术前预测胃癌Lauren分型的CT影像组学诺模图的构建和验证

目的: 探讨基于CT图像的影像组学诺模图术前预测胃癌Lauren分型的可行性。方法: 回顾性分析经病理检查确认的539例胃癌患者的临床资料,按照7 ∶3的比例随机分为训练集和验证集,利用ITK SNAP软件对门脉期CT图像进行勾画,从瘤内及瘤周提取两组影像组学特征。利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归筛选出最优特征组合,分别构建了基于瘤内的模型、基于瘤周的模型及联合瘤内及瘤周特征的影像组学标签,基于临床特征构建了临床模型1和临床模型2,最后结合临床特征和影像组学标签构建了影像组学模型。利用受试者工作特征（receiver operator characteristic, ROC）曲线下面积（area under curve,AUC）评估模型的预测能力。采用Delong检验比较各个模型间的预测性能。采用校准曲线验证模型预测概率与实际病理结果的匹配性,决策曲线评估临床信息的有效性。结果： 影像组学标签在训练集与验证集的AUC分别为0.715 (95%CI：0.663～0.767),0.714(95%CI：0.636～0.792)。结合了临床特征及影像组学标签的影像组学模型性能优于其他模型,在训练集与验证集的AUC分别为0.745(95%CI：0.696～0.795),0.758（95%CI：0.685～0.831）。此外,校准曲线和决策曲线证明了影像组学诺模图具有良好的匹配性以及临床实用性。结论： 结合了影像组学标签及临床特征的影像组学模型有助于区分Lauren分型中的弥漫型及肠型胃癌,为合理制定临床治疗策略提供了依据。     

区分T1-2与T3-4期胃癌CT影像组学模型的建立与验证

目的:探讨基于CT影像组学构建的模型术前鉴别T1-2与T3-4期胃癌的价值。方法:回顾性分析465例术前行腹部CT增强扫描且经切除术后T分期明确的胃癌患者,将其分为T1-2期及T3-4期两组,采用分层抽样方法按7∶3分为训练集及测试集。在其静脉期CT图像上进行感兴趣区(ROI)的勾画及影像组学特征的提取。采用LASSO回归筛选出与T分期相关性最高的特征,分别利用逻辑回归、支持向量机及决策树建立影像组学模型。基于影像组学特征建立影像组学标签,基于临床特征建立临床模型,结合影像组学标签及临床特征构建影像组学诺模图。使用受试者工作特征(ROC)曲线评价各模型鉴别T分期的效能;Delong检验比较最优影像组学模型与临床模型的ROC曲线下面积(AUC)的差异性及诺模图与二者中效能更好的模型之间AUC的差异性;采用校准曲线评价模型评估与实际病理结果的匹配性,决策曲线评价模型的临床净收益。结果:影像组学模型中,逻辑回归模型的预测效能最好,在训练集和测试集上的AUC分别为0.864、0.836,均高于临床模型;结合影像组学标签及临床特征生成的影像组学诺模图预测效能优于3种影像组学模型和临床模型,在训练...     

基于急诊CT平扫影像组学在预测腹主动脉综合征中的价值

目的：探讨基于急诊CT平扫影像组学在腹主动脉综合征（AS）中的诊断价值。方法：收集2012年8 月至2020 年10 月于温州医科大学附属第二医院行腹部CT平扫和增强的急诊患者145 例。根据是否患有腹部AS,将所有患者按分层抽样法以7:3分为训练集和验证集。逐层手动勾画CT平扫图像上的腹主动脉并从中提取影像组学特征。经特征筛选后构建影像组学标签,并以此计算每位患者的影像组学评分（Radscore）。采用单因素和多因素Logistic回归分析寻找预测腹部AS的临床危险因素。最后使用多因素Logistic回归构建基于临床危险因素和Rad-score的联合模型,绘制列线图。使用受试者工作特征（ROC）曲线评估模型的诊断性能。结果：单因素和多因素Logistic回归分析显示,腹痛（OR =0.48,95%CI =0.19～1.22,P =0.12）、钙化斑内移（OR =8.76,95%CI =3.27～23.45,P ＜0.001）是腹部AS的危险因素,其构建的临床模型在验证集的ROC曲线下面积（AUC）为0.79。8个影像组学特征被选择用于构建影像组学标签,其在验证集的AUC为0.88。将该标签与临床模型结合获得联合模型,其在验证集的AUC为0.89。临床决策曲线显示,联合模型的临床实用性最优。结论：基于腹部CT平扫影像组学和临床危险因素构建的列线图能较好地预测急诊患者是否患有腹部AS。     

MRI增强序列列线图预测脑胶质瘤IDH1基因突变的研究

目的 探讨T1WI MRI增强序列的临床–影像组学列线图预测脑胶质瘤异柠檬酸脱氢酶1（isocitrate dehydrogenase 1,IDH1）基因突变的价值。方法 回顾性分析2016年2月至2022年2月宁波市医疗中心李惠利医院收治的98例经手术病理证实的脑胶质瘤（Ⅱ~Ⅳ级）T1WI MRI增强图像。其中,26例IDH1基因突变型（IDH1-M）、72例IDH1基因野生型（IDH1-W）,以7∶3比例划分为训练集（n=69）和测试集（n=29）,使用逻辑回归方法筛选特征并建立临床模型。勾画并测量脑胶质瘤的实质区及坏死区参数,建立Logistic回归影像组学模型,计算Radscore,生成列线图。采用校准曲线和受试者操作特征（receiver operating characteristic,ROC）曲线评价3个模型对脑胶质瘤IDH1基因突变状态的预测效能,进行决策曲线分析,评估列线图临床实用性。结果 训练集经过特征筛选,最终选择6个影像组学特征和2个临床特征用于构建列线图。临床模型在训练集和测试集中的曲线下面积（area under the curve,AUC）分别为0.834和0.718,影像组学模型分别为0.902和0.831,临床–影像组学组合模型最高,分别为0.906和0.857。校准曲线表明,临床–影像组学列线图在训练集中IDH1基因型的预测值和观察值之间具有较好的一致性（P=0.751）。决策分析曲线表明,组合模型的净收益在几乎整个Pt值范围内均高于临床模型及影像组学模型。结论 基于MRI T1WI增强序列的临床-影像组学列线图能较精准地预测IDH1基因突变状态。     

超声影像组学模型对乳腺癌人表皮生长因子受体2表达的预测价值

目的探讨超声影像组学模型对乳腺癌分子标志物人表皮生长因子受体2（HER-2）表达的预测价值。方法回顾2018年1月至2023年4月三峡大学第一临床医学院经病理检查证实为乳腺癌女性患者235例,其中HER-2表达阳性患者85例,HER-2表达阴性患者150例。将患者按7∶3随机分为训练集164例和验证集71例。选取显示乳腺病灶最大径线切面的超声图像,利用3D-Slicer软件手动图像分割和影像组学特征提取。然后对特征进行筛选,将特征进行Z-Score标准化,通过Pearson相关系数最小冗余最大相关算法和最小绝对收缩和选择算子筛选特征,利用AdaBoost算法构建影像组学模型。使用ROC曲线评估模型效能,Delong检验评价训练集和验证集间AUC的差异。结果最终选取8个影像组学特征用于构建超声影像组学模型。该模型在训练集和验证集中预测HER-2阳性表达的AUC、准确度、灵敏度、特异度、阳性预测值和阴性预测值分别为0.830（95%CI：0.772～0.888）、0.718、0.853、0.642、0.574、0.885,0.771（95%CI：0.629～0.912）、0.723、0.706、0.733、0.600、0.815。Delong检验结果显示训练集和验证集AUC的差异无统计学意义（P＞0.05）。结论超声影像组学模型对乳腺癌分子标志物HER-2表达的预测具有重要价值。     

基于DWI的影像组学列线图预测部分肝切除术后肝内胆管癌辅助化疗获益价值

目的 探讨基于弥散加权成像（DWI）的影像组学列线图（RN）预测肝内胆管癌（ICC）肝部分切除术（HPx）后辅助化疗（AC）获益人群的应用价值。方法 回顾性分析2018年1月—2022年1月我院行HPx的85例ICC患者的MRI和临床病理资料,分为训练集60例和验证集25例。用随机森林算法行基于DWI的影像组学特征筛选并建立预测早期复发（ER）的影像组学模型（RS）,并计算的影像组学评分。多因素Logistic回归法筛选临床、病理、常规影像中与ER相关变量建立临床-病理-影像（CPR）模型。筛选出的变量与影像组学评分构建临床-影像组学列线图（RN）,评估并验证上述模型的辨别度和校准度。用Kaplan Meier法和log-rank检验分析不同组预后差异。结果 验证集中,基于DWI的RS与CPR模型在预测ER有相似的区分性能（AUC：0.762 vs 0.624,P=0.271）,而RN模型（AUC：0.833）预测效能显著优于RS（P=0.012）。RN模型预测的ER高危组患者中,行手术+AC患者的OS与DFS较仅行接受手术治疗患者显著延长（DFS,P=0.035;OS,P=0.020)。结论 基于DWI的RN模型不仅可有效预测ICC患者术后发生ER,还可有效筛选术后AC获益人群     

基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者腋窝淋巴结负荷的价值

目的探讨基于机器学习的MRI影像组学列线图预测早期乳腺癌患者腋窝淋巴结（ALN）负荷的应用价值。方法回顾2015年1月至2022年6月丽水市中心医院经术后病理检查证实的377例早期乳腺癌患者,按7∶3的比例随机分为训练集264例和验证集113例。根据病理检查结果,将患者分为低负荷组（阳性ALN≤2枚,303例）和高负荷组（阳性ALN＞2枚,74例）。在Radcloud平台提取动态增强MRI第2期图像中乳腺肿瘤的影像组学特征,并依次采用方差阈值、单变量选择和最小绝对收缩和选择算子方法筛选最优影像组学特征。基于上述特征构建了5种机器学习分类器包括K近邻（KNN）、支持向量机（SVM）、逻辑回归（LR）、随机森林（RF）、极端梯度提升决策树（XGBoost）,选择验证集中AUC最高的分类器作为最佳影像组学模型。进一步行多因素logistic回归分析构建基于影像组学评分（Rad-score）和临床危险因素的列线图模型。采用ROC曲线评估不同模型的诊断效能。结果低负荷组和高负荷组在MRI报告淋巴结状态间的差异有统计学意义（P＜0.01）。经降维得到了16个与ALN负荷高度相关的影像组学特征。在验证集中,SVM分类器的诊断效能最好（AUC=0.762）。进一步结合Rad-score和MRI检查报告淋巴结状态建立列线图模型。ROC曲线结果显示,列线图模型在训练集和验证集中均呈现出良好的诊断效能,AUC分别为0.887、0.818。结论基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者ALN负荷具有较高的应用价值。     

基于DCE-MRI影像组学和常规MRI特征的列线图预测乳腺癌淋巴血管侵犯

目的：研究基于动脉对比增强磁共振成像（DCE-MRI）影像组学和常规MRI特征的列线图用于术前预测浸润性乳腺癌（IBC）患者的淋巴血管侵犯（LVI）状态。方法：回顾性分析2016 年7月至2021年5月间,经术后病理证实的300例IBC患者,并按照8:2比例随机分为训练组（n =238）和验证组（n =62）。对所有患者第二期DCE-MRI图像中的病灶区进行手动分割,并提取影像组学特征。采用方差阈值、select k best、LASSO回归进行影像组学特征筛选并计算影像组学评分（rad-score)。使用Logistic回归分析筛选常规MRI特征建立常规特征模型,并结合影像组学和常规MRI特征中的独立危险因素构建联合预测模型,并绘制列线图。使用受试者工作特征（ROC）曲线和校准曲线评估模型的效能,使用决策曲线分析评估模型的临床价值。结果：共提取到1 409个影像组学特征,经筛选得到15个影像组学特征与乳腺癌LVI状态相关,参与计算rad-score值。所有常规MRI特征中,最大直径（OR =1.743,P ＜0.001）和毛刺征（OR =6.304,P ＜0.001）是预测LVI阳性的独立危险因素。在训练组及验证组中,影像组学模型的ROC曲线下面积（AUC）分别为0.831和0.811;常规特征模型的AUC分别为0.779和0.770;联合预测模型的AUC分别可提高到0.889（95%CI =0.844～0.934）和0.856（95%CI =0.759～0.952）。校准曲线表明列线图预测值和实际值吻合较好,决策曲线显示列线图有较高的临床应用价值。结论：基于DCE-MRI影像组学和常规MRI特征构建的列线图用于术前预测IBC患者LVI状态具有良好的应用价值,可为临床治疗提供参考。     

CT影像组学预测胃癌不同预后组织学分型的可行性

目的: 探讨CT影像组学在胃癌不同预后组织学分型预测中的应用价值。方法: 回顾性分析570例胃癌患者的临床资料,按组织学分型分为预后较差组和预后较好组,按照2 ∶1的比例随机分为训练组和验证组。采用软件ITK SNAP从CT图像中分割胃癌原发病灶。采用多因素分析筛选出与胃癌不同预后组织学分型最大相关性的临床特征,并以此构建临床特征模型。从所有分割图像中提取特征,再使用最大相关最小冗余(mRMR)、最小绝对收缩和选择算子(LASSO)回归和逐步回归筛选出有效特征,并以此建立影像组学标签。最后,拟合影像组学标签与临床特征,构建影像组学模型,并用受试者工作特征（ROC）曲线下面积（AUC）进行性能评估。结果： 提取了985个二维图像特征,包括一阶统计量、形状特征、纹理特征等。通过去冗余特征筛选,得到5个最有效特征构建影像组学标签。3个临床特征（年龄、性别、CT M分期）作为构建临床特征模型的参数。相较于临床特征模型和影像组学标签,影像组学模型的预测性能表现最佳,影像组学模型AUC在训练组和验证组分别为0.726 2(95%CI：0.676~0.776),0.707(95%CI：0.632~0.781)。结论： CT影像组学在术前无创预测胃癌不同预后组织学分型方面具有一定的应用潜力。     

基于超声影像深度学习模型在评估乳腺癌肿瘤浸润淋巴细胞水平中的应用价值

目的 探讨基于超声影像的深度学习模型在预测乳腺癌肿瘤浸润淋巴细胞水平的可行性。方法 回顾性分析2019年1月1日-2022年9月30日就诊于兰州大学第二医院，经病理证实的275例乳腺癌患者的二维灰阶超声图像，其中训练集220例，验证集55例。根据病理结果，分为高肿瘤浸润淋巴细胞水平组和低肿瘤浸润淋巴细胞水平组。采用深度卷积神经网络残差网络模型训练和验证。使用受试者操作特征曲线下面积、准确率、特异度、敏感度和F1分数评价模型的诊断性能。结果 基于深度学习的残差网络模型对乳腺癌肿瘤浸润淋巴细胞水平预测的受试者操作特征曲线下面积为0.936,F1分数为0.878，准确率为87.3%，特异度为87.5%，敏感度为87.1%。结论 基于超声影像的深度学习模型有望成为无创预测乳腺癌肿瘤浸润淋巴细胞水平的重要工具。     

基于KUB、低剂量CT影像组学列线图预测攀枝花泌尿系统结石成分价值

目的探讨基于X线腹部平片(KUB)、低剂量CT影像组学列线图预测攀枝花泌尿系统结石成分价值,以期为临床明确结石成分、制定治疗方案提供依据。方法选取2019年6月至2022年6月我院96例泌尿系统结石患者作为研究对象,均行KUB、低剂量CT检查,根据术后结石成分红外光谱检测法定性结果分为尿酸结石组(n=83)和非尿酸结石组(n=13),采用A.K.软件提取CT影像组学特征并构建影像组学标签,Logistic回归方程筛选泌尿系统结石成分预测因子,构建列线图模型,ROC曲线评估模型预测效能,行内外部验证。结果尿酸结石组和非尿酸结石组BMI、血UA、尿pH值、血Scr、高血压、糖尿病比较存在显著差异(P<0.05);血UA、尿pH值、高血压、糖尿病、影像组学标签评分是泌尿系统结石成分影响因素(P<0.05);ROC曲线显示,列线图模型在训练集和验证集人群中AUC分别为0.915、0.915,该模型预测在训练集和验证集人群中结果与实际观察结果之间有很好相关性,DCA曲线显示在范围0.8～0.9、0.3～0.9内,该模型在训练集和验证集人群中净获益值较好。结论 基于KUB、低剂量CT影...     

预测浸润性乳腺癌无病生存期的临床影像融合模型研究

目的 构建术前临床影像组学融合模型,探讨其预测浸润性乳腺癌无病生存期的效能。方法 收集2015年7月至2017年5月浙江中医药大学附属第一医院术前接受乳腺动态增强MRI检查的浸润性乳腺癌女性患者131例。按照7∶3的比例随机分为训练集91例与内部验证集40例。从肿瘤和瘤体向外扩5mm区域分别提取原始肿块和瘤内加瘤周的影像组学特征。运用F检验及logistic回归分析对影像组学特征进行缩减后,分别建立影像组学模型。采用多因素Cox比例风险模型分析临床病理风险因素与无病生存期的关系,并确定有效的预测因素建立临床模型。将最优影像组学模型的影像组学评分（Radscore）和独立临床病理风险因素结合建立融合模型。采用ROC曲线评估影像组学模型和融合模型的预测效能。结果 在验证集中,临床模型、原始肿块影像组学模型、瘤内加瘤周影像组学模型及融合模型的AUC(95%CI)分别为0.791(0.690～0.893)、0.898(0.839～0.956)、0.930(0.878～0.983)、0.969(0.941～0.996),灵敏度分别为0.789、0.895、0.842、0.947,特异度分别为0....     

基于钼靶影像组学列线图预测乳腺癌Her-2表达状态

目的：探讨基于钼靶影像组学列线图在术前预测乳腺癌Her-2表达状态的应用价值。方法：分析手术或穿刺前行乳腺钼靶检查的262例女性浸润性导管癌(IDC)病人。按照7∶3比例随机分为训练集183例和测试集79例。利用钼靶图像手动勾画感兴趣区(ROI),通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归提取影像组学特征,通过统计和LASSO机器学习方法降维,保留纳入模型的最优预测特征,采用logistic回归作为分类器,建立影像组学模型;结合影像资料,通过单-多因素logistic回归,筛选独立危险因素建立影像特征模型;将影像组学特征结合独立危险因素建立影像组学列线图模型。采用受试者操作特征(ROC)曲线分析各模型的预测效能并计算曲线下面积(AUC),并绘制校准曲线及决策曲线评估其效能。结果：列线图模型的预测效能最佳,训练集敏感度84.62%,特异度84.75%,AUC值为0.920,测试集敏感度84.00%,特异度83.33%,AUC值为0.916。校准曲线中列线图模型的预测曲线与理想曲线一致性较好...     

CT影像组学识别非酒精性脂肪性肝炎的应用研究

目的 构建并验证基于CT的全肝影像组学模型用于识别非酒精性脂肪性肝炎（non-alcoholic steatohepatitis,NASH）。方法 回顾性选取2018年6月至2022年12月浙江省人民医院收治的122例非酒精性脂肪性肝病患者,其中NASH患者52例。将纳入患者按7：3比例随机分为训练组（n=85）和测试组（n=37）,选取每例患者的肝脏平扫图像提取影像组学特征,对训练组提取的特征进行降维并建立影像组学标签,之后联合相关临床特征构建联合预测模型用于识别NASH患者,使用受试者操作特征曲线及测试组数据评估模型的诊断效能。结果 联合预测模型基于年龄和影像组学标签构建,该模型在训练组和测试组中识别NASH患者的诊断效能分别为0.899和0.880,特异性分别为91.2%和88.1%,敏感度分别为86.7%和88.2%。校准曲线在训练组和测试组中也显示出良好的校准性能。结论 基于肝脏CT的影像组学模型可定量评估NASH,有望为临床提供一种无创性评价工具。     

基于靶扫描和常规扫描CT图像的影像组学模型预测肺磨玻璃结节的2年生长

 目的 比较基于靶扫描CT（targeted CT,T-CT）和常规扫描CT（conventional CT,C-CT）图像建立的CT影像组学特征集预测肺磨玻璃结节（ground-glass nodules,GGN）2年生长的价值,并建立影像组学列线图以帮助管理GGN。方法 回顾性收集2018年10月—2019年1月间414个随访肺GGN的T-CT、C-CT图像和临床资料,并按7∶3分为训练组（n=290）和验证组（n=124）。分别采用最小绝对收缩与选择算法逻辑回归、多因素逻辑回归筛选GGN 2年生长相关的影像组学特征及临床特征,构建影像组学特征集、临床特征集,结合成影像组学列线图。采用Delong检验比较基于T-CT和C-CT图像建立的CT影像组学特征集,并分别用C-CT和T-CT数据进行交叉预测。分别采用受试者工作特征曲线下面积（AUC）和临床决策曲线评估各模型效能和临床实用性。结果 T-CT和C-CT图像分别筛选出7个和6个特征用于构建影像组学特征集,两者AUC差异无统计学意义。筛选出年龄、性别和毛刺征3个临床特征构建临床特征集,结合C-CT影像组学特征集构建影像组学列线图。影像组学列线图在训练组和验证组中的AUC分别为0.948和0.933。临床特征的纳入未能显著提高模型预测效能（训练组和验证组P值分别为0.168和0.160）,影像组学列线图较影像组学特征集获得更高临床净收益。结论 T-CT和C-CT影像组学特征集均能有效预测GGN的2年生长,且差异无统计学意义。影像组学列线图较影像组学特征集获得更高临床净收益,有助于管理GGN。     

基于乳腺X线摄影影像组学列线图预测BI-RADS 4～5类钙化病灶恶性风险

目的 探讨基于乳腺X线摄影（MG）影像组学列线图在预测乳腺影像报告与数据系统（BI-RADS）4～5类钙化恶性风险中的价值。方法 回顾2017年1月至2020年12月浙江省立同德医院和蚌埠医学院第一附属医院经病理检查证实的292例MG表现为乳腺影像报告与数据系统（BI-RADS）4～5类钙化患者的临床及影像资料,其中良性121例,恶性171例。所有患者以7∶3比例分成训练集（204例）及验证集（88例）,对头尾位（CC）和内外斜位（MLO）图像进行手工分割并提取影像组学特征,并应用最小冗余最大相关（mRMR）及最小绝对值收敛和选择算子（LASSO）回归筛选最有价值的特征。采用logistic回归构建影像组学模型,从临床因素中筛选差异有统计学意义的危险因素并建立临床模型,再联合临床-影像组学特征建立联合模型,基于联合模型勾画列线图。采用ROC曲线评价各模型的效能,应用决策曲线比较各模型的临床应用价值。结果 分别从CC、MLO图像中提取并筛选出4个和6个影像组学特征构建影像组学模型,其验证集中的AUC为0.714,灵敏度为0.792,特异度为0.600,准确度为0.705。年龄和BI-RA...     

基于CT影像组学对食管鳞状细胞癌病理分化程度的预测

目的：探讨CT影像组学在预测食管鳞状细胞癌分化程度中的价值。方法：回顾性分析2008年1月到2016年8月经手术病理切片证实为食管鳞状细胞癌,临床资料完善和术前行CT增强扫描并获得完整图像的160例,随机分成训练集(103例)和验证集(57例),运用Matlab软件对图像进行特征提取并进行筛选,建立影像组学标签。结合获得的影像组学标签和临床资料建立多变量logistic回归分析,建立影像组学模型(radiomics predictive mode)并进行验证。运用受试者操作特征(receiver operator characteristic,ROC)曲线评价模型术前预测食管鳞状细胞癌分化程度的效能。结果：影像组学标签为食道癌病理分化程度显著的独立预测因素。影像组学预测模型在训练组中的曲线下面积(area under curve,AUC)值为0.791,敏感度为81.6%,特异度为72.3%;在验证集中的AUC值为0.757,敏感度为70.0%,特异度为73.0%。结论：基于CT影像提取的影像组学特征构建的模型,对于术前预测食管癌分化程度具有一定的效能。     

基于超声影像组学及临床特征构建乳腺癌列线图的预测模型

目的：通过整合临床危险因素和术前超声影像组学评分,建立一个基于超声影像组学的列线图预测乳腺癌。方法：回顾性收集2020年10月—2023年2月有明确病理结果的525例患者的525个乳腺肿块（其中良性241例,恶性284例）的超声图像,按照7∶3比例随机分为训练组（368例）、验证组（157例）。根据肿块轮廓勾画出肿瘤的感兴趣区域（Region of interest,ROI）,并提取影像组学特征。采用最小绝对收缩和选择算子（Least absolute shrinkage and selection operator, LASSO）对超声影像组学特征进行降维分析,选择Logistic回归分类器将结果输出转换为影像组学评分（Radiomics score,Rad-Score）,作为Rad-Score模型。此外,采用Logistic回归方法将影像组学评分与临床危险因素进行整合,构建联合模型并绘制列线图。绘制ROC曲线及校准曲线以评价模型效能。结果：提取的851个影像组学特征中筛选出13个非零特征用于建立模型,多因素分析中,乳腺癌患者的独立危险因素是年龄,基于患者年龄及Rad-Score构建...     

基于磁共振肝脾影像组学特征结合临床影响因素联合模型诊断显著性肝纤维化的效果评价

目的：探讨基于多模态平扫腹部MRI提取肝脏-脾脏联合影像组学特征结合临床影响因素联合模型在诊断显著性肝纤维化中的效果。方法：收集2017 年5月至2022 年5月于温州医科大学附属第二医院行经肝脏组织穿刺活检或手术病理检查证实为肝纤维化,并在病理检查6个月内接受过标准腹部MRI平扫检查的患者110例,将所有患者以7:3随机分为训练集和测试集。按照METAVIR评分系统,将F2级及以上定义为显著性肝纤维化组（62例）,F2级以下定义为无或非显著性肝纤维化组（48例）。分别标注肝脏、脾脏特征,并从中提取影像组学特征经筛选后分别构建肝脏、肝脏-脾脏联合特征的支持向量机影像组学模型和影像组学标签,以此计算每位患者的影像组学评分（Rad-score）。采用Logistic回归分析显著性肝纤维化的临床影响因素。最后使用Logistic回归构建基于临床影响因素和Rad-score的联合模型,绘制列线图。使用受试者工作特征（ROC）曲线和决策曲线分析（DCA）评估模型的性能。结果：有22、36 个影像组学特征经筛选后分别用于构建肝脏、肝脏-脾脏影像组学模型。多因素Logistic回归分析结果显示,性别女性（OR =0.126,95%CI =0.040～0.354,P ＜0.001）、年龄（OR =0.985,95%CI =0.066～0.999,P =0.011）、乙肝感染（OR =5.139,95%CI =1.898～15.137,P =0.002）、APRI指数≥1（OR =3.793,95%CI =1.231～14.5,P =0.033）是独立临床影响因素,被纳入构建临床预测模型。在Logistic回归模型中,肝脏特征、肝脏-脾脏联合特征所构建的影像组学模型在ROC曲线下面积（AUC）分别为0.828和0.917,表明肝脏-脾脏联合特征影像组学模型诊断效能更优。将肝脏-脾脏联合特征影像组学模型作为影像组学预测模型与临床预测模型结合获得联合预测模型,其在训练集、测试集的AUC分别为0.948和0.963。DCA显示,联合预测模型的临床实用性最佳。结论：基于多模态平扫腹部MRI提取肝脏-脾脏联合影像组学特征较单一肝脏特征在诊断显著性肝纤维化中有更好的诊断效能,联合预测模型相比临床预测模型能进一步提高诊断效能。     

影像组学联合临床病理特征预测早期宫颈癌无病生存期的效能

目的：对比最优磁共振组学参数及临床病理参数预测早期宫颈癌患者无病生存期的诊断效能。方法：回顾性分析2013年1月—2018年6月行根治性子宫切除及淋巴结清扫术的186例早期宫颈癌患者[术前国际妇产科联盟（Federation International of Gynecology and Obstetrics,FIGO）分期ⅠB~ⅡA],搜集患者多模态磁共振组学参数、临床特征、术后病理特征及患者术后无病生存期,用最小决策收缩和选择算子（LASSO）及比例风险回归模型来计算影像组学评分（Rad-score）,构建临床病理特征模型（包括有意义的临床特征和病理特征）、影像组学模型（T1CE、DWI、T2WI、T1CE+DWI、T1CE+T2WI、DWI+T2WI 和T1CE+DWI+T2WI的影像组学评分）及联合模型对早期宫颈癌患者无病生存期的预测效能进行相互比较。结果：在预测早期宫颈癌无病生存期中,T1CE序列的组学模型（C指数：训练集0.798,验证集0.758）优于临床病理模型（C指数：训练集0.746, 验证集0.641）。联合模型（病理类型、淋巴结转移及T1CE的影像组学评分）拥有最高的诊断效能（C指数：训练集0.848,验证集 0.784）。结论：基于T1CE的影像组学评分联合临床病理特征对早期宫颈癌无病生存期具有较高的预测效能。