基于多参数MRI影像组学方法鉴别Ⅰ型和Ⅱ型上皮源性卵巢癌

目的 探究基于多参数MRI影像组学和机器学习方法在术前鉴别诊断Ⅰ型和Ⅱ型上皮性卵巢癌(EOC)中的价值。方法 回顾性搜集两个中心共181例EOC患者(中心一136例为训练集，中心二45例为外部验证集),其中Ⅰ型59例，Ⅱ型122例。从每例患者抑脂(FS)-T₂WI、DWI及ADC图像分别提取1130个影像组学特征。通过对四种机器学习算法的性能评价，确定了构建影像组学模型的理想算法。构建影像组学模型、临床模型和联合模型，并通过受试者工作特征(ROC)曲线分析评估诊断性能。采用DeLong检验比较曲线下面积(AUC)。结果随机森林(RF)算法是构建影像组学模型的最优算法。联合模型在外部验证集AUC为0.912(95%CI:0.820～1.000),显著优于临床模型(AUC=0.718,95%CI:0.552～0.884,P=0.036)和影像组学模型(AUC=0.810,95%CI:0.675～0.946,P=0.012)。结论 基于多参数MRI的影像组学和机器学习方法有潜力术前准确鉴别Ⅰ型和Ⅱ型EOC,并协助临床决策。     

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STIR-MRI的影像组学模型评估原发性下肢淋巴水肿的临床分期

【摘要】目的：探讨MRI影像组学模型对原发性下肢淋巴水肿（PLEL）临床分期的评估价值。方法：回顾性搜集2018年1月－2019年12月在本院就诊的132例单侧PLEL患者的临床和影像资料。依据2020年国际淋巴协会（ISL）淋巴水肿临床分期标准,Ⅰ期45例,Ⅱ期51例,Ⅲ期36例。将STIR序列原始图像导入深睿多模态科研平台,连续选择10层肢体肿胀最严重的横轴面图像,逐层在皮下软组织区域内的水肿区手动勾画ROI,提取影像组学特征1743个。采用相关性分析及F-Test算法进行特征的筛选,然后采用logistic回归分类器分别建立Ⅰ期与Ⅱ期、Ⅱ期与Ⅲ期的分类模型,并采用ROC曲线评价模型的鉴别效能。采用决策曲线分析（DCA）评估模型的临床实用性。结果：鉴别Ⅰ期与Ⅱ期,共筛选出10个组学特征构建预测模型,其在训练集中的AUC为0.935（95%CI：0.886~0.983）,在验证集中的AUC为0.917（95%CI：0.858~0.975）。鉴别Ⅱ期与Ⅲ期,共筛选出10个组学特征用于建模,其在训练集中的AUC为0.838（95%CI：0.749~0.927）,在验证集中为0.760（95%CI：0.654~0.866）。DCA验证了影像组学模型鉴别PLEL临床分期的临床实用性。结论：基于下肢MRI建立的影像组学模型可较准确地评估PLEL的严重程度,与PLEL的临床分期一致性高。     

基于数字化乳腺X线影像组学列线图预测浸润性乳腺癌组织学分级的多中心研究

【摘要】目的：探讨基于多中心数字化乳腺X线影像组学列线图预测浸润性乳腺癌组织学分级的价值。方法：以病理诊断为金标准,按照7:3的比例将皖南医学院第一附属医院弋矶山医院437例浸润性乳腺癌患者随机拆分为训练组305例（Ⅰ/Ⅱ级217例,Ⅲ级88例）和验证组132例（Ⅰ/Ⅱ级94例,Ⅲ级38例）,将阜阳市人民医院（n=129）和太和县人民医院（n=162）291例浸润性乳腺癌患者（Ⅰ/Ⅱ级203例,Ⅲ级88例）作为外部测试组。对比分析双乳内外斜位（MLO）和头尾位（CC）图像,选取病变面积较大的数字化乳腺X线图像使用深睿医疗多模态科研平台进行图像分割和影像组学特征提取,采用特征间线性相关性分析与最小绝对收缩和选择算法对组学特征进行降维并使用逻辑回归构建影像组学模型。临床指标经单因素及多因素二元Logistic回归分析并构建临床模型。影像组学评分联合临床指标构建列线图。采用受试者工作特征（ROC）曲线和决策曲线分析（DCA）评价模型性能,使用Delong检验比较模型间的预测效能。结果：最终筛选出3个与浸润性乳腺癌组织学分级最相关的影像组学特征。列线图对浸润性乳腺癌组织学分级的预测效能在训练组、验证组和外部测试组分别为0.811、0.825和0.803,诊断效能优于单一模型。DCA显示在概率值为20%～60%时,训练组、验证组及外部测试组列线图预测浸润性乳腺癌组织学分级的净收益高于影像组学模型及临床模型。结论：基于数字乳腺X线影像组学模型对浸润性乳腺癌组织学分级的预测具有较高的效能,对患者制定个性化治疗方案和预后评估有着重要的临床应用价值。     

含瘤周移行带影像组学模型预测肺腺癌病理分级

【摘要】目的：探讨含肿瘤外缘5mm移行带的影像组学模型对预测肺腺癌病理分级的诊断效能。方法：回顾性搜集173例经手术病理证实的肺腺癌患者的胸部增强CT薄层图像及临床病理资料。其中女96例,男77例;年龄33～84岁,平均（60.0±1.2）岁;病灶直径6.0～30.0mm,平均（18.0±1.6）mm;实性结节102例,亚实性结节71例;Ⅰ期134例,Ⅱ期18例,Ⅲ期21例;病理分级为1级51例,2级114例,3级8例。病理分级按最主要亚型分为1级（原位腺癌、微浸润腺癌和贴壁为主型腺癌）、2级（包括腺泡或乳头为主型腺癌）和3级（包括实性或微乳头为主型腺癌）。根据结节可见边缘（瘤内组）和自动外扩5mm（含瘤周组）对结节进行分割并使用软件自动提取影像组学特征。训练集与验证集比例为7∶3,使用随机森林构建影像组学模型,并利用混淆矩阵的准确性来评价瘤内及含瘤周影像组学模型预测肺腺癌病理分级的效能。结果：每例患者共提取病灶的385个影像组学特征,其中瘤内组中8个影像组学特征和含瘤周组中12个影像组学特征与肺腺癌的病理分级显著相关。瘤内影像组学模型及含瘤周影像组学模型预测肺腺癌病理分级的准确性在训练集为90.83% vs. 92.61 %（P＞0.05）,在验证组为90.74 % vs. 94.44 %（P＞0.05）。结论：与瘤内组影像组学模型相比,含5mm瘤周影像组学模型可略提高对肺腺癌病理分级预测的准确性。     

预测肾透明细胞癌病理分级的影像基因组学研究

目的 探究CT影像组学特征与mRNA的关联性,说明CT影像组学模型预测肾透明细胞癌(ccRCC)病理分级的潜在基因组学机制。方法 利用影像组学分析队列筛选影像组学特征并构建影像组学模型预测肾癌病理分级。利用基因组学分析队列识别病理分级相关基因模块,筛选前30个关键节点(Hub)基因并使用Hub基因构建基因模型预测病理分级,将结果映射至影像基因组学拓展队列并将基因与影像组学特征关联。结果 筛选出4个与病理分级相关的影像组学特征,其构建的支持向量机模型在测试集中曲线下面积为0.938。WGCNA分析得到5个基因模块与病理分级相关,影像基因组学分析发现5个基因模块中有271个基因相关,332个基因与组学特征不相关,前30个Hub基因有8个与影像组学特征相关,22个Hub基因不相关,两者所富集的通路不一致。从30个Hub基因筛选得到的5个Hub基因组成的逻辑回归基因模型在测试集中预测效能为0.736,用于构建模型的5个基因中有2个基因与影像组学特征相关,3个基因与影像组学特征不相关。结论 CT影像组学模型较基于mRNA构建的基因模型的预测效能高。CT影像组学特征与病理分级相关的mRNA之间的关...     

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。     

CT影像组学联合传统影像特征对胃肠道间质瘤Ki-67指数表达的预测价值

【摘要】目的：探讨基于增强CT的影像组学联合传统影像特征对无创性预测胃肠道间质瘤（GIST）Ki-67增殖指数（Ki-67 PI）表达的价值。方法：回顾性搜集我院2010年9月至2020年9月经手术病理确诊的原发性GIST患者的病例资料。诊断医师采用盲法独立分析增强CT图像,提取传统的影像征象。利用ITK-SNAP软件在增强CT图像上勾画病灶感兴趣区,利用AK软件提取纹理特征,将患者随机分为训练集与验证集。采用逻辑回归筛选特征参数并构建影像组学模型。再分别建立传统影像特征模型、组学模型及联合两者的组合模型。结果：传统影像特征模型的诊断效能尚可,其ROC曲线的曲线下面积（AUC）在训练集和验证集中分别为0.720（95%CI：0.651～0.788）及0.665（95%CI：0.547～0.784）。影像组学模型的诊断效能良好,其AUC在训练集中具有最优值,为0.802（95%CI：0.744～0.860）,其AUC在验证集中为0.730（95%CI：0.623～0.836）。此外,联合影像组学和传统影像特征组成的多参数组合模型在训练集中效能良好,AUC值为0.823（95%CI：0.768～0.878）,其在验证集中具有最优的诊断效能,AUC值为0.731（95%CI：0.626～0.836）。结论：基于增强CT的影像组学联合传统影像特征建立的组合模型具有无创预测GIST患者Ki-67 PI表达状态的价值。     

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...     

双指数和拉伸指数模型IVIM-MRI对上皮性卵巢癌分型的诊断价值

目的:探讨体素内不相干运动(IVIM)双指数和拉伸指数模型对Ⅰ型和Ⅱ型上皮性卵巢癌(EOC)的鉴别诊断价值。方法:回顾性将术前在本院行常规及IVIM序列MRI扫描且经病理证实的40例EOC患者纳入本研究。其中,组织病理学分型为Ⅰ型者22例,Ⅱ型者18例。测量肿瘤实质区的真扩散系数(D)、伪扩散系数(D^*)、灌注分数(f)、分布扩散系数(DDC)和拉伸指数(α)值,比较两组间上述各参数值的差异,对组间差异具有统计学意义的参数采用ROC曲线分析其诊断效能。结果:Ⅰ型EOC的D、D^*、DDC及α值均高于Ⅱ型EOC[(1.159±0.678)×10^-3 vs.(0.568±0.282)×10^-3mm²/s,P<0.001;12.350(5.752,21.925)×10^-3 vs. 5.01(3.23,14.58)×10^-3mm²/s,P=0.033;(2.195±0.744)×10^-3 vs....     

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。     

CT影像组学对中轴骨脊索瘤与骨巨细胞瘤的鉴别诊断价值

目的:建立术前鉴别中轴骨脊索瘤与骨巨细胞瘤的影像组学模型,并验证其诊断效能.方法:回顾性纳入中轴骨脊索瘤59例、骨巨细胞瘤33例共92例患者,64例为训练集,28例为验证集.基于CT图像进行影像组学特征提取,采用LASSO模型进行特征选择,构建影像组学模型,并计算影像组学得分(Rad-score).通过Logistic...     

基于CT影像组学列线图鉴别甲状腺乳头状癌与结节性甲状腺肿的价值

目的 探讨基于CT影像组学列线图鉴别诊断甲状腺乳头状癌(PTC)与结节性甲状腺肿(NG)的临床价值。方法 回顾性分析经病理证实的甲状腺结节患者的临床资料及CT图像。术前2周内行CT平扫及增强扫描；PTC 113例，NG 119例；以7∶3的比例随机分层抽样划分成训练集(n=162)和测试集(n=70)。从CT平扫及双期增强图像中提取甲状腺结节相关征象和影像组学特征，通过临床影像征象和影像组学特征筛选，训练集与测试集均构建4个独立模型并计算影像组学评分，基于影像组学评分和临床模型构建联合模型，并基于联合模型绘制列线图。通过受试者工作特征曲线、曲线下面积(AUC)、连续净重分类改善度(NRI)及综合判别改善度(IDI)等多个指标评估各模型对PTC与NG的鉴别诊断效能，利用校准曲线直观的评估列线图的可靠性与准确性，使用决策曲线评估列线图的临床实用价值。结果 平扫、动脉期、静脉期分别保留了6、4、3个影像组学特征，分别构建单期相影像组学模型。单期相中，平扫模型鉴别诊断效能最优，6个独立预测因子用于构建临床模型，基于联合模型的列线图对PTC与NG具有最高的鉴别诊断效能(训练集：AUC为0.980...     

增强CT影像组学在鉴别肝转移性腺癌来源的运用

目的 探讨基于机器学习的增强CT影像组学模型对肝转移性腺癌来源预测的可行性。方法 回顾性分析317例肝转移瘤患者的增强CT图像及临床影像资料,其中153例非胃肠道来源腺癌(25例乳腺腺癌,128例肺腺癌)和164例胃肠道来源腺癌(95例结直肠腺癌,41例胃腺癌,28例胰腺腺癌)。在增强CT三期图像中分别分割肿瘤体积。使用联影科研平台(uAI)提取影像组学特征,用最小绝对收缩与选择算子算法(LASSO)进行特征筛选。结合年龄及性别构建支持向量机分类器预测模型。两位影像医师根据影像特征进行预测。受试者工作特征(ROC)曲线分析各类模型效能,Delong检验对比模型诊断效能。决策曲线分析(DCA)探索模型临床应用价值,校准曲线评估模型预测精度。结果 经LASSO算法从三期图像中共获得6个影像组学特征,建立的影像组学联合模型曲线下面积(AUC)为0.738,结合年龄及性别建立临床影像组学模型的AUC值、敏感度、特异度和准确度分别达到0.833、0.740、0.804和0.771。两位影像医师诊断的AUC值分别为0.643和0.664。临床影像组学模型诊断效能高于两位影像医师诊断,差异有统计学意...     

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。     

基于CT影像组学预测胆管癌神经侵犯的价值

目的:基于术前CT构建预测肝门部胆管癌(pCCA)神经侵犯(PNI)的影像组学模型,并评价其效能。方法:回顾性分析本院2013年2月-2021年2月149例经病确诊的pCCA患者的临床资料,其中PNI组患者108例,无PNI组患者41例。采用R语言将所有患者按3:1比例随机分为训练集和验证集。在静脉期图像上,沿肿瘤边缘在所有层面上手动勾画3D感兴趣区(ROI),使用3D Slicer提取影像组学特征。采用组内相关系数(ICC)、相关性分析去除冗余特征,采用随机森林算法(RF)对所有临床、影像组学特征进行重要性排序,并选取前18个重要特征构建RF模型。使用准确性、敏感性、特异性及受试者操作特征(ROC)曲线评价模型效能。结果:在训练集中,RF模型的准确性、敏感性、特异性均为100%,ROC曲线下面积AUC为1;在验证集中,RF模型的准确性为70.3%,敏感性为59.3%,特异性为100%,AUC为0.846(0.713～0.979)。结论:基于增强CT图像建立的影像组学模型可用于术前无创性预测pCCA患者的PNI状态。     

基于MRI征象及影像组学的列线图预测腮腺良性与恶性肿瘤的价值

目的建立并验证基于MRI征象和影像组学的列线图鉴别腮腺良性与恶性肿瘤的效能。方法回顾性收集2015年1月至2020年5月青岛大学附属医院86例经手术病理证实的腮腺肿瘤患者为训练集,收集2013年1月至2020年1月香港大学深圳医院35例患者为独立外部验证集。采用logistic回归基于临床及MRI征象建立临床诊断模型。基于术前平扫T1WI和预饱和脂肪抑制T2WI(fs-T2WI)进行影像组学特征提取,建立影像组学诊断模型。基于影像组学评分及临床诊断模型,通过logistic回归建立影像组学+临床联合诊断模型及列线图。采用受试者操作特征(ROC)曲线评价各模型诊断腮腺良性与恶性肿瘤的效能,ROC曲线下面积(AUC)的比较采用DeLong检验。结果Logistic回归结果显示,腮腺深叶受累(OR值为3.285,P=0.040)和周围组织结构侵犯(OR值为15.919,P=0.013)是腮腺恶性肿瘤的独立影响因素,将二者构建临床诊断模型。基于平扫T1WI和fs-T2WI,共提取19个特征构建影像组学诊断模型。联合影像组学评分以及腮腺深叶受累、周围组织结构侵犯2个常规影像学特征建立联合诊断模型及列线图。临床诊断模型、影像组学诊断模型、联合诊断模型在训练集和验证集中诊断腮腺良性与恶性肿瘤的AUC分别为0.758、0.951、0.953和0.752、0.941、0.964。在训练集和验证集中,影像组学诊断模型、联合诊断模型的AUC均高于临床诊断模型(训练集:Z=3.95、4.31,P均<0.001;验证集:Z=2.16、2.67,P=0.031、0.008),影像组学诊断模型、联合诊断模型间AUC差异无统计学意义(训练集:Z=0.39,P=0.697;验证集:Z=1.10,P=0.273)。结论本研究所建立的MRI影像组学模型以及由腮腺深叶受累、周围组织结构侵犯、MRI影像组学特征组成的联合诊断模型,能有效鉴别腮腺良恶性肿瘤,具有较高的预测效能。     

基于多期CT影像组学鉴别卵巢良、恶性肿瘤的临床应用价值

【摘要】目的：探讨基于多期CT影像组学模型及联合模型鉴别卵巢良、恶性肿瘤的临床应用价值。方法：回顾性搜集2018年1月-2022年7月经术后病理证实的144例良性及182例恶性卵巢肿瘤患者的临床及CT多期影像组学资料，将患者随机按7:3分为训练组228例及验证组98例。图像预处理并利用ITK-SNAP勾画肿瘤病灶区域，用PY提取组学特征，将提取特征正则化，采用Spearman相关分析，相关系数大于0.9，保留其一特征, 使用最小绝对收缩与选择算子（LASSO）回归分析对组学特征降维，建立影像组学标签。将影像组学的优势期相与临床指标结合建立联合模型，利用列线图分析预测效能。结果：筛选出平扫、动脉期、静脉期及延迟期的特征数分别为22、7、10、22个，构建各期影像组学模型，结果显示延迟期为最优模型，在训练组中，其受试者工作特征（ROC）曲线的曲线下面积（AUC）为0.857。将临床特征与延迟期影像组学特征构建联合模型，其ROC的AUC值为0.870，优于临床模型，且差异有统计学意义（Z=3.376，P=0.0007）。验证组中，联合模型ROC的AUC值为0.844，优于临床模型，差异无统计学意义（Z=1.650，P=0.0989）。结论：CT扫描的延迟期影像组学特征鉴别卵巢良性与恶性肿瘤的效能优于其它期相，延迟期影像组学标签与临床特征相结合的联合模型有较高的鉴别诊断效能。     

基于临床及CT影像组学特征构建周围型小细胞肺癌与肺腺癌诊断模型的研究

目的 基于临床及CT影像组学特征建立周围型小细胞肺癌(SCLC)与肺腺癌(ADC)诊断模型，并评估其诊断价值。方法 回顾性搜集周围型肺癌患者临床及CT影像资料，选取治疗前2周内有薄层CT影像的病例分为SCLC组和ADC组，以SCLC组为实验组，采用倾向性评分匹配按1∶2匹配ADC对照组，两组按照7∶3比例随机分为训练集和验证集。依据训练集病例资料采用多因素Logistic回归分析筛选有意义的变量，建立临床、影像组学及临床组学联合预测周围型SCLC诊断模型。采用受试者工作特征(ROC)曲线评价模型诊断效能，建立个体化诊断列线图。结果 周围型SCLC和ADC两组间NSE和13个组学特征有显著性差异。训练集和验证集ROC曲线下面积，临床诊断模型分别为0.793和0.750,影像组学模型分别为0.857和0.838,联合模型分别为0.905和0.882。结论 基于临床及CT影像组学特征建立周围型SCLC与ADC诊断模型可鉴别诊断周围型SCLC及ADC。     

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。