法 回顾性分析108例[病...     

外周带前列腺癌多参数MRI与前列腺临床显著癌及Gleason评分的相关性

目的探讨基于第2版前列腺影像报告和数据系统(PI-RADS v2)评分的外周带前列腺癌多参数MRI(mp-MRI)与前列腺临床显著癌及Gleason评分的相关性。方法回顾性分析T2WI、扩散加权成像(DWI)和动态增强MRI(DCE-MRI)诊断且经穿刺病理证实的91例外周带前列腺癌(阳性组)、70例前列腺增生和21例前列腺炎(阴性组)患者,采用PI-RADS v2评分标准进行盲法评分,分析其结果与外周带前列腺临床显著癌及Gleason评分的相关性,并以受试者工作特征(ROC)曲线分析PI-RADS v2评分诊断外周带前列腺临床显著癌的敏感度、特异度和准确率。结果 PI-RADS v2评分诊断外周带前列腺临床显著癌的曲线下面积(AUC)为0.965[95%CI(0.930,1.000),P<0.01];评分为4分时约登指数最大(0.877),诊断前列腺临床显著癌的敏感度、特异度和准确率分别为98.61%、89.09%和92.86%。以PI-RADS v2评分3分为穿刺指征,使36.26%(66/182)患者免于不必要的穿刺,但漏诊2例非临床显著前列腺癌。PI-RADS v2评分与...     

评价第二版前列腺影像报告和数据系统对前列腺临床显著癌的检出效能

目的 探讨第二版前列腺影像报告和数据系统（PI-RADS v2）用于前列腺多参数MRI对前列腺临床显著癌的诊断效能。方法 回顾性收集本院前列腺MR检查数据库资料,筛选临床、影像及病理结果齐全的前列腺疾病初诊患者64例。由1名有经验的影像科医师阅片,根据PI-RADS v2对病灶进行评分。以病理结果为金标准,评价PI-RADS v2对前列腺癌及前列腺临床显著癌的诊断效能。结果 64例患者中,前列腺癌33例（其中临床显著癌29例,非临床显著癌4例）,非前列腺癌31例。PI-RADS v2对前列腺癌及前列腺临床显著癌检出的ROC曲线下面积分别为0.95、0.96。PI-RADS v2诊断前列腺临床显著癌的敏感度为96.55%,特异度为88.57%。结论 采用PI-RADS v2对前列腺临床显著癌诊断效能很高,推荐临床常规使用。     

基于多参数MRI及影像组学建立机器学习模型诊断临床显著性前列腺癌

目的 建立基于多参数MRI（mpMRI）和影像组学特征的机器学习模型,评价其诊断临床显著性前列腺癌（CSPC）的价值。方法 结合纹理分析、MR动态增强定量分析、前列腺影像报告与数据系统（PI-RADS）评分和部分临床资料建立Logistic回归（LR）、逐步回归（SR）、经典决策树（cDT）、条件推断树（CIT）、随机森林（RF）和支持向量机（SVM）模型,运用ROC曲线和决策曲线分析法（DCA）评价上述模型和变量的重要性。结果 验证组中RF模型诊断CSPC的AUC大于SVM、cDT、SR模型（P均<0.05）,RF模型与LR、CIT模型诊断CSPC的AUC差异无统计学意义（P均>0.05）,其余各模型间诊断CSPC的AUC差异无统计学意义（P均>0.05）。概率阈值为16%~91%时,RF模型的净获益最大,优于其他模型;概率阈值为23%~91%时,SVM模型的净获益仅次于RF模型而优于其他模型。前列腺特异性抗原密度（PSAD）和部分纹理分析参数的重要性较高。结论 RF模型诊断CSPC优于其他模型,SVM模型次之。PSAD和纹理分析相关参数诊断CSPC的重要性高于PI-RADS评分和动态增强MRI定量参数。     

基于机器学习方法建立血清多种肿瘤标志物联合区分胃炎和胃癌的三种模型及评价

目的 基于三种机器学习方法建立多肿瘤标志物联合区分胃炎和胃癌模型。方法 选取2010～2021年期间来西京医院就诊诊断为胃炎和胃癌的患者13 727例,收集入组患者基本信息（年龄和性别）、甲胎蛋白（alpha-fetoprotein,AFP）、癌胚抗原（carcinoembryonic antigen, CEA）、糖链抗原19-9(carbohydrate antigen 19-9, CA19-9)及糖链抗原125(carbohydrate antigen 125, CA125)结果。采用随机森林（randomforest,RF）、决策树（decisiontree, DT）和K最邻近法（K-nearest neighbor, KNN）三种机器学习算法挖掘入组患者6种变量的数据,建立区分胃炎和胃癌模型。验证各模型对所有入组患者、不同年龄层的入组患者、AFP阴性入组患者的胃炎和胃癌鉴别能力,并与单肿瘤标志物鉴别能力做对比。结果 利用机器学习算法构建的RF-pv6,DT-pv6和KNN-pv6模型对所有的患者诊断曲线下面积（area under the curve, AUC）均高于0.742...     

基于机器学习的慢性阻塞性肺疾病急性加重预测模型的研究

目的 针对慢性阻塞性肺疾病急性加重期(AECOPD)患者肺功能检测存在误差大、准确性差的问题,开发AECOPD患者的肺功能预测模型,通过比较不同机器学习模型的预测性能,找到最优的模型。方法 选取2018年1月至2020年2月南京医科大学附属苏州科技城医院不同患病程度的慢性阻塞性肺疾病(COPD)患者90例。利用6种机器学习算法(K-最近邻、逻辑回归、支持向量机、朴素贝叶斯、决策树和随机森林)建立预测分类模型,比较受试者工作特征曲线下面积(AUC-ROC)和准确性。采用10折交叉验证对数据集进行验证。结果 基于随机森林的模型相较于其他模型预测性能最佳,准确率达到0.844,AUC-ROC为0.916。结论 基于随机森林的预测模型能够辅助临床医生在难以给出确切诊断时提供决策支持。     

基于PI-RADS 2.1探讨1.5T MRI两种不同b值FOV的DWI对前列腺病变的诊断价值

目的:以PI-RADS 2.1为基础,比较1.5T磁共振(MRI)两种b值、不同视野(FOV)的DWI对前列腺病变的诊断价值.方法:运用1.5T磁共振前瞻性搜集上海市徐汇区大华医院2019年12月—2020年12月收治的55例前列腺病变患者共60个前列腺病灶进行检查,其中弥散加权成像(DWI)分别采用b值1000 s/...     

前列腺癌弥散加权成像与非影像学指标结合的Logistic回归预测模型

目的建立前列腺癌弥散加权成像（DWI）与非影像学指标结合的Logistic回归预测模型,评估患者前列腺癌发病的可能性,以便后续诊断方法的选择和分析。方法回顾性分析114例2012年1月—2013年6月在复旦大学附属肿瘤医院先后行DWI和经直肠超声引导下前列腺穿刺活检患者的资料,其中前列腺癌患者70例、非肿瘤患者44例。应用DWI影像评价患者前列腺癌发病率,按危险高低行前列腺影像报告和数据系统（PI-RADS）评分（由低到高依次为1~5分）。随机抽取一半患者分入建模组,其余分入验证组。分析建模组中良恶性病例年龄、前列腺特异性抗原（PSA）、游离PSA与总PSA比值（f/t PSA）、肛门指检（DRE）、PI-RADS分级等指标的差异,选取有统计学差异的指标为考察变量,以穿刺病理是否为前列腺癌为应变量,建立两项Loglstic回归模型。A：非影像学指标＋PI-RADS;B：只含非影像学指标。利用验证组病例数据建立Loglstic回归模型和PI-RADS预测概率的受试者工作特征（ROC）曲线,分析其相应的灵敏度、特异度,确定最佳界值。结果良恶性患者PSA、f/t PSA、DRE及PI-RADS分级有显著统计学意义（P〈0.05）,纳入考察变量。前列腺癌Logistic回归预测模型建立如下：A：Logit P=-6.18＋0.0006PSA＋1.73DRE-8.01 f/t PSA＋1.3 PI-RADS;B：Logit P=-0.095＋0.0467PSA＋1.88DRE-7.3959 f/t PSA。应用A模型预测验证组的穿刺结果,ROC曲线的曲线下面积（AUC）为0.902,明显高于单独使用DWI PI-RADS分级（0.835）和临床指标（0.751）。A、B模型最佳灵敏度和特异度分别为86.4%、80.0%,90.9%、62.9%;PI-RADS分级最佳灵敏度和特异度为63.6%和94.3%。结论联合PSA、f/t PSA、DRE及PI-RADS这4个指标,利用Logistic回归预测模型有助于评估个体患前列腺癌的可能性,准确率较高,为可疑前列腺癌患者行前列腺穿刺提供了更充分的依据。     

随机森林模型预测急性心肌梗死后急性肾损伤

目的:建立随机森林模型预测急性心肌梗死（acute myocardial infarction,AMI）患者并发急性肾损伤（acute kidney injury, AKI）。方法:使用温州医科大学附属东阳医院大数据平台,筛选出1 363例患AMI的病例,确定30个变量后,统计分析样本临床特点,将样本划分为75%的训练集建立随机森林模型,以及25%的测试集进行验证,使用R语言进行数据的筛选及模型的建立。最后根据特异性、敏感性、准确性、受试者特征工作特征曲线(relative operating characteristic curve, ROC曲线)等来评估模型性能,同时与其他三种常用的机器学习算法（神经网络,朴素贝叶斯,支持向量机）的模型性能进行比较。结果:AMI合并AKI的患者的人口学信息、心血管疾病的危险因素、入院时的生命体征、实验室检查等与未合并急性肾损伤的患者存在差异性。模型评估后得出测试集的ROC曲线下面积为0.893,特异度为0.791,灵敏度为0.866,其中入院首次肌酐、首次尿素、D-二聚体、年龄、机械通气是其最重要的影响因素。在本研究中,多种机器学习算法比较后,随机森林模型较有优势。结论:建立的随机森林模型具有帮助预测AMI并发AKI的潜力。