T2WI、DWI及ADC图多序列影像组学模型评估直肠癌淋巴结转移

目的 观察基于术前MR T2WI、弥散加权成像(DWI)及表观弥散系数(ADC)图多序列影像组学模型评估直肠癌淋巴结转移的价值。方法 回顾性分析74例经术后病理确诊单发直肠癌患者的T2WI、DWI和ADC图,按照7∶3比例将其分为训练集(n=52,21例淋巴结转移、31例无淋巴结转移)和测试集(n=22,9例淋巴结转移、13例无淋巴结转移)。由2名影像科医师以病理结果为标准基于常规MRI评价淋巴结转移,评估其诊断效能;分别基于T2WI、DWI、ADC图及三者联合提取病灶影像组学特征,筛选后构建影像组学模型,包括T2WI模型、DWI模型、ADC模型及多序列模型,并于训练集进行训练,于测试集评估其效能。绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),观察各模型诊断直肠癌淋巴结转移的效能。结果 训练集与测试集患者性别、年龄、病灶位置、T分期及N分期差异均无统计学意义(P均＞0.05)。常规MRI评估直肠癌淋巴结转移的准确率为58.11%(43/74),敏感度和特异度分别为76.67%(23/30)和45.45%(20/44)。T2WI、DWI、ADC及多序列模型评估测试集直肠癌淋巴结转移的AUC分别为0.78、0.68、0.77及 0.82,后者的准确率、敏感度及特异度分别为86.36%、88.89%及84.62%。结论 术前基于MR T2WI、DWI及ADC图多序列影像组学模型能有效评估直肠癌淋巴结转移。     

联合临床、MR T2WI及表观弥散系数图影像组学特征列线图预测初发前列腺癌骨转移

目的 评估基于临床、MR T2WI及表观弥散系数(ADC)图影像组学特征构建的联合模型列线图预测初发前列腺癌骨转移的价值。方法 回顾性分析110例接受前列腺MR检查且经病理证实的初发前列腺癌患者,根据⁹⁹Tc^m亚甲基二磷酸盐(⁹⁹Tc^m-MDP)全身骨显像分为骨转移组(n=50)和无骨转移组(n=60)。基于T2WI及ADC图各提取851个、共1 702个影像组学特征,筛选最佳特征,计算影像组学评分并建立影像组学模型。应用单因素和多因素logistic回归分析筛选初发前列腺癌骨转移的临床相关独立危险因素,建立临床模型,并构建临床独立危险因素联合影像组学评分联合模型,绘制列线图将之可视化。以受试者工作特征(ROC)曲线评估各模型预测初发前列腺癌骨转移的效能,以决策曲线分析(DCA)评价联合模型的价值。结果 最终选出11个最佳影像组学特征,以之建立的影像组学模型预测初发前列腺癌骨转移的曲线下面积(AUC)为0.82。总前列腺特异性抗原、碱性磷酸酶和N分期是初发前列腺癌骨转移的临床独立危险因素(P均＜0.05),以之构建的临床模型的AUC为0.93。联合模型的AUC(0.96)高于临床模型(Z=－2.066,P=0.039)和影像组学模型(Z=－3.451,P＜0.001)。联合模型在阈值概率0~0.98时的临床净获益大于临床模型。结论 基于临床联合T2WI及ADC图影像组学特征的列线图可有效预测初发前列腺癌骨转移。     

基于T2WI影像组学标签预测乳腺癌人表皮生长因子受体2表达状态

目的 探讨基于MR T2WI的影像组学标签在术前预测乳腺癌人表皮生长因子受体2（HER2）表达状态的价值。方法 回顾性收集209例乳腺癌患者的T2WI,将患者随机分为训练组（n=145）和验证组（n=64）。手动勾画病灶ROI,并于Matlab 2013a平台中提取组学特征。通过组间相关系数及最小绝对收缩和选择算子逻辑回归模型筛选组学特征并构建组学标签。比较HER2表达阳性与阴性亚组患者的影像组学得分差异,采用ROC曲线评价训练组中影像组学标签预测HER2的效能,并以获得的预测阈值用于验证组中进行验证。结果 最终获得由13个组学特征构成的影像组学标签。在训练组及验证组中,HER2阳性亚组与阴性亚组患者间组学得分差异均有统计学意义（P均<0.05）。基于T2WI的影像组学标签在训练组及验证组中的AUC分别为0.798、0.707。结论 基于T2WI构建的影像组学标签对术前预测乳腺癌HER2表达状态具有一定价值。     

基于MRI影像组学预测肝泡型包虫病边缘微血管侵犯

目的 评估基于MR T2WI影像组学模型预测肝泡型包虫病（HAE）病灶边缘微血管侵犯的价值。方法 回顾性分析89例经术后病理证实的HAE患者,其中32例病灶边缘存在微血管侵犯、57例无侵犯。提取病灶MR T2WI影像组学特征,以方差阈值法和单变量选择法筛选最优特征,以随机森林（RF）、极限梯度增强树（XGBoost）和逻辑回归（LR）三种分类器构建预测HAE病灶边缘微血管侵犯的机器学习（ML）模型。按8：2比例将患者分为训练集（n=70）和测试集（n=19）,验证模型的预测效能;绘制受试者工作特征（ROC）曲线,计算其曲线下面积（AUC）。结果 共提取1 409个影像组学特征,经特征降维选出7个最优影像组学特征,并以之构建模型。ROC曲线显示,XGBoost模型在训练集及测试集中的AUC分别为0.96和0.89。结论 基于MR T2WI影像组学XGBoost模型可有效预测HAE病灶边缘微血管侵犯。     

基于T2WI影像组学模型产前预测胎盘植入性病变

目的 评估基于MR T2WI影像组学模型产前预测胎盘植入性病变（PAS）的价值。方法 回顾性分析241例孕妇及胎儿MRI,其中116例PAS、125例无PAS。按7：3比例将其分为训练集（n=168）和验证集（n=73）,于训练集提取并筛选半傅立叶采集单次激发快速自旋回波（HASTE）及真实稳态进动快速成像（TrueFISP）序列图像的影像组学特征,构建预测PAS的影像组学模型,并以回归分析方法构建临床模型、影像组学模型及临床-影像组学模型。采用校准曲线和受试者工作特征（ROC）曲线分析模型的效能,以决策曲线分析（DCA）评估其临床实用性。结果 对各序列图像分别提取1 130个影像组学特征,经LASSO回归等处理后,各筛选出9个影像组学特征,用于构建预测PAS的HASTE及TrueFISP影像组学模型。ROC曲线显示,临床模型、HASTE影像组学模型及TrueFISP影像组学模型在验证集中诊断PAS的曲线下面积（AUC）分别为0.882、0.968和0.930（P均>0.05）;HASTE联合TrueFISP影像组学模型的AUC为0.990,高于临床（Z=-2.36,P=0.02）、HASTE影像组学（Z=-2.48,P=0.02）及TrueFISP影像组学模型（Z=-2.43,P=0.02）;临床-HASTE-TrueFISP影像组学模型的AUC为0.995,与HASTE联合TrueFISP影像组学模型差异无统计学意义（Z=-0.85,P=0.40）,高于HASTE或TrueFISP影像组学模型（Z=-2.64、-2.47,P均<0.05）。临床模型之外,各模型在验证集数据中的校准度均较好;阈值取0~0.6时,其在验证集的临床净获益均大于临床模型。结论 基于产前HASTE及TrueFISP序列图像的联合影像组学模型有助于准确预测PAS。     

基于高分辨T2WI影像组学判定直肠癌术前T分期

目的 探讨基于高分辨T2WI提取的影像组学特征判定直肠癌术前T分期的应用价值。方法 回顾性分析191例术后病理证实为直肠腺癌患者的临床及影像学资料,在术前高分辨T2WI上勾画整个肿瘤为ROI,通过一般线性LASSO分析提取14个影像组学特征,并构建影像组学模型。根据病理结果,将T0~T2期归为早期,T3~T4期归为局部进展期,将患者分为训练组（n=134）和验证组（n=57）,对模型进行训练和验证。绘制ROC曲线及决策曲线（DCA）,评估模型的可预测性。结果 191例直肠癌中,早期68例,局部进展期123例。在训练组和验证组中,影像组学预测模型区分早期与局部进展期直肠癌的AUC为0.927、0.885,准确率为0.851、0.842,特异度为0.917、0.700,敏感度为0.814、0.919,F1值为0.861、0.829,Brier值为0.149、0.159。结论 术前以基于高分辨T2WI构建的影像组学模型判定直肠癌T分期具有可行性。     

基于MR-T2WI影像组学模型预测宫颈鳞癌临床分期

目的 观察基于MR-T2WI影像组学模型预测宫颈鳞癌临床分期的价值。方法 对159例经术后或活检病理证实的宫颈鳞癌患者采集盆部MRI,根据国际妇产科联盟（FIGO）分期系统及病理结果分为早期组（ⅠB~ⅡA期,n=73）和晚期组（ⅡB~Ⅳ期,n=86）。按照7 ：3比例将患者随机分为训练集（n=113）和验证集（n=46）。训练集包括52例早期、61例晚期宫颈鳞癌,验证集含21例早期及25例晚期宫颈鳞癌。提取轴位T2WI中病灶的影像组学特征,以最大相关最小冗余和最小绝对收缩选择算子回归分析方法筛选最优影像组学特征,构建预测早、晚期宫颈鳞癌的影像组学模型。分析影像组学模型的拟合优度,采用受试者工作特征（ROC）曲线评估模型的预测效能,以决策曲线分析（DCA）评估模型的临床应用价值。结果 共提取396个影像组学特征,最终筛选11个最优影像组学特征,并以之构建预测早、晚期宫颈鳞癌的影像组学模型。影像组学模型在训练集和验证集中的拟合优度均佳（χ²=2.68、8.87,P均>0.05）;其在训练集及验证集中的曲线下面积（AUC）均为0.80。DCA显示,阈值取0.10~1.00时,影像组学模型的净收益较大。结论 基于MR-T2WI的影像组学模型对预测宫颈鳞癌临床分期具有较高价值。     

MRI影像组学预测结直肠癌患者KRAS基因突变

目的 构建MR T2WI影像组学模型,评价其预测结直肠癌患者Kirsten大鼠肉瘤（KRAS）病毒癌基因亚型的价值。方法 将99例经病理证实的结直肠癌患者分为训练组（n=68）及验证组（n=31）,根据KRAS基因检测结果进一步将其分为突变亚组及野生亚组,训练组2亚组分别含36、32例,验证组2亚组分别含16、15例,比较亚组间实验室检查结果及肿瘤大小的差异;提取并筛选训练组MR T2WI影像组学特征,构建影像组学模型、临床模型及影像组学-临床联合模型。绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价各模型预测结直肠癌患者KRAS基因亚型的效能;以DeLong检验比较各模型间效能差异。通过校正曲线分析3种模型的校正性能,以Hosmer-Lemeshow检验评价校准曲线的校准度;以决策曲线分析（DCA）评价3种模型临床应用价值。结果 训练组和验证组内亚组间实验室检查结果及肿瘤大小差异均无统计学意义（P均>0.05）。共提取3个组学特征用于构建预测模型。影像组学模型与临床模型、影像组学-临床联合模型预测2组KRAS基因亚型的AUC差异均无统计学意义（P均>0.05）;影像组学-临床联合模型预测训练组KRAS基因亚型的AUC显著高于临床模型（P<0.05）,但在验证组差异均无统计学意义（P>0.05）。校准曲线及Hosmer-Lemeshow检验显示3种模型预测值和观察值的一致性良好（P均>0.05）。影像组学模型和影像组学-临床联合模型在2组中的DCA曲线净收益值均高于临床模型。结论 MR T2WI影像组学纹理特征预测结直肠癌患者KRAS基因突变亚型具有一定潜力。     

机器学习鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌

目的 探讨基于影像组学特征构建的机器学习模型鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌的可行性。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌患者，其中浸润性腺癌32例，非浸润性腺癌55例（原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾画ROI，A.K.软件提取影像组学特征。筛选有意义的特征参数，以Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数，分别构建支持向量机（SVM）、随机森林（RF）及逻辑回归（LR）3种机器学习模型，采用十折交叉验证法得到最优模型，绘制ROC曲线，评价3种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、LR 3种机器学习模型可有效鉴别浸润性腺癌与非浸润性腺癌，准确率分别为93.30%、86.70%和83.30%，AUC分别为0.94、0.92和0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，可于术前有效鉴别肺浸润性腺癌与非浸润性腺癌。     

基于MR对比增强T1WI纹理分析鉴别泪腺淋巴瘤与泪腺炎性假瘤

目的 观察基于MR对比增强T1WI （CE-T1WI）纹理分析鉴别诊断泪腺淋巴瘤与泪腺炎性假瘤的价值。方法 回顾性分析经病理证实的21例泪腺淋巴瘤（淋巴瘤组）和25例泪腺炎性假瘤（炎性假瘤组）的眼眶MRI表现,基于CE-T1WI提取病灶直方图、灰度共生矩阵、灰度游程矩阵、绝对梯度、自回归模型和小波变换6种共279个纹理特征参数,采用组间比较、组内相关系数（ICC）及最小绝对收缩和选择算子（LASSO）回归筛选最佳纹理特征,建立核函数分别为线性核（LK）、多项式核（PK）和径向基函数核（RBFK）的支持向量机（SVM）分类模型,筛选最优核函数。针对最佳纹理特征及组间差异有统计学意义的MRI表现,以最优核函数建立联合模型;并以受试者工作特征（ROC）曲线评估各模型鉴别诊断泪腺淋巴瘤与泪腺炎性假瘤的效能。结果 相比炎性假瘤组,淋巴瘤组病灶边界更清晰、强化更均匀（P均<0.01）,组间其余MRI表现差异无统计学意义（P均>0.05）。共201个纹理特征组间差异有统计学意义,经筛选10个最佳纹理特征用于建立SVM分类模型,其中PK为最优核函数,相应SVM分类模型鉴别诊断泪腺淋巴瘤与泪腺炎性假瘤的效能最佳,其敏感度、特异度、准确率及曲线下面积（AUC）分别为90.47%、88.00%、89.13%及0.93,联合模型分别为95.23%、92.00%、93.47%及0.96;联合模型与最优SVM分类模型的AUC差异无统计学意义（P=0.33）。结论 基于MR CE-T1WI纹理分析可有效鉴别泪腺淋巴瘤与泪腺炎性假瘤。     

T2WI及对比增强T1WI影像组学模型鉴别纤维型与非纤维型脑膜瘤

目的 观察T2WI及对比增强T1WI(T1C)影像组学模型鉴别纤维型与非纤维型脑膜瘤的价值。方法 回顾性分析423例经病理证实的单发低级别脑膜瘤患者,按7∶3比例分为训练集(n=296)和验证集(n=127);提取训练集T2WI和T1C中病灶3 376个影像组学特征,以SelectPercentile单因素分析法及最小绝对收缩和选择算子(LASSO)筛选最优影像组学特征,分别以分类器逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、线性SVC(LinearSVC)、自适应增强(Adaboost)及决策树(DT)构建鉴别纤维型与非纤维型脑膜瘤的影像组学模型,即模型_LR、模型_SVM、模型_RF、模型_linearSVC、模型_Adaboost及模型_DT,以验证集验证其效能。结果 基于T2WI和T1C共筛出13个最优影像组学特征,以之构建的模型_LR、模型_SVM、模型_RF、模型_linea...     

基于MRI影像组学预测宫颈癌淋巴血管间隙浸润

目的 评估基于MRI影像组学模型术前预测宫颈癌淋巴血管间隙浸润(LVSI)的价值.方法 回顾性分析123例经病理证实宫颈癌患者,根据病理结果分为LVSI+(n=61)及LVSI-(n=62).基于T2WI及动脉期对比增强T1WI(CE-T1WI)提取影像组学特征,按7:3比例将数据分为训练集(n=87)和验证集(n=3...     

基于颅脑T1WI对比增强图像构建卷积神经网络模型鉴别肺癌与乳腺癌脑转移

目的 分析基于对比增强颅脑T1WI(T1CE)构建的卷积神经网络(CNN)模型鉴别肺癌与乳腺癌脑转移的效能。方法 回顾性分析97例经手术病理证实的乳腺癌脑转移(39例)与肺癌脑转移(58例)患者，于颅脑T1CE中手动勾画病灶ROI并提取其影像组学特征，采用单因素分析及最小绝对收缩和选择(LASSO)算法进行特征降维，筛选最优特征；分别构建传统机器学习支持向量机(SVM)、随机梯度下降(SGD)、K邻近(KNN)、决策树(DT)、随机森林(RF)、极端随机树(ET)、逻辑回归(LR)模型及深度学习CNN模型，将按7∶3数据分为训练集和验证集，采用受试者工作特征(ROC)曲线评估8种模型鉴别验证集中肺癌与乳腺癌脑转移的效能。结果 共纳入202个脑转移癌，含乳腺癌、肺癌脑转移各101个。基于颅脑T1CE提取1 050个特征，经单因素分析及LASSO算法降维后得到5个最优特征；以之构建的SVM、SGD、KNN、DT、RF、ET、LR及CNN模型鉴别验证集肺癌与乳腺癌脑转移的曲线下面积(AUC)分别为0.88、0.83、0.87、0.74、0.84、0.86、0.88及0.90,其中CNN模型的...     

基于T2WI影像组学模型可预测低级别胶质瘤1p/19q的缺失状态

  目的  基于磁共振T2WI构建影像组学模型,预测低级别胶质瘤1p/19q缺失状态的价值。  方法  回顾性分析本院经病理证实的154例低级别胶质瘤患者（1p/19q共缺失100例,1p/19q非共缺失54例）,按照分层抽样7∶3分成训练集和验证集。使用3D-Slicer软件对肿瘤区域进行手动分割,用pyradiomics进行特征提取。临床资料的分析采用t检验/χ2检验;影像组学特征采用方差法和10折交叉验证的LASSO算法进行筛选,最后建立支持向量机、高斯朴素贝叶斯、K-近邻、逻辑回归模型,采用ROC曲线的曲线下面积值和sklearn分类报告中的参考指标（准确度、敏感度、特异性、F1分数）进行效能评价。  结果  4种模型中,支持向量机的曲线下面积值最高,训练集和验证集分别为0.95、0.91;参考指标中表现最佳为K-近邻,其准确度、敏感度、特异性及F1分数分别为0.87、0.97、0.70、0.91;其次为支持向量机,各项指标与模型平均值相当。  结论  基于T2WI影像组学模型可以有效地预测低级别胶质瘤1p/19q的缺失状态。      

T2WI全域直方图分析鉴别诊断腮腺多形性腺瘤与腺淋巴瘤

目的 探讨T2WI全域直方图分析鉴别诊断腮腺多形性腺瘤和腺淋巴瘤的价值。方法 回顾性分析经手术病理证实的68例腮腺肿瘤患者的资料,其中多形性腺瘤35例（多形性腺瘤组）、腺淋巴瘤33例（腺淋巴瘤组）。术前行常规MR扫描,应用MaZda软件于轴位T2WI上肿瘤所有层面沿肿瘤边界勾画ROI,行直方图分析,所获参数包括平均值、方差、偏度、峰度和第1、10、50、90、99百分位数,比较2组间的差异,并绘制ROC曲线,评价各参数鉴别诊断2种肿瘤的价值。结果 多形性腺瘤组与腺淋巴瘤组间平均值、方差、偏度、峰度和第10、50、90、99百分位数差异有统计学意义（P均<0.05）,ROC曲线下面积分别为0.769、0.757、0.771、0.776、0.661、0.780、0.781、0.738（P均<0.05）。以平均值鉴别2种肿瘤的敏感度、特异度分别为82.86%和72.73%;方差为72.73%和74.29%;偏度为84.85%和65.71%;峰度为69.70%和74.29%;第10百分位数为60.61%和82.86%;第50百分位数为72.73%和82.86%;第90百分位数为60.61%和94.29%;第99百分位数为85.71%和57.58%。结论 T2WI全域直方图分析鉴别腮腺多形性腺瘤和腺淋巴瘤具有较高价值,其中第50、90百分位数的诊断效能较高。