基于MRI影像组学评估肝细胞癌微血管侵犯的Meta分析

目的 通过Meta分析系统评价基于MRI影像组学术前评估肝细胞癌（HCC）微血管侵犯（MVI）的诊断效能。 方法 检索PubMed、Cochrane图书馆、EMBASE、Web of Science、中国知网和万方数据库,检索时间为自建库以来至2021年3月公开发表的有关MRI影像组学评估HCC MVI的临床研究的中英文文献。根据纳入和排除标准对文献进行筛选并提取数据。根据诊断准确性研究质量评价工具-2（QUADAS-2）评价纳入文献的质量,采用RevMan5.4评价偏倚风险及临床适用性。采用Stata15.1软件计算纳入研究的合并敏感度、合并特异度、合并阳性似然比、合并阴性似然比及合并诊断比值比。绘制森林图和总受试者操作特征（SROC）曲线,并计算曲线下面积（AUC）。采用不一致指数（I²）和Chochrane Q指数评估异质性,并采用阈值效应和敏感性分析探讨异质性来源。采用Stata15.1软件绘制漏斗图评估是否存在发表偏倚。 结果 共纳入10项研究,包括817例病人,纳入研究的合并敏感度、特异度、阳性似然比、阴性似然比、诊断比值比及AUC值分别为0.82（95%CI：0.76~0.87）、0.84（95%CI：0.77~0.89）、5.1（95%CI：3.4~7.7）、0.22（95%CI：0.16~0.29）、24（95%CI：13~44）和0.89（95%CI：0.86~0.91）。敏感度的I²为27.37%,特异度的I²为62.19%,纳入研究间异质性较大。Deek’s漏斗图显示不存在发表偏倚（P=0.83）。 结论 基于MRI影像组学术前预测HCC 的MVI有较高的准确性,可作为术前预测HCC MVI的一种无创性方法。     

基于CT增强影像组学的支持向量机模型术前预测肝细胞癌微血管浸润的研究

目的 探讨基于支持向量机模型(SVM)的CT增强影像组学方法对肝细胞癌(HCC)微血管浸润(MVI)的术前预测价值.方法 回顾性分析186例经手术病理证实为HCC患者的临床及CT增强图像资料,其中MVI阳性83例,MVI阴性103例.首先对临床资料及影像学特征进行单因素及多因素分析,得到HCC发生MVI的独立危险因素....     

钆塞酸二钠增强MRI影像组学和机器学习术前预测肝细胞癌微血管侵犯的价值

目的:探讨基于钆塞酸二钠增强MRI肝胆期影像组学特征的不同机器学习模型术前预测肝细胞癌（HCC）微血管侵犯（MVI）的价值。方法:回顾性分析2015年6月至2020年6月在苏州大学附属第一医院经病理证实的132例HCC患者的资料,MVI阳性72例、阴性60例。按照7∶3的比例以随机种子法分为训练集和验证集。利用PyRa...     

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...     

增强CT提取影像组学特征联合临床参数评估肝细胞癌微血管侵犯

目的 基于术前增强CT动脉期与静脉期图像分别提取影像组学参数联合临床参数构建影像临床联合模型评估肝细胞癌(HCC)患者是否微血管侵犯(MVI)。方法 回顾性搜集重庆医科大学附属第三医院以及重庆医科大学附属大学城医院2016年3月至2021年3月术后经病理证实有无MVI的HCC患者。以重庆医科大学附属第三医院的HCC患者为第一中心,以分层随机为原则将MVI阳性和MVI阴性的患者按照7∶3比例分为训练组和内部测试组,以重庆医科大学附属大学城医院患者为外部验证组,对所有患者进行原发病灶分割后,分别根据动脉期和静脉期进行影像组学特征提取。以训练组患者是否MVI阳性为研究标签,采用最小冗余最大相关(mRMR)以及套索算法(LASSO)进行影像组学特征降唯,并构建影像组学标签(Radscore);继而对临床参数进行特征降唯,以训练组患者是否MVI阳性为研究标签,采用多元逻辑回归构建临床模型Clinics。同时纳入联合临床模型中的临床参数与Radscore构建多元逻辑回归模型评估训练组患者是否MVI阳性,采用受试者工作特征曲线(ROC)评估Radscore, Clinics以及联合模型诊断MVI阳性...     

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MRI影像组学术前预测肝细胞癌病理分化程度

目的 探讨基于增强MRI的影像组学术前预测肝细胞癌(HCC)病理分化程度的价值.资料与方法纳入148例共165枚病灶行肝脏MRI检查,接受肝切除术且经病理证实为HCC.按照7∶3将样本随机分为训练组115枚病灶和验证组50枚病灶.分别对标注病灶术前增强三期MRI图像进行影像组学特征提取.利用Mann-Whitney U...     

基于MRI术前诊断肝细胞癌MVI的研究进展

肝细胞癌（hepatocellular carcinoma, HCC）是世界上第六大癌症,是肝脏最常见的恶性肿瘤,预后在一定程度上与微血管侵犯（microvascular invasion, MVI）相关,目前的金标准是病理学检测,影像学检查因其无创、便利,尤其是MRI检查,进行准确的术前评估,从而帮助医师在术前选择最恰当的治疗方式,本文将基于MRI术前预测肝细胞癌患者是否具有MVI进行论述。     

术前CT影像组学预测肝细胞癌微血管侵犯

目的 探讨术前CT影像组学在肝细胞癌微血管侵犯(MVI)预测中的应用价值.方法 回顾性分析219例孤立性肝细胞癌患者术前临床及术前CT资料.患者术前增强CT的门静脉期图像提取1361个影像组学特征.构建基于临床+影像图像分析特征的Clinical模型、影像组学特征的Feature模型和合并上述特征的Comb模型.通过H...     

多参数MRI影像组学模型对进展期鼻咽癌局部复发的预测价值

目的：探讨多参数磁共振成像（magneticresonanceimaging,MRI）影像组学模型对进展期鼻咽癌（nasopharyngeal carcinoma,NPC）局部复发的预测价值。方法：回顾并分析经病理学检查证实的86例进展期NPC的临床及影像学资料,将35例经病理学检查证实复发的患者列入复发组,51例随访无复发的患者列入无复发组。所有患者均行MRI扫描,采集初诊、放疗结束时及放疗后6个月共3个时间点的轴位T1加权成像（T1-weighted imaging,T1WI）增强扫描、T2加权成像（T2 weighted imaging,T2WI）-短时间反转恢复（short time inversion recovery,STIR）,采用Spearman相关分析提取特征参数,回归特征消除（recursive feature elimination,RFE）算法对冗余特征进行降维,再通过Ridge Classifier分类器学习得到预测模型,5折交叉验证法训练并验证模型。结果：进展期NPC复发组的复发间隔时间为7～61个月,中位时间为24个月。基于3个时间点T2WI-STIR及T...     

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。     

建立基于MRI-T2WI的影像组学模型预测肝细胞癌Ki-67的表达水平

目的 通过筛选出基于MRI-T2WI图像的最优影像组学标签,建立预测肝细胞癌(HCC)瘤体中细胞增殖抗原标记物(Ki-67)表达程度的预测模型.方法 搜集行肝部MRI影像学检查并经术后病理证实为HCC、行Ki-67表达水平检测的108例患者.并将所有病例随机分组为训练集(80％)、测试集(20％).经人工勾画出瘤体影像...     

基于MRI影像组学特征对乳腺癌淋巴血管浸润的预测价值

目的探讨MRI影像组学特征对预测乳腺癌有关淋巴血管浸润(LVI)的价值。方法选取病理确诊为乳腺浸润导管癌的患者80例,按照是否发生LVI分成发生组22例和未发生组58例,比较两组的临床资料和MRI表现差异。结果两组在年龄、文化程度、肿瘤背景实质强度程度、肿瘤最大直径方面差异无统计学意义(P>0.05);但在有无腋窝中淋巴结肿大、有无瘤周水肿、ADC值方面差异有统计学意义(P<0.05)。将有差异资料带入Logistic回归方程计算,得出腋窝中淋巴结肿大、瘤周水肿、ADC值均是影响乳腺癌LVI的主要因素,OR值>1。结论腋窝中淋巴结肿大、瘤周水肿、ADC值是乳腺癌LVI的影响因素,MRI有关影像组学特征对乳腺癌LVI均有较高的预测效能。     

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。     

基于MRI的放射组学评分和临床病理影像参数预测垂体瘤复发的Nomogram模型研究

目的:本研究拟联合多序列MRI的放射组学评分和临床、病理学等危险因素,构建预测垂体腺瘤术后复发的模型。方法:回顾性分析2012年6月-2017年6月128例确诊为垂体腺瘤(复发58例,未复发70例,随访5～10年)的临床病理和术前MRI资料。对术前图像进行分割并提取特征。经过降维后,最终选取6个与复发相关的组学特征构建linear-SVM、rbf-SVM、KNN、LR、RF和XGBoost机器学习模型及R-score。随后将R-score与病理、影像学变量相结合建立联合Nomogram模型。评价和比较模型的预测性能并通过校准曲线和决策曲线分析其临床价值。结果:在临床病理学及影像学特征中,Ki-67和肿瘤最大直径是垂体腺瘤复发的独立预测因子,linear-SVM是性能最好机器学习模型。相较于单一模型而言,联合Nomogram模型则在训练集(AUC=0.907,95%CI:0.843～0.972)和测试集(AUC=0.883,95%CI:0.769～0.996)中表现出了更好的预测性能。决策曲线也显示联合Nomogram显示出更好的预测性能和临床应用价值。结论:联合Nomogram模型在预...     

基于DCE-MRI定量参数图的影像组学模型预测子宫内膜癌脉管浸润

【摘要】目的：探讨基于动态增强磁共振（DCE-MRI）定量参数图的影像组学模型术前预测子宫内膜癌脉管浸润情况的应用价值。方法：回顾性搜集2016年1月－2021年2月于南通大学附属医院术前行DCE-MRI检查的109例子宫内膜癌患者的病例资料。按照7︰3的比例将总样本随机分为训练集（72例）和验证集（37例）。在DCE-MRI定量参数图［容积转移常数（Ktrans）、转运速率常数（Kep）和血管外细胞外容积分数（Ve）］上基于全肿瘤容积ROI提取影像组学特征,然后采用Lasso-Logistics回归分析进行影像组学特征的降维及筛选,建立影像组学模型,分别在训练集和验证集中采用ROC曲线对此模型预测子宫内膜癌脉管浸润的效能进行评估。结果：经降维和筛选,共7个影像组学特征与子宫内膜癌脉管浸润情况相关（P值均<0.05）。这7个组学特征所构建的影像组学模型对预测脉管浸润具有较高的诊断效能,在训练集中的ROC曲线下面积（AUC）为0.926,在验证集中为0.891。结论：基于DCE-MRI定量参数图构建的影像组学特征模型对子宫内膜癌脉管浸润具有较高的预测效能,可为患者治疗方案的制定和预后评估提供重要参考。     

MRI影像组学在肝细胞癌诊疗和预后评估中的研究进展

肝细胞癌（HCC）具有显著的异质性,且发病率和术后复发率较高。MRI影像组学对其临床诊断和治疗预后评估具有重要作用。相较于传统影像学的宏观特征分析,MRI影像组学能够高通量地提取定量的微观图像特征,目前已逐步应用于HCC的鉴别诊断、病理分级、微血管侵犯预测以及手术预后和非手术疗效评估等方面。就MRI影像组学在HCC诊疗和预后评估中的研究进展予以综述。     

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。