CT影像组学预测胰腺导管腺癌患者术后无病生存期的价值

【摘要】目的：探讨基于平扫和三期增强CT的影像组学模型及临床-组学综合模型对胰腺导管腺癌（PDAC）患者术后无病生存期（DFS）的预测价值。方法：回顾性分析2013年12月－2021年6月在本院经术后病理证实的124例胰腺导管腺癌患者的病例资料。所有DFS患者术后随访时间大于3个月。采用随机分组法,按照7:3的比例将患者分为训练集（n=87）和验证集（n=37）。所有患者术前行腹部CT平扫及三期（动脉期、静脉期、延迟期）增强扫描。使用ITK-SNAP软件分别在四期CT图像上沿胰腺肿瘤边缘逐层勾画ROI并融合生成三维容积ROI（VOI）,然后导入FAE软件中提取影像组学特征。采用单因素Cox回归分析及LASSO-Cox回归分析进行纹理特征的筛选,然后分别构建各期和多期联合（动脉期+静脉期+延迟期）影像组学模型并计算相应的影像组学标签得分。采用单因素和多因素Cox回归分析筛选临床特征和CT形态学特征并构建临床模型。采用多因素Cox回归分析结合临床模型变量及影像组学标签构建临床-组学综合模型并绘制其诺莫图。采用一致性指数（C-index）、时间依赖性（time-dependent）ROC曲线、校正曲线和决策曲线分析（DCA）对模型的诊断效能及临床效益进行评价。利用R语言计算临床-组学综合模型的最佳截断值,并据此将患者分为高风险组和低风险组,采用Kaplan-Meier法分析生存资料并进行log-rank检验。结果：基于平扫、动脉期、静脉期和延迟期及多期联合分别筛选得到5、16、4、12和17个组学特征,分别建立相应的组学模型并获得影像组学标签值。经log-rank检验,所有组学标签均与DFS具有相关性（P<0.05）,其中多期联合模型的预测效能最佳（训练集：C-index=0.786,6~24个月AUC=0.850~0.928;验证集：C-index=0.802,6~24个月AUC=0.796~0.874）;而临床模型的预测效能较低（训练集：C-index=0.635,6~24个月AUC=0.647~0.679;验证集：C-index=0.596,6~24个月AUC=0.545~0.656）。临床-组学综合模型的预测效能（训练集：C-index=0.812,6~24个月AUC=0.883~0.958;验证集：C-index=0.796,6~24个月AUC=0.813~0.894）明显优于临床模型;校准曲线显示临床-组学综合模型的拟合度好;DCA显示临床-组学综合模型的临床净收益优于临床模型。临床-组学综合模型的截断值为2.738。Kaplan-Meier生存分析显示在训练集和验证集中,高风险组患者的DFS明显短于低分风险组。结论：基于多期CT扫描的影像组学模型结合临床特征构建的临床-组学综合模型在预测胰腺导管腺癌患者术后DFS方面,相较于临床模型和影像组学模型具有更好的预测效能,有助于指导临床制订个体化的治疗策略和改善患者的预后。     

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。     

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。     

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...     

多序列MRI影像组学在子宫内膜癌组织学分级术前预测的价值

目的 探究MRI多序列成像及其影像组学对子宫内膜癌组织学分级术前预测的鉴别诊断效能,并与CA12-5值、MRI影像表现对照。方法 对134例经病理确诊为子宫内膜癌的MRI多序列图像进行回顾性分析,分成训练组（n=93）和验证组（n=41）,基于T₂矢状位、增强矢状位及扩散加权成像（DWI）提取影像组学特征;采用“逻辑回归”分类器模型,结合CA12-5值构建CA12-5模型,结合MRI影像表现统计学特征构建MRI影像表现模型,结合组学特征构建组学模型,联合MRI影像表现及组学统计学特征构建联合模型;受试者工作特征曲线（ROC）及曲线下面积（AUC）用于评价模型的鉴别诊断效能,Delong检验用于比较模型间AUC差异是否具有统计学意义。结果 CA12-5模型由统计的CA12-5值构成;MRI影像表现模型由最大层面矢状面长径、肌层浸润深度、淋巴结肿大、子宫内膜连续性、液化坏死、宫颈受累情况构成;影像组学模型由筛选出的影像组学特征构成;联合模型由MRI影像表现及影像组学特征构成。CA12-5模型、MRI影像表现模型、影像组学模型及联合模型在训练组中的AUC分别是0.629...     

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。     

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。     

CT影像组学在头颈部木村病淋巴结病变与淋巴瘤鉴别中的应用

【摘要】目的：探讨基于增强CT影像组学特征鉴别头颈部木村病淋巴结病变和淋巴瘤的可行性,并验证建立的逻辑回归诊断模型。方法：回顾性分析经手术病理或穿刺活检证实的14例头颈部木村病（38枚肿大淋巴结）和27例淋巴瘤患者（37枚肿大淋巴结）的相关资料,所有患者均行头颈部增强CT扫描。将病灶所有显示层面的CT静脉期图像导入ITK-SNAP软件（www.itksnap.org）,手动勾画立体感兴趣区（VOI）,使用artificial intelligence kit软件提取纹理特征。按照7:3的比例将数据随机分为训练组与验证组。采用方差分析+秩和检验、一般线性模型和Lasso算法进行特征降维,并用最终筛选出的纹理特征构建逻辑回归模型并进行5折交叉验证。用验证组数据对模型进行验证,评价指标采用ROC曲线下面积（AUC）、敏感性和特异性。结果：从75个病灶中共提取396个特征,通过降维最终筛选出5个可用于鉴别两种病变的组学特征。逻辑回归模型在训练组中鉴别效能的AUC为0.987,特异度为0.958,敏感度为0.966;验证组的AUC 为0.938,特异度为0.786,敏感度为1。结论：影像组学鉴别头颈部木村病淋巴结病变和淋巴瘤具有可行性,基于CT影像组学特征建立的逻辑回归模型具有较高的诊断效能。     

基于CT影像组学鉴别非小细胞肺癌纵隔转移性淋巴结的模型研究

目的建立不同CT扫描时相图像鉴别非小细胞肺癌(non-small cell lung cancer,NSCLC)纵隔淋巴结的影像组学模型,并探讨不同模型的诊断效能。方法回顾性分析86例NSCLC患者的术前CT图像,所有患者均行平扫期、动脉期和静脉期CT扫描。选取231枚纵隔淋巴结为研究对象,将2015年1月—2017年6月入组的163枚淋巴结作为训练组,2017年7月—2018年6月入组的68枚淋巴结作为验证组。分别在三时相图像上勾画感兴趣区域(regions of interest,ROI),每个ROI提取841个影像特征,使用LASSO算法筛选特征,基于各时相CT影像组学特征和两不同时相CT影像组学特征的差值建立模型。比较不同模型的受试者工作特征曲线(receiver operating characteristic,ROC)下面积(AUC值)、敏感性、特异性、准确度、阳性预测值和阴性预测值的差异。结果共建立6个模型,其AUC值均>0.800。平扫期CT模型具有最优的鉴别效能,其训练组的AUC值、特异性、准确度、阳性预测值分别为0.926、0.860、0.871、0.906,验证组的AUC值、特异性、准确度、阳性预测值分别为0.925、0.769、0.882、0.870,均高于其他模型。平扫和静脉期CT图像联合动脉期CT图像之后,训练组的敏感性、阴性预测值分别从0.879、0.821和0.919、0.789提高到0.949、0.878和0.979、0.900。结论CT各时相影像组学模型均可用于辅助临床诊断淋巴结。平扫CT影像组学模型的AUC值最高,而联合动脉期CT图像可提高模型的敏感度及阴性预测值。     

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。     

CT影像组学机器学习模型鉴别肺炎型黏液腺癌与机化性肺炎

【摘要】目的：评估CT影像组学结合机器学习方法鉴别原发肺炎型黏液腺癌（PTMA）与机化性肺炎（OP）的价值。方法：回顾性分析2010年1月－2020年1月在本院经病理证实的51例PTMA患者与50例OP患者的临床及影像学资料。分别在平扫及CT增强图像上提取病灶的影像组学特征,通过线性相关性分析和L1正则化方式进行特征的筛选和降维。对两组的临床特征、CT形态学特征及影像组学特征进行统计学分析,将3类特征中有统计学意义者分别或联合构建机器学习预测模型,共获得4个预测模型（临床、CT形态学征象、影像组学合联合模型）。采用ROC曲线分析评估各类模型的诊断效能。结果：临床特征中的性别、咳白黏痰、癌胚抗原和糖类抗原153、CT形态学征象中的小结节、空泡/假空洞征、血管造影征和重力分布在PTMA组与OP组之间的差异均有统计学意义（P<0.05）。二元logistic回归分析显示性别、小结节、空泡/假空洞征和血管造影征是鉴别PTMA与OP的独立预测因素（P<0.05）。在训练集和验证集中各类机器学习模型的AUC：影像组学模型为0.997和0.946,临床模型为0.869和0.814,CT形态学特征模型为0.919和0.797,联合模型为0.999和0.972。Delong检验显示影像组学模型的诊断效能显著优于临床模型及CT形态学特征模型（P均<0.05）,与联合模型无显著差异（P>0.05）。结论：CT影像组学结合机器学习方法提取并分析多维度影像数据,可以有效鉴别PTMA与OP,辅助临床治疗决策。     

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...     

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...     

基于胰腺周围脂肪间隙CT影像组学预测早期急性胰腺炎进展的价值

目的:探讨基于胰周脂肪间隙CT影像组学预测早期急性胰腺炎(AP)进展的价值。方法:回顾性分析123例根据新修订的亚特兰大分类诊断为AP的患者(进展组39例,非进展组84例),所有患者均接受腹部平扫及增强CT扫描。采用完全随机方法将患者按7:3的比例分为训练组和验证组。对各期手动勾画距炎症胰腺前缘3～5 mm范围的单层感兴趣区(ROI),采用AK软件提取CT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)回归分析对纹理特征降维、建立影像组学标签,并运用100次留组交叉验证(LGOCV)对模型的可靠性进行验证。将临床资料、CT特征及影像组学标签采用多因素Logistic回归分析建立影像组学模型。利用受试者工作特征(ROC)曲线评价模型的预测效能,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、平扫序列影像组学标签、联合序列影像组学标签、平扫序列个性化模型及联合序列个性化模型在训练组中的AUC分别为0.70、0.94、0.94、0.94及0.97,在验证组中的AUC分别为0.83、0.95、0.96、0.99、0.98。DCA显示平扫、联合...     

基于MRI影像组学鉴别卵巢卵泡膜细胞瘤与阔韧带肌瘤

目的 探讨基于MRI影像组学对卵巢卵泡膜细胞瘤（OTCA）与阔韧带肌瘤（BLM）的鉴别诊断价值。资料与方法 回顾性分析安阳市肿瘤医院2016年1月—2021年3月经病理证实的76例OTCA和58例BLM的MRI图像,比较两组疾病的MRI特征。于肿瘤最大层面勾画感兴趣区提取T2WI脂肪抑制序列图像纹理特征,采用分层抽样方式按照7∶3分为训练组104例和测试组30例,根据病理结果分为OTCA亚组和BLM亚组。基于训练组,使用最小绝对收缩和选择算子回归分析筛选关键特征,根据回归模型中变量的回归系数,建立线性方程计算影像组学标签评分。采用受试者工作特征（ROC）曲线评价基于MRI图像特征、影像组学及其组合区分两种疾病的能力。结果 共4个MRI特征为鉴别两组疾病的独立特征,包括同侧卵巢可见性（χ2=5.503,P<0.05）、外周囊性区（χ2=7.693,P<0.05）、动脉期强化程度（P<0.05）及表观扩散系数（t=3.310,P<0.05）;训练组和测试组OTCA、BLM亚组的影像组学标签评分比较,差异均有统计学意义（P<0.05）。联合MRI图像特征和影像组...     

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...     

CT影像组学预测局部进展期直肠癌新辅助治疗的效果

目的探讨CT影像组学在治疗前预测局部进展期直肠癌新辅助治疗效果的价值。资料与方法回顾性分析168例新辅助治疗后行根治术的局部进展期直肠癌患者,收集治疗前临床及CT资料,根据术后病理肿瘤退缩分级分组。采用A.K.软件提取CT影像组学特征并构建影像组学标签。通过多变量Logistic回归筛选疗效预测因子并构建诺莫图模型。利用ROC曲线评价模型诊断效能,并对模型进行内部验证、校准度评价及临床应用价值分析。结果每例患者各提取了396个CT影像组学特征,降维后筛选出6个与局部进展期直肠癌新辅助治疗效果高度相关的特征。联合独立预测因子影像组学标签、癌胚抗原≥3.4 ng/ml和临床T分期(cT4)构建的诺莫图模型ROC曲线下面积(0.881)高于影像组学标签(0.791),且具有较高的校准度、内部验证一致性及临床应用价值(P>0.05)。结论基于治疗前CT及临床资料构建的模型对局部进展期直肠癌新辅助治疗效果预测具有较高的预测效能,且联合预测模型的预测效能优于影像组学标签。     

基于CT靶扫描构建多模态联合模型Nomogram评估孤立性肺结节

目的:探究基于CT靶扫描图像提取影像组学特征联合CT征象构建多模态联合模型术前评估孤立性肺结节(SPN)的可行性。方法:纳入2018年1月-2020年7月在郑州大学第二附属医院行胸部CT扫描诊断为SPN以SPN为中心的薄层靶扫描的患者,继而由医师遵循单盲原则定性评估患者CT征象后,对SPN进行病灶3D分割,导入pyradiomics进行特征提取。患者按照7:3比例随机分为训练组和测试组,以训练组患者SPN良恶性为研究目的,对影像组学特征进行去冗除杂以构建影像组学标签Rad-score,并纳入CT征象特征联合Rad-score构建多元逻辑回归模型评估SPN的良恶性。结果:共计纳入82名SPN患者,恶性结节共计43例,良性结节39名。训练组中59例患者,其中31例恶性,28例良性;测试组中23例患者,其中12例恶性,11例良性。取最小惩罚系数对应的10个特征构建的影像组学标签(Radiomics signature, Rad-score)。采用ROC分析Rad-score在训练组和测试组中评估恶性SPN的诊断效能,训练组中Rad-score的AUC=0.89,95%置信区间：0.81～0....