基于多参数磁共振成像的影像组学列线图在识别脑白质高信号半暗带中的应用研究

目的探讨使用T2WI联合FLAIR序列成像的影像组学列线图识别脑白质高信号半暗带的临床可行性。方法回顾性分析2012年至2017年我院收治的57例白质高信号进展患者和57例健康体检者的资料并分为训练组(n=80)和验证组(n=34)。对每例患者和健康体检的白质高信号半暗带区分别对T2WI和FLAIR图像提取纹理特征,然后对训练组使用最小绝对收缩与选择算子算法进行降维并建立影像组学标签,同时结合临床危险因素作为Logistic回归分析的潜在预测因子构建识预测模型并制作模型列线图。通过验证组数据评估影像组学列线图的性能和临床应用价值。结果列线图预测白质高信号半暗带的准确率在训练组和验证组中分别为0.881和0.862。Hosmer-Lemeshow检验在训练和验证集间差异均无统计学意义(P>0.05)。使用受试者工作特征曲线评估列线图、影像组学标签和糖尿病因素的AUC分别为0.829、0.819和0.64。结论基于多参数磁共振成像的影像组学列线图可作为一种量化工具帮助临床医生识别白质高信号半暗带,从而进行早期的干预治疗。     

急性脑卒中血管内治疗后恶性脑水肿风险的列线图预测模型构建

目的 基于多模态MRI影像组学及临床危险因素构建列线图模型,探讨其预测急性脑卒中血管内治疗后恶性水肿风险的临床价值。方法 回顾性分析在南京市第一医院神经内科接收血管内治疗的急性脑卒中患者128例。将患者分为恶性脑水肿组和无恶性脑水肿组。对患者多模态MRI图像病变区进行影像组学特征提取及筛选,构建影像组学标签。应用多变量Logistic回归构建列线图模型,并对模型预测水肿的效能进行评价。结果 经筛选后与急性卒中恶性脑水肿高度相关的特征10个。ROC显示联合影像组学标签、年龄、入院NIHSS评分、DWI梗死体积、Tmax>6s体积构建的列线图模型预测训练集恶性脑水肿的AUC为0.959(敏感度和特异度：0.906、0.938),预测测试集恶性脑水肿AUC为0.889(敏感度和特异度：0.953、0.850)。该列线图模型的一致性指数为0.913(95%CI:0.881～0.942,P<0.01)。结论 多模态MRI影像组学联合临床特征的列线图模型可准确预测急性脑卒中血管内治疗后恶性脑水肿风险。     

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。     

基于多参数MRI影像组学的列线图对膝关节半月板损伤风险度的评估

目的通过基于多参数MRI影像组学的列线图对膝关节半月板的损伤进行风险度评估。方法选取2020年11月至2021年11月在浙江大学医学院附属杭州市第一人民医院行右膝关节MRI检查的患者86例,按照7:3的比例进行分层抽样,将86例患者随机分为训练组59例,验证组27例。根据MRI诊断标准将所有患者分为撕裂组50例和未撕裂组36例。所有图像在联影智能科研平台上进行影像组学特征提取并筛选,得到影像组学特征参数分数（Rad-score）,同时建立影像组学特征模型。通过纳入Rad-score及患者的临床资料,用二元logistic回归建立联合模型,得到联合模型的列线图,实现模型可视化。同时另选取2020年9月至2021年12月在浙江大学医学院附属杭州市肿瘤医院行左膝关节MRI检查的患者30例对模型进行外部验证,优化模型。绘制ROC曲线评价临床特征模型、影像组学特征模型及联合模型对膝关节半月板损伤风险的评估效能。结果联合模型对膝关节半月板损伤风险有较好的评估效能,训练组AUC=0.916,95%CI：0.815~0.973,灵敏度为0.703,特异度为0.955,准确度为0.797;验证组AUC=0.907,95%CI：0.731~0.984,灵敏度为0.846,特异度为0.929,准确度为0.889。通过外院30例膝关节MRI图像进行联合模型的外部验证显示,模型预测结果准确度为0.733（22/30）,联合模型预测结果与膝关节半月板实际损伤呈中等的一致性（Kappa=0.467,P＜0.01）。结论通过基于膝关节多参数MRI的Rad-score及临床特征资料建立的联合模型所得到的列线图,对膝关节半月板损伤的风险度评估具有一定价值。     

基于钆塞酸二钠增强磁共振成像影像组学定量评估肝硬化患者肝脏储备功能的应用价值

目的 利用影像组学技术探究基于钆塞酸二钠增强磁共振成像(MRI)肝胆期图像的影像组学特征与肝硬化Child-Pugh 分级的相关性,创建列线图预测模型并评价其对肝硬化患者肝脏储备功能的预测价值。方法 收集符合纳入标准的100例肝硬化患者,按照Child-Pugh分级标准分成52例Child-Pugh A级患者和48例Child-Pugh B+C级患者,并分别按照7∶3的比例随机分成训练集和测试集。采用AK软件提取训练集患者的钆塞酸二钠增强MRI肝胆期图像的影像组学特征,采用最小绝对收缩与选择算子算法特征选择算法对数据进行降维、特征选择和构建影像组学标签。根据影像组学标签创建预测肝脏储备功能Child-Pugh B+C级的列线图预测模型,将该模型分别应用于训练集和测试集中,并利用受试者工作特征(ROC)曲线定量评估其诊断效能。结果 经过对利用AK软件提取的396个纹理特征参数进行降维筛选,最终得到7个影像组学特征参数。根据以上特征建立构建影像组学标签并创建列线图预测模型。通过Wilcoxon秩和检验统计分析训练集和测试集中的Child-Pugh A级和Child-Pugh B+C级的影像组学标签分数值的差异均具有统计学意义(P=0.000,P=0.001)。列线图预测模型预测肝脏储备功能Child-Pugh B+C级的诊断效能在训练集及测试集中的ROC曲线下面积分别为0.88和0.86。结论 根据不同肝脏储备功能的肝硬化患者影像组学标签创建的列线图预测模型可以作为肝脏储备功能的较为准确可靠的辅助检测工具,为临床医生更加准确评估肝硬化患者的肝脏储备功能提供一种新手段。     

基于MRI影像组学列线图预测脑膜瘤术后脑水肿分级的价值

目的 探究基于多序列MRI影像组学列线图预测脑膜瘤术后脑水肿严重程度的临床应用价值。方法 回顾性分析2019年1月至2022年4月在蚌埠医学院第一附属医院经手术病理证实为脑膜瘤患者170例的术前MRI图像、术后CT图像及临床资料,轻度脑水肿患者101例、重度脑水肿患者69例。随机的将病例按照7:3分为训练组(119例)和验证组(51例)。采用医准-达尔文AI平台获得T₁WI、T₂WI及T₁WI+C图像的10个影像组学特征。根据最大绝对值归一化和选择算子回归进行特征降维、最优特征筛选(个数)最后采用逻辑回归建立模型,在此模型基础上绘制列线图。三种不同模型预测脑膜瘤术后水肿程度的诊断效能用特征曲线(ROC)下的面积(AUC)评估。结果 基于临床特征构建的临床模型、基于影像特征构建的影像模型及联合临床资料和影像特征构建的临床-影像组学模型在训练组和验证组的AUC均大于0.80,具有一定的预测效能。其中基于临床资料和影像特征构建的临床-影像组学模型在训练组(AUC=0.90)和验证组(AUC=0.91)均高于临床模型和影像组学模...     

基于胸部CT影像组学的列线图对非小细胞肺癌表皮生长因子受体基因突变的预测价值

目的通过基于胸部CT影像组学的列线图对非小细胞肺癌（NSCLC）表皮生长因子受体（EGFR）基因突变进行鉴别和预测。方法回顾杭州市第一人民医院2019年1月至2020年8月经病理检查证实为NSCLC的153例患者胸部CT图像及EGFR基因检测结果,将所有患者分为基因突变组90例及野生组63例,通过7︰3比例的分层抽样将所有患者分为训练组108例和验证组45例,提取所有CT图像影像组学特征并筛选,得到影像组学特征参数分数（Rad-score）,同时建立影像组学特征模型。通过纳入Rad-score、图像语义特征及患者的临床资料,用多因素二元logistic回归建立联合模型,得到联合模型的列线图,实现模型可视化,并进行模型验证。绘制ROC曲线评价影像组学特征模型、临床-语义特征模型及联合模型对NSCLCEGFR基因突变的预测效能。结果联合模型对于鉴别NSCLCEGFR基因突变具有较好的预测效能,训练组AUC=0.77,95%CI：0.68~0.85,准确度为70.0%,灵敏度为0.67,特异度为0.76,阳性预测值为79.3%,阴性预测值为61.8%;验证组AUC=0.77,95%CI：0.63~0.91,准确度为71.1%,灵敏度为0.79,特异度为0.62,阳性预测值为70.4%,阴性预测值为72.2%。Rad-score、结节分型、吸烟史均为独立预测因子。结论通过基于胸部CTRad-score、图像语义特征及临床特征资料建立的的联合模型所得到的列线图,对预测NSCLCEGFR基因突变具有一定价值。     

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...     

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DCE-MRI影像组学和临床特征的列线图在乳腺MRI BI-RADS 4类病灶中的诊断价值

目的：探讨联合动态增强磁共振（DCE-MRI）影像组学及临床特征的列线图在乳腺MRI BI-RADS 4类病灶中的诊断价值。方法：回顾性分析2017 年1月至2019 年6月在温州医科大学附属第一医院经病理证实的189个MRI BI-RADS 4类乳腺病灶,其中良性71个,恶性118个。所有患者在病理检查前均接受了DCEMRI扫描和血生化检查。计算DCE-MRI参数图并提取病灶的相应影像组学特征。经特征选择后,通过对所选特征按其系数加权求和来计算影像组学评分（rad-score）。采用单因素和多因素logistic回归分析寻找乳腺癌的临床危险因素。最后使用多因素logistic回归构建基于临床危险因素和影像组学评分的组合模型,绘制列线图。使用ROC曲线评估模型的诊断性能。结果：单因素和多因素分析显示,年龄、低密度脂蛋白胆固醇和总胆红素水平是乳腺癌的临床危险因素,其构建的临床模型在测试集的ROC曲线下面积（AUC）为0.73（0.58～0.87）。经过特征筛选,11个影像组学特征参与计算影像组学评分,其在测试集的AUC为0.80（0.68～0.92）。将其与临床模型进一步结合,AUC提高到0.88（0.79～0.97）,差异有统计学意义（P =0.037）。结论：基于DCE-MRI影像组学和临床危险因素构建的列线图用于鉴别诊断乳腺磁共振BI-RADS 4类病灶良恶性有较高价值。     

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。     

基于机器学习的大脑白质影像组学标签识别帕金森病早期阶段的应用研究

目的使用机器学习开发并验证一种基于大脑白质的影像组学标签用于预测帕金森病（PD）的早期阶段。方法从PD进展标记倡仪数据库（PPMI）中收集340例受检者的影像和临床资料,包括171例健康对照人群和169例PD患者。所有受试者按7:3随机分为训练组237例和测试组103例。在训练集的基线MRI中,切割出三维大脑白质以提取每例患者的影像组学特征,进行降维后使用机器学习方法构建影像组学标签。利用ROC曲线评估影像组学标签在训练组和测试组中的诊断效能,用Hosmer-Lemeshow检验分析标签的拟合优度。将所有数据集按照ROC曲线的截断值分为高危组和低危组,比较两组PD患者例数,以确定标签的临床效果。利用ROC曲线和决策曲线（DCA）分别评估标签在所有PPMI数据中的准确性和净效益。结果训练组和测试组的影像组学标签AUC分别为0.849和0.824,灵敏度分别为0.75和0.78,特异度分别为0.87和0.87。Hosmer-Lemeshow检验表明,标签在训练组和测试组中的拟合优度比较差异无统计学意义（P＞0.05）。将所有数据集按模型的最佳诊断阈值（截断值=0.1338）分为高危组144例和低危组196例。其中高危组PD患者123例,HC人群21例;低危组PD患者44例,HC人群152例;两组PD患者例数比较差异有统计学意义（P＜0.05)。影像组学标签在所有数据集中的诊断准确性为0.823,DCA曲线也显示了良好的净效益。结论基于常规MRI的大脑白质影像组学标签对PD患者表现出良好的鉴别性能,证明了其在PD患者识别中的临床应用价值。     

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。     

肾上腺皮质癌患者预后列线图的构建与验证

目的构建肾上腺皮质癌（ACC）预后列线图,并验证其预测效能。方法从美国国立癌症研究所的监测、流行病学和结局（SEER）数据库中提取1975至2016年经病理检查确诊为ACC的481例患者为研究对象,其中训练组337例,验证组144例,比较两组患者的临床资料;分析影响训练组患者预后的独立危险因素,并构建ACC预后列线图;绘制ROC曲线分析该列线图对训练组患者3、6个月及1、3年总体生存率的预测效能,校准曲线分析其在训练组、验证组中的预测结果与实际情况的一致性。结果两组患者性别、诊断年龄、种族、TNM分期、原发部位手术、放疗、化疗、区域淋巴结检查、骨转移、肝转移、肺转移、肿瘤直径、结局、总生存期等临床资料比较,差异均无统计学意义（均P＞0.05）。经单因素及多因素Cox比例风险回归模型分析并构建ACC预后列线图（包含诊断年龄、TNM分期、原发部位手术、放疗等4项独立预后因素）,C指数为0.777。该列线图预测训练组ACC患者3、6个月及1、3年总体生存率的AUC分别为0.880、0.863、0.859、0.816,提示预测准确性较好;校准曲线显示,该列线图在训练组、验证组中的预测结果与实际情况均有良好的一致性。基于该列线图建立的在线访问网址为https://chingfeng.shinyapps.io/Nomo-ACC/。结论本研究建立了包含诊断年龄、TNM分期、原发部位手术、放疗等4个因子的ACC预后列线图及网页版,具有较好的准确性和一致性,可为临床预后评估提供参考。     

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。     

原发性肝细胞癌患者预后预测动态列线图的构建及应用

目的 ：探讨原发性肝细胞癌（HCC）患者预后相关影响因素,并构建一个动态列线图模型来预测其总生存期（OS）。方法 ：分析从监测、流行病学和最终结果（SEER）数据库中2010-2015年期间2511例HCC患者的临床及病理数据,使用随机数字表法按7∶3比例分成训练组（n=1758）和验证组（n=753）。基于R软件在训练组中采用单因素及多因素Cox比例风险回归模型探索预后影响因素,并构建列线图预后模型。最后,在训练组和验证组中使用C指数、受试者工作特征曲线（ROC曲线）和校准曲线对列线图的效能进行验证,使用决策曲线分析（DCA）评估其临床实用性。结果 ：单因素及多因素Cox比例风险回归模型分析显示,年龄、肝纤维化评分、分化程度、T分期、AFP值、种族、肿瘤直径、M分期、化疗情况和手术情况是影响HCC患者预后的独立影响因素（P<0.05）,将这些因素均纳入构建列线图。列线图在训练组中的C指数为0.75(0.73-0.77),预测1、3和5年总生存率的ROC曲线下面积分别为0.829、0.803和0.801;在验证组中的C指数为0.75(0.73-0.78),预测1、3和5年总生存率...     

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。     

MRI影像组学预测肝外胆管癌腹部淋巴结转移价值研究

目的 探讨MRI影像组学术前预测肝外胆管癌患者淋巴结转移的价值。方法 回顾性分析63例肝外胆管癌患者的MRI图像，按8∶2随机将淋巴结分为训练组(n=65)及验证组(n=16)。利用飞利浦ISD软件于轴位DWI图像手动勾画局部淋巴结的三维感兴趣区，并复制到对应的ADC图上，利用RyRadiomics软件包提取影像组学特征。采用皮尔逊相关系数及Kruskal-Wallis算法筛选出30种最佳影像组学特征，使用支持向量机建立影像组学模型。利用受试者工作特征曲线评价模型预测效能。结果 良、恶性淋巴结的短径(P=0.009)、长径(P=0.002),差异有统计学意义；最终14种影像组学特征参与建立MRI影像组学模型，影像组学模型在训练集及测试集中曲线下面积分别为0.895及0.917。结论 基于淋巴结本身的MRI影像组学模型能较好地预测肝外胆管癌患者的淋巴结转移，有助于指导临床选择精准淋巴结清扫范围并改善患者预后。