CT影像组学模型预测CNLC Ⅰ～Ⅱ期肝细胞癌切除术后早期复发的研究

目的 建立术前CT影像组学预测模型对中国肝癌分期(CNLC)Ⅰ～Ⅱ期肝细胞癌(HCC)切除术后早期复发进行预测。方法 回顾性分析接受手术切除的CNLCⅠ～Ⅱ期HCC患者153例的资料。用3D slicer软件勾画肿瘤感兴趣区(ROI),用pyradiomics包提取影像组学特征。基于LASSO算法进行特征筛选、并建立影像组学标签(Rad-score)。采用单因素Logistic回归和多因素Logistic逐步回归法确立独立预测因子,构建影像组学预测模型和临床预测模型。用受试者工作特征曲线(ROC)曲线下面积(AUC)来比较模型的区分度,用校准曲线评估模型的校准度,用临床决策曲线分析(DCA)评估模型的临床应用价值。结果 Rad-score、瘤内供血动脉、肝功能白蛋白-胆红素分级(ALBI分级)、性别是独立预测因子。影像组学模型具有良好的预测效能(AUC:训练组0.900,验证组0.853),优于临床模型(AUC:训练组0.823,验证组0.741)。校准曲线显示影像组学模型具有良好的校准度。DCA显示阈值概率在0.1～1.0时,影像组学模型的净获益要高于临床模型。结论 基于CT影像组学...     

基于CT影像组学模型术前预测喉癌淋巴结转移

【摘要】目的：研究CT影像组学在术前预测喉癌患者淋巴结转移中的价值。方法：搜集本院304例经手术病理证实为喉癌患者的影像学资料,随机选择243例及61例分别作为训练集和验证集。从术前静脉期CT图像中手工勾画肿瘤体积并提取影像组学特征。在训练集中,采用LASSO回归进行特征筛选,使用Logistic回归分别构建影像组学模型、形态学模型及二者联合模型。利用受试者工作特征（ROC）曲线评价各个模型的预测效能,并对模型的ROC曲线行Delong检验。在验证集中评估各种模型的诊断效能。结果：最后获得5个影像组学特征。在训练集中,影像组学模型ROC曲线下面积（AUC）为0.85（95%CI：0.77~0.93）,形态学模型AUC为0.66（95%CI：0.59~0.72）,联合模型AUC为0.82（95%CI：0.74~0.91）;在验证集中,影像组学模型AUC为0.83（95%CI：0.69~0.97）,形态学模型AUC为0.59（95%CI：0.40~0.77）,联合模型AUC为0.73（95%CI：0.56~0.91）。Delong检验显示影像组学模型与形态学模型差异、联合模型与形态学模型差异均有统计学意义（P＜0.05）,而联合模型与影像组模型差异无统计学意义（P＞0.05）。结论：基于病灶为兴趣区的CT影像组学模型可以术前较好地预测喉癌淋巴结转移,其诊断效能高于形态学模型。     

CT影像组学在胃肠道间质瘤危险度分级预测中的价值

目的 探讨基于CT影像组学在术前预测胃肠道间质瘤(GIST)危险度分级的价值。方法 回顾性搜集经手术切除病理确诊为GIST且具有完整术前CT增强扫描图像及临床资料的127例患者,依据病理结果将其分为低危组(极低风险和低风险)和高危组(中风险和高风险)。使用达尔文平台在每例患者的增强CT动脉期图像上提取影像组学特征,然后以7∶3的比例随机分为训练组(n=88)和验证组(n=39)。通过最小绝对收缩降维和选择算子算法(LASSO),利用Logistic回归方法建立预测模型。诊断医师于PACS系统中观察两组病例的主观CT特征和临床资料,利用统计显著性特征构建预测模型。采用受试者工作特征(ROC)曲线评价模型的预测效能。结果 从CT动脉期图像中提取的939个影像组学特征参数中经筛选最终选择5个特征参数,构建影像组学预测模型。对于训练组,曲线下面积(AUC)为0.923(95%CI:0.846～0.969);验证组的AUC为0.917(95%CI:0.783～0.981)。两组在肿瘤最大径和肿瘤形态方面存在显著差异,用于建立临床-CT征象预测模型,训练组的AUC为0.865(95%CI:0.77...     

基于增强CT影像组学模型预测膀胱尿路上皮癌组织学分级

目的 构建基于增强CT影像组学模型用于术前预测膀胱尿路上皮癌（BUC）的组织学分级。资料与方法 回顾性分析2016年11月—2020年9月广州市第一人民医院127例经病理证实的高级别尿路上皮癌和低级别尿路上皮癌,随机分为训练集89例和验证集38例。在平扫、动脉期、静脉期CT图像上提取病灶影像组学特征。使用Logistic回归构建影像组学预测模型,绘制受试者工作特征曲线,并计算曲线下面积评价模型预测BUC组织学分级的效能,采用决策曲线评价模型鉴别高级别尿路上皮癌和低级别尿路上皮癌的净获益。结果 基于每例患者的三期CT图像共提取出5 202个影像组学特征,经过特征筛选后最终得到20个特征用于构建预测模型。模型在训练集及验证集中诊断BUC组织学分级的曲线下面积分别为0.90(95%CI0.83～0.96)和0.93(95%CI 0.85～1.00)。结论 基于增强CT影像组学构建的模型术前预测BUC组织学分级具有良好的诊断效能。     

MRI影像组学联合炎症因子对肝细胞肝癌微血管侵犯的预测价值

【摘要】目的：探讨基于MRI影像组学联合炎症因子术前预测肝细胞肝癌（HCC）微血管侵犯（MVI）的价值。方法：纳入经病理证实的HCC患者221例,其中MVI阳性117例,MVI阴性104例。比较MVI阴性与阳性患者的炎症因子、影像特征差异,运用多因素Logistic分析确定MVI的独立危险因素,建立影像特征及炎症因子预测模型。勾画Gd-DTPA 增强门静脉期瘤周20mm及瘤内所有层面,使用最小绝对收缩和选择算子（LASSO）算法筛选影像组学特征,建立瘤周、瘤内、瘤周及瘤内共三种影像组学模型。选择瘤周、瘤内影像组学及炎症因子建立联合预测模型,使用ROC曲线在验证组中评估模型的预测效能。结果：Logistic多因素分析结果显示肿瘤最大直径、包膜、动脉期瘤周强化、［碱性磷酸酶（ALP）+γ-谷氨酰转肽酶(GGT)］/淋巴细胞计数（AGLR）是MVI的独立危险因素,基于上述独立危险因素建立的影像特征及炎症因子预测模型预测HCC MVI的ROC曲线下面积（AUC）训练组为0.80,验证组为0.75。基于瘤周及瘤内影像组学建立的影像组学模型较仅包含瘤内影像组学的模型预测HCC MVI的AUC高（瘤周及瘤内模型在训练组和验证组的AUC分别为0.83、0.79,瘤内模型在训练组和验证组的AUC分别为0.75、0.73）。瘤周、瘤内影像组学及炎症因子构建的联合预测模型预测HCC MVI的AUC训练组为0.87,验证组为0.82。结论：基于Gd-DTPA门静脉期建立的瘤周及瘤内影像组学模型可对HCC MVI进行术前预测,联合炎症因子可进一步提高其预测效能。     

基于增强CT影像组学列线图预测进展期胃癌隐匿性腹膜转移

目的 探讨基于增强CT影像组学列线图在术前预测进展期胃癌隐匿性腹膜转移（PM）中的价值。方法 回顾性收集经手术病理证实为进展期胃癌且行术后PM评估的110例病人的临床及影像学资料,其中男77例,女33例,平均年龄（64.65±10.24）岁。所有病人术前均行全腹部增强CT检查且PM诊断为阴性。将全部病人按7∶3的比例随机分为训练集77例（术后PM阳性33例）与验证集33例（术后PM阳性14例）。采用卡方检验及二元Logistic回归分析筛选与隐匿性PM显著相关的独立预测因素来构建临床模型。基于增强CT影像提取并筛选影像组学特征,构建组学模型并计算模型的影像组学评分（Radscore）。将临床独立预测因素与Radscore联合来构建联合模型及其列线图。采用受试者操作特征（ROC）曲线评估各模型的预测效能,DeLong检验比较各模型间的AUC值,并用校准曲线及决策曲线分析评估联合模型的拟合优度和临床价值。结果 在训练集及验证集中,联合模型的预测效能（AUC值分别为0.944、0.915）均高于临床模型（AUC值分别为0.780、0.865）及组学模型（AUC值分别为0.844、0.825）...     

基于影像组学构建乳腺癌前哨淋巴结转移预测模型的研究

目的:探讨基于MRI动态增强扫描(DCE-MRI)的影像组学在预测乳腺癌前哨淋巴结(SLN)转移中的价值。方法 :回顾性收集经病理证实并行DCE-MRI检查的浸润性乳腺癌164例(训练组124例,验证组40例)。在DCE-MRI图像上提取影像组学特征,并计算DCE参数,采用Lasso-Logistic回归模型对影像组学特征进行筛选。分别建立单纯影像组学模型、单纯DCE参数模型及联合模型。采用ROC的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;在验证队列中评估其预测效能。结果:共提取396个影像组学特征,经筛选得到28个特征,联合DCE参数分别建模。对于术前预测SLN转移的效能,在训练组中单纯影像组学模型AUC的95%CI为0.81(0.72,0.89),单纯DCE参数模型AUC的95%CI为0.77(0.68,0.86),联合预测模型AUC的95%CI为0.80(0.72,0.89);在验证组中单纯影像组学模型AUC的95%CI为0.74(0.59,0.89),单纯DCE参数模型AUC的95%CI为0.74(0.59,0.90),联合预测模型AUC的95%CI为0.76(0.61,0.91),Delong检验显示差异无统计学意义(P 0.05),联合模型的效能可能稍高。结论:基于DCE-MRI图像提取影像组学特征及DCE参数建立预测模型,作为一种无创性预测乳腺癌SLN转移的工具,有良好的应用前景。     

基于术前CT影像组学特征预测肺腺癌患者EGFR突变状态的研究

目的 探讨术前CT影像组学特征在预测肺腺癌患者EGFR突变中的价值。方法 回顾性搜集经病理证实为肺腺癌且检测EGFR突变状态的患者共286例,其中,EGFR突变126例,野生型160例。按7∶3的比例随机分为训练集和验证集。从每个患者的感兴趣区内分别提取1468个组学特征,采用Wilcoxon检验、最小绝对收缩和选择算子(LASSO)回归和Logistic回归筛选影像组学特征。在训练集中采用Logistic回归的方法构建预测模型,并在验证集中评估其性能。通过ROC曲线评价模型的预测性能,并计算曲线下面积(AUC)、敏感度、特异度和准确性。DeLong检验用于比较各模型AUC之间的差异。结果 两个临床因素(性别和吸烟史)与EGFR突变独立相关(P<0.05),而年龄、CEA和肿瘤位置在两组之间差异无统计学意义(P>0.05)。9个影像组学特征在两组之间有显著差异(P<0.05)。训练集中,临床模型、组学模型和综合模型的AUC分别为0.692、0.762和0.814,而在验证集中分别为0.712、0.779和0.827。训练集中,综合模型与临床模型、组学模型AUC的差异具...     

基于增强CT影像组学预测食管鳞癌淋巴血管侵犯状态的价值

目的:探讨基于增强CT影像组学预测食管鳞癌(ESCC)淋巴血管侵犯(LVI)的价值。方法:回顾性搜集行根治性切除术并经术后病理证实的224例食管鳞癌患者,其中包括66例LVI阳性和158例LVI阴性患者。所有患者均在术前2周内进行胸部增强CT扫描。将入组的患者按照7:3的比例随机分为训练集和测试集。使用3D Slicer软件逐层勾画全肿瘤感兴趣区(ROI),采用Python软件的Pyradiomics包提取肿瘤组织的影像组学特征,建立影像组学模型用于预测食管鳞癌的LVI状态并进行验证。采用受试者工作特征(ROC)曲线的曲线下面积(AUC)、敏感度、特异度、准确度、阳性预测值和阴性预测值来评价影像组学模型的诊断效能,使用校准曲线评价影像组学模型在训练集和测试集中的拟合程度。使用决策曲线分析(DCA)评价影像组学模型的临床应用价值。结果:从全肿瘤ROI中提取了1130个组学特征,经过筛选最终保留了7个影像组学特征,并使用多因素logistic回归建立影像组学预测模型。在训练集中,影像组学模型预测LVI的AUC值为0.930,敏感度为0.851,特异度为0.919,准确度为0.899,阳性预...     

基于MRI影像组学预测宫颈癌Ki-67表达水平

目的:开发并验证基于多参数MRI图像特征的影像组学特征预测模型对术前宫颈癌症患者的Ki-67指数状态的预测。方法:回顾性分析来自两个不同机构的91例宫颈癌患者的MRI影像及病理结果。根据术后免疫组化结果，将Ki-67指数分为高表达组(>60%)及低表达组(≤60%)。从每位患者的T₂/SPAIR、ADC和CE T₁WI图像中共提取3390个影像学特征。单变量分析和最小绝对收缩选择算子(LASSO)对影像组学特征进行降维处理，最终筛选出关键特征。采用Logistic回归、决策树、支持向量模型(SVM)方法构建模型。采用受试者操作特征(ROC)曲线分析影像组学特征的预测准确性，计算曲线下面积(AUC)。结果:91例患者中，27例Ki-67低表达，64例Ki-67高表达。最终从T₂/SPAIR、CE T₁WI、ADC图像中分别筛选出4、6、5个影像学特征。对Ki-67状态的预测，三个序列对应的模型构建方法为Logistic回归、SVM、Logistic模型，最终获得的训练组AUC分别为0.801、0...     

MR影像组学诺模图预测子宫内膜癌宫颈间质浸润的价值

目的 探讨基于MR影像组学的诺模图术前预测子宫内膜癌(EC)宫颈间质浸润(CSI)的价值。方法 回顾性分析156例EC患者术前临床及MR资料。利用MaZda软件获取影像组学特征,采用LASSO筛选参数并建立影像组学得分。利用多因素Logistic回归方法建立预测模型,并以诺模图呈现,采用受试者工作特征曲线(ROC)评价模型的预测效能。结果 CSI+56例,CSI-100例,常规MR模型、影像组学模型、诺模图模型诊断CSI的曲线下面积(AUC)为分别为0.80、0.90、0.91,影像组学模型及诺模图模型预测效能优于常规MR模型(P<0.05)。结论 基于MR影像组学的诺模图对EC CSI术前个体化预测具有较高的价值。     

基于增强CT影像组学在宫颈癌根治性放疗疗效的研究

目的 探讨基于增强CT的影像组学对宫颈癌患者根治性放疗疗效的二分类预测，进一步对其进行四分类预测，并建立四分类预测模型，为临床宫颈癌精准治疗提供基础支撑。方法 回顾性分析2016年7月至2021年7月川北医学院附属医院肿瘤放疗科收治的宫颈癌患者316例，行根治性放疗后评效结果为：完全缓解(CR)77例、部分缓解(PR)161例、疾病稳定(SD)71例和疾病进展(PD)7例。将纳入患者治疗前增强CT图像进行感兴趣区(ROI)勾画，并提取相关影像组学特征，然后采用自适应合成抽样法将数据平衡至644例。根据CR、PR、SD、PD四分类标签经过互信息、基于随机森林递归特征消除法得到最相关的影像组学特征，分别带入逻辑回归(LR)与支持向量机(SVM)进行模型训练、验证和测试，根据模型评价指标选出最优模型。绘制各模型的受试者工作特征曲线(ROC),并计算曲线下面积(AUC)。结果 经过特征筛选后，选出5个最相关的影像组学特征，对于LR四分类模型：测试集准确率为0.531,micor AUC值与macor AUC值分别为0.755、0.737;SVM四分类模型：测试集准确率为0.636,micor ...     

基于CT影像组学构建术前预测胰腺癌神经周围侵犯模型的研究

目的 探讨基于增强CT影像组学特征联合传统影像特征、临床信息建立的模型术前预测胰腺癌发生神经周围侵犯(PNI)的可行性及价值。方法 回顾性分析137例术后病理证实为胰腺癌患者的增强CT影像特征及临床资料,其中有PNI患者98例,无PNI患者39例,按照7∶3比例随机分为训练组96例,验证组41例。利用3D Slicer分别在术前增强CT动、静脉期图像上手动勾画肿瘤,Pyradiomics提取特征,最小冗余最大相关算法(mRMR)、最小绝对收缩和选择算子(LASSO)进行特征的降维、筛选,在训练组分别构建独立组学模型、临床-传统影像模型及融合组学模型,验证组验证模型效能。绘制ROC曲线评价预测模型的效能。结果 最终动脉期、静脉期、动脉期联合静脉期分别筛选出3个、2个、2个组学特征,3个期相分别建立的独立组学模型、临床-传统影像模型及融合组学模型中均是融合组学模型性能最高,动脉期、静脉期、动脉期联合静脉期融合组学模型在训练组AUC值分别为0.83、0.85、0.80,在验证组AUC值分别为0.78、0.76、0.80。结论 基于增强CT影像组学特征联合血管侵犯构建的融合组学模型能在术前有效...     

基于多序列MRI影像组学模型预测脑膜瘤病理分级的价值

【摘要】目的：探讨基于多序列MRI影像组学模型预测脑膜瘤病理分级的价值。方法：回顾性分析经手术病理证实的215例脑膜瘤患者的临床及MRI资料。其中,低级别组174例,高级别组41例。将所有患者按照7∶3的比例随机分为训练组和验证组。采用ITP-SNAP软件,分别在T2WI、DWI和对比增强T1WI图像上勾画肿瘤的三维ROI,使用AK软件提取影像组学特征。采用Spearman相关性分析及多元Logistic回归分析筛选组学特征并构建影像组学标签。使用ROC曲线下面积（AUC）评价影像组学模型的预测效能。结果：高级别组与低级别组之间年龄和性别构成的差异均无统计学意义（P>0.05）。基于T2WI、DWI和对比增强T1WI的单序列及多序列联合影像组学模型预测高、低级别脑膜瘤的AUC均大于0.700。基于单序列的影像组学模型中,增强T1WI在训练组和验证组的AUC分别为0.942和0.913,均高于其它两个序列。基于MRI多序列联合的影像组学模型预测高、低级别脑膜瘤的AUC值最高,在训练组的AUC为0.950,在验证组的AUC为0.923。结论：MRI影像组学模型能够预测脑膜瘤的病理分级,尤其是多序列联合的影像组学模型对脑膜瘤病理分级具有较高的预测效能。     

增强MRI影像组学对肝癌微血管侵犯的预测价值

目的:探讨基于增强MRI影像组学方法对肝细胞肝癌微血管侵犯(MVI)的术前预测价值。方法:回顾性分析108例经手术病理证实为肝细胞肝癌病例的临床及增强MRI图像资料,其中MVI阳性45例,MVI阴性63例。对增强MRI动脉期(AP)、门静脉期(PVP)及延迟期(DP)图像进行影像组学特征提取,筛选最有价值的组学特征,采用五折交叉验证将样本量训练组和测试组,对训练组构建基于AP、PVP、DP及基于3期特征融合的影像组学联合逻辑回归模型,并对MVI的独立预测因子构建逻辑回归模型。选择最优影像组学模型并结合临床影像特征模型构建临床影像组学模型。所有模型结果均用五折交叉均值表示。模型采用受试者工作特征曲线(ROC)分析模型的有效性,并用测试组进一步验证。结果:MVI临床影像特征的独立预测因素包括甲胎蛋白、肿瘤最大径、瘤内动脉及包膜情况。临床影像特征模型在训练组的诊断效能ROC曲线下面积(AUC)值0.864,测试组AUC值0.843。AP、PVP、DP及3期联合模型在训练组的诊断效能AUC值分别为0.898、0.874、0.894及0.898,测试组AUC值分别为0.861、0.864、0.8...     

基于CT影像组学鉴别乏脂肪型肾血管平滑肌脂肪瘤与肾透明细胞癌

目的 通过构建CT影像组学的Logistic回归模型鉴别乏脂肪型肾血管平滑肌脂肪瘤(fp-AML)与肾透明细胞癌(RCC)。方法 选取并分析经病理证实的22例fp-AML和62例RCC患者,进行三期CT扫描(平扫期,UP;皮质期,CMP;髓质期,NP)。在ITK软件上勾画整个肿瘤的感兴趣区。在A. K．软件上通过影像组学特征选择,构建UP组、CMP组和NP组三个Logistic回归模型。通过ROC曲线来评估其诊断效能。结果 常规CT分析显示fp-AML相对年轻,而RCC病灶易出现瘤肾界面成角征、囊变、假包膜特征。影像组学分析显示,UP组Logistic回归预测模型在训练集中曲线下面积(AUC)为0.950,测试集为0.917; CMP的AUC分别为0.839及0.827; NP组的AUC分别为0.840及0.865。三组比较UP组AUC,敏感性及特异性分别为0.941,90.3%,90.9%,优于CMP组及NP组。结论 基于CT影像组学的Logistic回归模型有助于鉴别fp-AML和RCC,平扫期鉴别效能较优。     

CT影像组学模型对甲状腺良恶性结节的鉴别价值

目的探讨CT影像组学模型对良恶性甲状腺结节的鉴别诊断价值。方法回顾性分析2017年5月至2018年8月间南京医科大学附属淮安第一医院经病理证实的179例甲状腺结节患者的临床和影像资料。良性结节89例,恶性结节90例。患者术前均行甲状腺结节CT平扫和增强扫描。采用分层随机抽样方法将患者按照8∶2的比例分为训练组(143例)与测试组(36例),采用A.K软件基于术前CT图像提取378个影像组学特征,后采用Spearman相关分析与最小绝对收缩和选择算子回归分析进行特征筛选与模型构建,在训练组与测试组中应用受试者操作特征(ROC)曲线对模型进行验证,评价影像组学特征预测良恶性甲状腺结节的效能。结果经过特征筛选,16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0.92(95%可信区间:0.88~0.97),灵敏度和特异度分别为88.7%、82.0%,诊断准确率91.1%;测试组中AUC为0.90(95%可信区间:0.81~0.98),灵敏度和特异度分别为88.5%、84.6%,诊断准确率88.2%。结论基于CT的影像组学模型对良恶性甲状腺结节有较高的诊断效能。     

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。     

MRI影像组学术前预测脑膜瘤病理分级的研究

【摘要】目的：探讨基于MRI的影像组学分析对脑膜瘤病理分级的预测效能。方法：回顾性分析经病理证实的137例脑膜瘤患者的MRI资料（T2WI和对比增强T1WI），其中低级别脑膜瘤（WHO Ⅰ级）99例，高级别脑膜瘤（WHO Ⅱ级）38例。按7:3的比例将患者分为训练组（95例）和验证组（42例）。评估肿瘤的常规MRI征象，包括双侧分布、部位、形状、T2WI上信号是否均匀、血管流空现象、瘤周水肿、强化是否均匀、强化程度、脑膜尾征、邻近组织侵袭情况及是否跨中线生长等。应用IBEX软件，在瘤体内手动勾画ROI，自每个MRI序列上提取5个特征组共736个影像组学特征，使用最小绝对收缩和选择算子（LASSO）及10折交叉验证法进行降维。在训练组中，采用Logistic回归分析进行建模，共构建3个模型，即影像特征模型、影像组学模型和联合诊断模型。在验证组中，绘制3个模型的受试者工作特征曲线（ROC）来评估其预测效能。结果：在训练组和验证组中，高级别和低级别脑膜瘤患者的各项一般临床资料的差异均无统计学意义（P>0.05）；各项常规MRI征象中，仅血管流空和强化是否均匀这两个特征在低级别和高级别脑膜瘤间的差异有统计学意义（P<0.05）。通过降维后共筛选出13个影像组学特征。在验证组中对3个模型分别进行效能评估，ROC曲线分析显示：影像特征模型预测脑膜瘤病理分级的敏感度为66.7%，特异度为80.0%，AUC为0.800；影像组学模型的预测敏感度为66.7%，特异度为86.7%，AUC为0.811；联合诊断模型的预测敏感度为100.0%，特异度为66.7%，AUC提高至0.856。结论：基于MR T2WI及增强T1WI的影像组学分析有助于术前预测脑膜瘤的病理分级，影像组学分析方法具有较好的临床应用前景。     

基于CT增强扫描动脉期图像的纹理分析在肝细胞癌病理分化程度预测中的价值研究

目的 探讨基于CT增强扫描动脉期的纹理分析在肝细胞癌(HCC)病理分化程度预测中的价值。方法 将病理证实为HCC的患者99例(包括106个病灶,所有病灶术后病理均诊断为HCC)作为研究对象,根据病理结果分为中低分化、高分化两组。采用MaZda软件对所有病例术前CT增强扫描动脉期的原始图像进行纹理特征提取并用MaZda自带的“分类错误概率联合平均相关系数(POE+ACC)”功能筛选出意义最显著的10个纹理特征。选用t检验或Mann-Whitney U检验对这10个纹理特征进行组间比较,使用受试者工作特征曲线(ROC)计算单个纹理特征鉴别HCC病理分化程度的效能,最后用二元Logistic回归模型对差异有统计学意义且曲线下面积(AUC)>0.5的纹理参数行进一步自变量筛选并建立预测模型,采用AUC值、灵敏度、特异度评价该预测模型的预测效果,P<0.05为差异有统计学意义。结果 “POE+ACC”筛选出的纹理参数中,共有7个纹理特征在HCC中低分化、高分化组的组间比较中差异有统计学意义(P<0.05),除峰度(Kurtosis)外,其余的6个参数AUC值均>0.5,其...