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。     

基于薄层CT的三维影像组学在预测亚厘米磨玻璃样肺腺癌浸润程度的价值

【摘要】目的：探讨基于术前薄层CT的三维影像组学预测亚厘米磨玻璃样肺腺癌浸润程度的临床应用价值。方法：回顾性分析华东医院2013年1月－2017年7月经病理证实的394例亚厘米肺腺癌患者（共446个结节）的术前肺部薄层CT和临床资料。选取2013年1月－2015年12月的253例患者的286个结节为验证集;2016年1月－2017年7月141例患者的160个结节为训练集。所有病例参照病理金标准分为浸润前病变和浸润性病变,且所有结节均逐层勾画ROI而得到其容积感兴趣区（VOI）。采用Matlab 2016b软件从每个结节的VOI中提取475个影像组学特征,利用最小绝对收缩和选择算子（LASSO）进行特征筛选,随后建立影像组学标签。采用单因素及多因素分析方法筛选出训练集中两组病变间差异有统计学意义的变量并建立回归模型,进一步在验证集中对此模型进行验证。采用ROC曲线评价模型对结节浸润性的预测效能。结果：经可重复性分析及LASSO降维,最终筛选出13个影像组学特征并建立影像组学标签。多因素分析结果显示影像组学标签和CT值是预测肺癌浸润程度的独立危险因子。在训练集中,回归方程、CT值和影像组学标签的ROC曲线下面积（AUC）分别为0.785（95%CI：0.730~0.840）、0.742（95%CI：0.681~0.802）和0.696（95%CI：0.630~0.760）。在验证集中,回归模型、CT值和影像组学标签的AUC分别为0.704（95%CI：0.618~0.790）、0.683（95%CI：0.595~0.772）和0.674（95%CI：0.588~0.761）。结论：基于薄层CT的三维影像组学特征联合临床资料建立的多因素logistic回归模型对预测亚厘米级磨玻璃结节样肺腺癌的浸润程度具有很好的临床应用价值及发展前景。     

CT影像组学预测结肠癌淋巴血管间隙浸润价值研究

目的：构建预测结肠癌淋巴血管间隙浸润（LVSI）的临床影像模型、CT影像组学模型和两者联合模型,并从中筛选出最优模型。方法：收集接受增强CT检查的365例结肠癌患者资料,根据手术病理结果分为LVSI+(n=84)及LVSI-(n=281),样本按7:3比例随机分为训练集（n=256）和验证集（n=109）。比较临床、影像指标组间差异并建立临床影像模型;对静脉期CT图像上全肿瘤区域进行感兴趣区（ROI）勾画并提取影像组学特征,经降维、筛选后共获得16个最优特征并建立CT影像组学模型;再构建临床影像与CT影像组学联合模型。比较各模型效能,绘制最优模型列线图,并评估其性能。结果：LVSI+及LVSI-组间淋巴结长径、癌胚抗原（CEA）、糖类抗原19-9 (CA19-9)、肿瘤部位差异均有统计学意义（P<0.05）。临床影像模型、CT影像组学及联合模型受试者工作特征曲线下面积（AUC）分别为0.726、0.784、0.851 （训练集）和0.729、0.768、0.833 （验证集）。联合模型AUC均大于临床影像模型（P<0.05）。列线图校准度较高,决策曲线范围为0.15～0.9...     

基于术前分期CT的影像组学标签预测三阴性乳腺癌

【摘要】目的：探讨基于术前分期CT的影像组学标签在预测三阴性乳腺癌分子分型中的附加价值。方法：回顾性收集2016年1月至2018年5月经手术病理证实且均为临床术前评估分期需行常规胸部CT增强扫描的481例肿块型乳腺浸润性癌患者,按照样本量1∶2随机抽样选取三阴性乳腺癌与非三阴性乳腺癌共计150例患者（90例作为训练组,60例作为验证组）。所有患者均经免疫组织化学检测,获得乳腺癌分子分型。对所有患者基于病灶三维图像提取影像组学特征,并采用Lasso logistic回归模型进行特征降维及筛选,以建立影像组学标签。采用ROC曲线评价影像组学标签对三阴性乳腺癌的鉴别诊断效能。结果：由5个关键影像组学特征构成的影像组学标签与乳腺癌三阴性分子分型相关（P<0.0001）。建立的影像组学标签对于鉴别三阴性乳腺癌具有较好的预测效能,其在训练组和验证组的ROC曲线下面积（AUC）分别为0.766（95% CI：0.743~0.789）和0.758（95% CI：0.718~0.798）。结论：基于术前分期CT建立的影像组学标签有助于三阴性与非三阴性乳腺癌的鉴别,这是术前常规胸部增强CT扫描在辅助临床分期之外的附加价值,可为临床治疗决策提供参考。     

基于CT增强扫描静脉期的影像组学列线图预测晚期肺腺癌患者对培美曲塞+铂类化疗敏感性的价值

目的：探究影像组学列线图对晚期肺腺癌患者培美曲塞+铂类化疗疗效的预测能力。方法：回顾性收集经穿刺病理确诊为晚期肺腺癌的131例患者的资料,均行至少2个周期的培美曲塞+铂类化疗。将患者按照7∶3的比例随机分为训练集92例和测试集39例。依据实体肿瘤的疗效评价标准（RECIST）标准,将部分缓解患者纳入缓解组（68例）,疾病进展和疾病稳定患者纳入未缓解组（63例）。根据治疗前静脉期CT图像提取、筛选影像组学特征,得到影像组学评分（Radscore）,并建立影像组学逻辑回归（LR）模型;采用单因素及多因素logistic回归分析筛选独立预测因子,并构建临床预测模型;基于LR联合临床独立预测因子及Radscore构建影像组学列线图。采用ROC曲线和决策曲线分析（DCA）评估比较3种模型的预测效能及临床净收益。结果：临床预测模型、影像组学模型及影像组学列线图的训练集AUC分别为0.742、0.815和0.923,测试集AUC分别为0.684、0.726和0.760,表明影像组学列线图的预测效能高于临床预测模型及影像组学模型。DCA示影像组学列线图临床净收益高于临床预测模型及影像组学模型。结论：影...     

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。     

CT影像组学联合炎症指标构建逻辑回归模型预测食管鳞癌新辅助化疗疗效

【摘要】目的：探究基于CT影像组学联合血液学炎症指标构建逻辑回归模型预测食管鳞癌新辅助化疗（NAC）疗效的可行性。方法：回顾性分析两家医院经病理证实的54例食管鳞癌患者在术前规范化NAC前、后两次胸部CT增强图像及NAC前一周内的血液学炎症指标检测结果。测量治疗前、后病灶的最长径,计算其变化率,并根据实体肿瘤疗效评价标准（RECIST 1.1）,将患者分为NAC有效组（30例）及无效组（24例）。采用独立样本t检验或Mann-Whitney U检验筛选血液学炎症指标中与疗效相关的因素。在患者治疗前静脉期图像上沿肿瘤边界逐层手工勾画ROI,最终生成三维感兴趣区（VOI）并提取其影像组学特征,使用最小冗余最大相关及Boruta工具包进行特征筛选并构建影像组学标签。分别建立影像组学特征、血液学炎症指标、影像组学标签联合血液学炎症指标的逻辑回归模型,采用混淆矩阵和ROC曲线分析模型对NAC疗效的预测效能,采用DCA曲线评估其临床实用价值。结果：外周血淋巴细胞计数及淋巴细胞数与单核细胞数的比值被纳入炎症指标模型。于治疗前静脉期图像上共提取了1168个组学特征,经降维后共筛选出5个影像组学特征（wavelet-HLL_gldm_DependenceEntropy、wavelet-HHL_gldm_LargeDependenceLowGrayLevelEmphasis、wavelet-HHH_glrlm_HighGrayLevelRunEmphasis、wavelet-HHH_glrlm_LowGrayLevelRunEmphasis和wavelet-HLL_glszm_ZoneEntropy）用于构建影像组学标签。基于影像组学、血液学炎症指标以及联合模型预测NAC疗效的的AUC分别为0.77、0.72和0.80。结论：基于新辅助化疗前的增强CT影像组学及血液学炎症指标特征构建的预测模型可较好的预测食管鳞癌患者新辅助化疗疗效,以联合模型的效能最优,可为临床制订个性化治疗方案提供参考。     

MRI影像组学无创预测脑胶质母细胞瘤MGMT启动子甲基化状态的价值

【摘要】目的：探讨MRI影像组学模型术前预测脑胶质母细胞瘤（GBM）O6-甲基鸟嘌呤-DNA甲基转移酶启动子甲基化（MGMT-PM）状态的价值。方法：回顾性分析2018年1月－2021年10月在本院经病理证实的130例脑GBM患者的临床资料和MRI图像（ADC和对比增强3D-T1WI）。其中,MGMT-PM阳性组（PM率≥8%）58例,MGMT-PM阴性组（PM率<8%）72例。按7:3的比例将所有患者随机分为训练集（91例）和验证集（39例）。由2位放射科医师独立在ADC和CE-3D-T1WI图像上逐层勾画ROI,获得病灶的全域容积感兴趣区（VOI）,分别提取851个组学特征。然后,采用最小绝对收缩和选择算法（LASSO）进行特征降维,将保留下来的特征与其对应的系数进行线性组合,构建影像组学模型并计算每例患者的影像组学评分（Radscore）,得到RadscoreADC、RadscoreCE-T1WI和Radscore联合三组评分。采用ROC曲线评估各组学模型的诊断效能,将最优模型的Radscore和临床特征（年龄、性别）纳入logistic回归分析构建预测MGMT-PM状态的临床-组学综合模型,并绘制其诺模图。采用ROC曲线评价综合模型的预测效能,并采用校准曲线和决策曲线分别评估此模型的校准度和临床实用价值。结果：在训练集中,Radscore联合预测MGMT-PM状态的AUC为0.872,优于单一序列（RadscoreADC：AUC=0.798,P<0.05;RadscoreCE-T1WI：AUC=0.840,P<0.05）;在验证集中得到了一致的结论。在影像组学模型中加入临床特征后,可提高预测效能,临床-组学综合模型的AUC、敏感度和特异度分别为0.904、92.50%和78.43%。校准曲线显示临床-组学综合预测模型在训练集和验证集中预测概率与实际概率之间的差异均无统计学意义（P=0.051、0.284）。决策曲线分析表明综合预测模型具有一定的临床实用价值。结论：MRI影像组学模型有助于术前无创性预测GBM的MGMT启动子甲基化状态,多序列结合及引入临床特征能提高模型的预测效能。     

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...     

基于CT影像组学模型鉴别头颈部良、恶性淋巴结

【摘要】目的：探讨CT影像组学模型在头颈部淋巴结良恶性鉴别诊断中的应用价值。方法：回顾性分析2010－2019年本院经病理或穿刺活检方法证实为良性或恶性淋巴结的200例患者的临床和CT资料,其中良性组105例,恶性组95例。将全部患者随机分为训练集（133例）和测试集（67例）,运用Mazda软件提取淋巴结的CT影像组学特征,使用LASSO方法降维后,建立影像组学标签（score）。基于有鉴别意义的变量,包括临床指标及淋巴结短径（Size）、增强动脉期CT值（Z）和影像组学标签等,采用多因素Logisitc回归分析,分别建立基于影像组学和非影像组学（Size+Z）的预测模型,使用校准曲线观察两种模型的拟合情况。结果：经过特征降维后,将获得的S(2,-2)Correlat、S(0,3)InvDfMom和S(4,0)Contrast这3个影像组学特征用于建立影像组学标签,其在训练集和测试集中鉴别良恶性淋巴结的AUC分别为0.884和0.749。经Logistic回归法建立的影像组学预测模型在训练集和测试集中的AUC（分别为0.958和0.908）均大于非影像组学预测模型（分别为0.847和0.806）,差异均有统计学意义（P＜0.05）,且两种模型的校准曲线与理想曲线显示出良好的拟合效果。结论：CT影像组学模型在头颈部淋巴结良恶性的鉴别诊断中具有一定的应用价值。     

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CCTA的冠状动脉周围脂肪组织影像组学特征预测急性冠状动脉综合征

目的 评估基于冠状动脉CT血管成像（CCTA）的冠状动脉周围脂肪组织（PCAT）影像组学特征对疑似冠心病病人2年内发生急性冠状动脉综合征（ACS）的预测能力。方法 回顾性收集接受CCTA检查的疑似冠心病病人,将CCTA检查后2年内发生ACS的病人作为ACS组（81例）,2年内未发生ACS的疑似冠心病病人作为对照组（81例）。ACS组年龄44~85岁,平均（64.01±10.09）岁,男57例;对照组年龄39~89岁,平均（62.91±10.11）岁,男56例。将2组病人随机以 3∶1 的比例分为训练集（ACS组60例,对照组60例）和验证集（ACS组21例,对照组21例）。筛选基于CCTA的PCAT影像组学特征,采用多因素Logistic回归分析构建PCAT影像组学评分模型,并基于PCAT影像组学特征中的CT密度值建立PCAT密度模型。采用DeLong检验比较不同数据集中2个模型的诊断效能差异。采用受试者操作特征（ROC）曲线、校准曲线及决策曲线比较2种模型的预测效能。结果 训练集和验证集中,ACS组和对照组病人的临床资料间差异均无统计学意义（均P>0.05）。从基于CCTA影像所示的冠状动脉斑块周围PCAT共提取107个影像组学特征,最终筛选出21个最优影像组学特征,包括形态学特征5个、直方图特征1个、纹理特征15个,采用Logistic回归分析构建PCAT影像组学评分模型。基于提取的PCAT组学特征中平均 CT密度值构建PCAT密度模型。2种模型预测2年内发生ACS事件的诊断效能分析显示,PCAT 影像组学评分模型在训练集及验证集中的曲线下面积（AUC）（AUC=0.841,0.839） 均高于PCAT 密度的AUC（AUC=0.603,0.588）。训练集中,PCAT影像组学评分的诊断效能优于PCAT密度模型（P<0.05）,并在验证集中得到验证（P<0.05）。PCAT影像组学评分对发生ACS事件的预测结果与实际结果一致性高于PCAT密度。PCAT影像组学评分的临床应用价值显著优于PCAT 密度。结论 基于CCTA 的PCAT影像组学特征可为ACS事件的发生提供更多的预测信息。PCAT 影像组学评分对2年内发生ACS事件的预测能力显著优于PCAT 密度。     

基于高分辨率T2WI影像组学联合临床特征预测食管癌新辅助放化疗疗效的价值

【摘要】目的：探讨基于高分辨率（HR）T2WI影像组学联合临床特征预测食管癌新辅助放化疗后疗效的价值。方法：回顾性分析本院2016年1月-2021年12月新辅助放化疗前接受HRT2WI成像检查并经病理证实的95例食管癌患者资料。依据新辅助放化疗后病理缓解状态结果将患者疗效分为缓解组和未缓解组,在HRT2WI图像上勾画肿瘤感兴趣区（ROI）后采用A.K软件提取影像组学特征,采用最大相关最小冗余（mRMR）算法进行降维,采用逻辑回归模型对筛选出的影像组学特征及临床参数构建模型;采用受试者操作特征（ROC）曲线评估不同模型的预测效能,计算曲线下面积（AUC）、准确率、敏感度和特异度,并采用DeLong检验比较不同模型预测食管癌新辅助放化疗敏感性的效能。结果：缓解组与未缓解组年龄差异具有统计学意义（P=0.001）,其他临床特征差异无统计学意义（P＞0.05）。从1688个组学特征中逐层筛选出4个影像组学特征,构建两个预测模型：基于HRT2WI的影像组学模型、年龄-影像组学模型。HRT2WI影像组学模型在训练集与验证集预测食管癌新辅助放化疗是否缓解的AUC、准确率、敏感度和特异度分别为0.863、80.0%、88.2%、76.7%,0.809、81.5%、75.0%、84.2%。年龄-影像组学模型在训练集与验证集预测食管癌新辅助放化疗是否缓解的AUC、准确率、敏感度和特异度分别为0.888、81.7%、94.1%、76.7%,0.836、81.5%、87.5%、78.9%。年龄-影像组学模型预测食管癌新辅助放化疗是否缓解的AUC、准确率和敏感度均高于HRT2WI影像组学模型,而两者的特异度相仿。结论：基于HRT2WI影像组学模型对食管癌新辅助放化疗是否缓解具有较好的预测效能,且HRT2WI影像组学联合年龄特征模型显示出更高的预测价值。     

基于常规MRI影像组学模型预测软组织肉瘤复发

【摘要】目的：探讨基于常规MRI的影像组学模型对预测软组织肉瘤（STS）复发的价值。方法：回顾性分析2012年1月－2021年6月在本院经手术病理证实的92例STS患者的临床和影像资料。术后每3个月进行一次影像学检查,随访时间至少12个月以上,根据随访结果有无复发或远处转移分为复发组（27例）,无复发组（65例）。采用完全随机方法将所有患者按7:3的比例分为训练集（n=65）和验证集（n=27）。使用ITK-SNAP软件,分别在T1WI和压脂T2WI上逐层沿肿瘤边缘手动勾画ROI并进行三维融合（VOI）,然后使用AK软件提取纹理特征,使用最小冗余最大相关（mRMR）和最小绝对值收敛和选择算子（LASSO）回归分析方法分别对T1WI序列、压脂T2WI序列和联合序列的纹理特征进行降维和筛选,并建立影像组学模型,根据各个组学特征的权重系数计算影像组学评分（Radscore）,运用100次留组交叉验证（LGOCV）方法来评估模型的可靠性。将临床病理、常规MRI特征与预测效能最高的影像组学模型的Radscore相结合,采用多因素logistic回归（LR）、随机森林（RF）和支持向量机（SVM）三种机器学习算法分别建立机器学习模型。采用受试者工作特征（ROC）曲线评价各模型的预测效能,应用决策曲线分析（DCA）评估模型的临床应用价值。结果：临床模型在训练集和验证集中预测STS复发的ROC曲线下面积（AUC）分别为0.71（95%CI:0.58~0.85）和0.74（95%CI:0.52~0.97）。基于T1WI、压脂T2WI和联合序列的影像组学模型在训练集中预测STS复发的AUC分别为0.81（95%CI:0.70~0.93）、0.92（95%CI:0.86~0.99）和0.91（95%CI:0.84~0.99）,在验证集中分别为0.84（95%CI:0.63~1.00）、0.92（95%CI:0.81~1.00）和0.86（95%CI:0.72~1.00）。采用机器学习算法构建的LR、RF和SVM模型在训练集中预测STS复发的AUC分别为0.93（95%CI:0.87~0.99）、0.91（95%CI:0.84~0.99）和0.77（95%CI:0.63~0.91）,在验证集中分别为0.93（95%CI:0.83~1.00）、0.86（95%CI:0.71~1.00）和0.83（95%CI:0.66~1.00）。DCA分析结果表明,压脂T2WI和联合序列的影像组学模型、以及LR和RF模型的临床受益均较好。结论：基于常规MRI序列中的压脂T2WI和联合序列构建的影像组学模型对预测STS复发具有较高的预测效能和较好的临床受益,基于不同机器学习算法构建的预测模型的预测效能并无明显提高。     

CT影像组学模型及深度学习技术预测肺腺癌EGFR突变

【摘要】目的：探讨基于CT图像建立的影像组学模型及深度学习模型在预测肺腺癌表皮生长因子受体（EGFR）突变中的价值。方法：回顾性分析228例经手术病理证实的肺腺癌患者的CT图像,其中EGFR突变型116例,野生型112例。由两位放射科医师各自独立在CT图像上沿肺癌病灶边缘手动逐层勾画感兴趣区（ROI）获得病灶全容积ROI后提取影像组学特征。比较两位医师提取的影像组学特征的一致性,自高年资医师提取的特征中选取组内相关系数大于0.7的影像组学特征纳入研究。分别按照70%和30%的比例将所有病灶随机划分为训练集和验证集。在训练集中利用LASSO回归方法对影像组学特征进行筛选后,分别建立影像组学评分（Radscore）、随机森林（RF）和支持向量机（SVM）三种影像组学模型。此外,将训练集图像输入ResNet深度学习网络中建立深度学习模型。在验证集中对上述4个模型进行验证,计算敏感度、特异度和ROC曲线下面积（AUC）来评价不同模型的预测效能。结果：自CT图像中共提取了306个一致性良好的影像组学特征,经筛选后获得9个最佳特征用于建立影像组学模型。在验证集中,SVM模型的AUC（0.813）高于Radscore（0.761）和RF模型（0.775）,但差异无统计学意义（P=0.089和0.330）;ResNet模型的AUC为0.916,高于SVM模型（0.813）、Radscore（0.761）和RF模型（0.775）。ResNet模型与Radscore和RF模型间AUC的差异具有统计学意义（P=0.031和0.043）,与SVM模型间AUC的差异无统计学意义（P=0.106）。ResNet模型的敏感度为0.879,高于SVM模型（0.771）、Radscore（0.818）和RF模型（0.743）。ResNet模型的特异度为0.914,高于SVM模型（0.758）、Radscore（0.714）和RF模型（0.727）。结论：基于CT图像的影像组学模型能够较好地预测EGFR基因突变,深度学习技术可以有效提高模型的预测准确性。     

进展期胃癌生存预测：基于增强CT深度学习模型的构建

【摘要】目的：探讨基于术前增强CT构建的深度学习（DL）模型对进展期胃癌（AGC）1、2、3年生存概率的预测价值。方法：回顾性分析2013年1月－2015年12月在本院经病理证实为AGC的337例患者的临床和CT资料。按照7:3的比例将患者随机分为训练集（n=237）和验证集（n=100）。采用数据增强技术增加训练集的数据量,随后基于术前CT增强静脉期图像构建残差卷积神经网络结构的DL模型,预测AGC患者1、2、3年的生存概率。经Cox单因素及多因素分析构建临床模型,然后联合DL模型和临床模型构建综合模型并绘制其诺莫图。计算各模型的Harrel一致性指数（C-index）和风险比（HR）,并应用Kaplan-Meier曲线、校准曲线及临床决策曲线比较3种模型对OS的预测效能。结果：在训练集和验证集中,临床模型、DL模型和综合模型的C-index值分别为0.70（95%CI：0.65~0.75）、0.72（95%CI：0.67~0.76）、0.74（95%CI：0.69~0.78）和0.64（95%CI：0.56~0.71）、0.66（95%CI：0.58~0.73）、0.67（95%CI：0.59~0.74）,表明综合模型具有最优的生存期预测能力;三个模型的HR分别为2.72（95%CI：2.06~4.02）、2.88（95%CI：1.89~4.39）、2.72（95%CI：2.13~3.49）和2.11（95%CI：1.43~3.11）、4.32（95%CI：1.66~11.24）、1.89（95%CI：1.36~2.60）,均以DL模型的HR最高,表明DL模型预测的高危人群具有更高的死亡风险。校准曲线分析显示基于综合模型的诺莫图预测AGC患者1、2、3年生存概率与实际的预后随访结果具有较高的一致性。临床决策曲线显示综合模型的净收益优于其它2种模型。结论：基于CT增强静脉期图像利用残差卷积神经网络构建的DL模型是一种良好的AGC患者生存风险评估模型,对AGC患者生存期的早期预判具有较高的临床应用价值。     

CT影像组学预测肾透明细胞癌核分级：扫描期相及ROI勾画策略

【摘要】目的：探讨不同CT扫描期相及感兴趣区（ROI）勾画策略对影像组学方法预测肾透明细胞癌（ccRCC）核分级效能的影响。方法：回顾性搜集具有完整4期CT扫描图像（平扫期、皮髓质期、实质期和排泄期）且经病理证实为ccRCC的137例患者的病例资料。其中,96例为低级别（Fuhrman 1级和2级）ccRCC,41例为高级别（Fuhrman 3级和4级）ccRCC。在每期图像中选取肿瘤最大层面,使用ITK-SNAP软件分别勾画出病灶最大层面的2D-ROI并获得全瘤3D-ROI,并使用Pyradiomics软件分别提取病灶的影像组学特征。然后,采用22种特征选择方法和8种分类算法对组学特征进行筛选并构建了176个分类模型,使用五折交叉检验法验证各模型的预测效能,并采用诊断符合率、敏感度、特异度和受试者工作特征曲线下面积（AUC）评估模型的预测效能。结果：基于3D-ROI的影像组学模型鉴别高、低核级ccRCC的前5个最大AUC的平均值及相应诊断符合率的平均值高于基于2D-ROI的影像组学模型。基于平扫期的影像组学模型的前5个最大AUC的平均值优于其它3个期相。在平扫、皮髓质期、实质期和排泄期CT图像上基于3D-ROI的组学模型的最大AUC分别为0.822、0.732、0.742和0.780,基于2D-ROI的组学模型的最大AUC分别为0.738、0.692、0.710和0.674。结论：采用影像组学方法预测ccRCC核分级推荐选用平扫图像和全瘤3D-ROI。     

基于MRI影像组学及ATN分类系统的列线图预测轻度认知障碍进展

【摘要】目的：探讨基于MRI组学特征及ATN分类的列线图对轻度认知障碍（MCI）患者认知进展的预测价值。方法：搜集阿尔茨海默病神经影像学计划（ADNI）数据库中147例认知功能正常者（CN）、197例轻度认知障碍（MCI）患者以及128例阿尔茨海默病（AD）患者的临床和影像资料。在5年随访期内,MCI患者中有100例进展为痴呆,余97例认知功能保持稳定。采用Freesurfer软件对CN人群以及MCI、AD患者的3D-T1WI图像进行自动化后处理,提取全脑皮层和皮层下结构的影像组学特征,并筛选最佳影像组学特征构建组学模型以区分CN和AD患者。采用受试者操作特征（ROC）曲线分别评价脑脊液（CSF）Aβ42（A）和p-tau浓度（T）和组学模型（N）区分CN和AD患者的效能,分别计算阈值作为A、T、N的阳性分界值,并用于MCI人群的ATN分类。使用Cox回归分析筛选与MCI患者认知障碍进展相关的临床危险因素,并使用多因素Cox比例风险模型结合ATN分类构建联合预测模型并制作列线图。采用一致性指数（C-index）和校准曲线（Hosmer-Lemeshow检验）评估模型的预测能力和准确性,Kaplan-Meier（KM）分析用于风险分层。结果：每例患者共提取了全脑皮层及皮层下区域的1198个影像组学特征,经特征筛选,最终选取15个最佳影像组学特征用于构建诊断模型。脑脊液Aβ42、脑脊液p-tau和组学模型区分CN和AD患者的ROC曲线下面积（AUC）分别为0.813、0.822和0.998。Cox回归分析显示,载脂蛋白E（APOE）ε4等位基因（HR=2.449;95% CI=1.539~3.896）、临床活动调查问卷（FAQ）评分（HR=1.111;95% CI=1.069~1.156）和动物词汇流畅性测试（AFT）评分（HR=0.949;95% CI=0.901~0.999）是与MCI患者认知障碍进展相关的临床危险因素。联合预测模型在训练集和验证集的的C-index分别为0.927和0.906,校准曲线显示联合模型的预测结果与患者的实际进展情况之间差异无统计学意义（P=0.119、0.778）,模型的拟合效果较好。KM分析结果显示,以联合模型预测概率的中位数0.02作为临界值,可以很好地将MCI患者分为低风险和高风险进展组（log-rank test,P<0.0001）。结论：基于MRI影像组学及ATN分类系统的列线图模型有助于对轻度认知障碍患者的认知障碍进展的概率进行个体化预测。     

4D-CT影像组学模型鉴别甲状旁腺良性病变与淋巴结的应用初探

【摘要】目的：探讨基于4D-CT扫描的建立影像组学模型对甲状旁腺腺瘤或增生与颈部淋巴结的鉴别诊断价值。方法：回顾性将80例行术前4D-CT平扫和多期增强扫描且经手术病理证实的甲状旁腺腺瘤或增生患者纳入本研究。在甲状旁腺结节及同侧颈部II区淋巴结内逐层手动勾画感兴趣区,获得其容积感兴趣区（VOI）,基于平扫期、动脉期、静脉期和延迟期图像,各提取1262个影像组学特征。在每个单独期相或其组合的基础上,特征选择基于L1-based方法,采用L1正则化的Logistic回归分析分别建立相应的影像组学模型,并进行10折交叉验证。采用ROC曲线下面积（AUC）、敏感性和特异性评价各模型的鉴别诊断效能。结果：分别基于平扫期、动脉期、静脉期、延迟期、平扫+动脉期、平扫+动脉+静脉期及平扫+动脉+静脉+延迟期图像建立7个影像组学模型,各模型鉴别甲状旁腺腺瘤或增生与颈部淋巴结的诊断效能均较高（训练组AUC为0.949~0.962,验证组为0.869~0.904）。在验证集中,基于静脉期的影像组学模型的AUC最大（0.904）,相应的鉴别诊断敏感度为0.886、特异度为0.785、符合率为0.835。结论：基于4D-CT平扫和多期增强扫描建立的影像组学模型对鉴别甲状旁腺腺瘤或增生与颈部淋巴结的准确性较高,其中以基于静脉期图像的影像组学模型的诊断效能最佳。