基于CT机器学习模型预测肺腺癌气腔播散

目的 探讨基于胸部CT建立机器学习模型预测肺腺癌气腔播散（STAS）状态的价值。方法 回顾性分析462例经手术病理证实的原发性肺腺癌，90例STAS阳性（STAS阳性组），372例STAS阴性（STAS阴性组），比较组间一般资料及CT征象差异。按7 ：3比例将患者随机分为训练集（n=323）和验证集（n=139），采用随机森林算法针对差异有统计学意义的变量建立预测肺腺癌STAS的模型，对训练集进行训练，获得平均AUC最大的模型，以之对验证集进行预测，并计算AUC，评价其诊断效能。结果 组间年龄及12个CT征象差异均具有统计学意义（P均<0.05）。以上述13个变量建立的预测模型对训练集进行预测，获得最大AUC为0.80的模型，其预测训练集和验证集肺腺癌STAS的AUC、敏感度及特异度分别0.80、0.78及0.77和0.77、0.78及0.73。结论 基于胸部CT的机器学习模型可有效预测肺腺癌STAS状态。     

基于CT征象的Logistic回归模型预测纯磨玻璃样肺腺癌恶性浸润程度的临床研究

目的基于CT征象利用二元Logistic回归建立预测模型来评估表现为纯磨玻璃结节肺腺癌的恶性浸润程度。方法回顾性收集2015年1月～2018年4月大连大学附属中山医院纯磨玻璃结节144例作为模型建立组,收集大连市中心医院纯磨玻璃结节106例作为模型验证组;所有病例均经手术病理证实。模型建立组中,用t检验和卡方检验分析CT征象在浸润前病变和浸润性肺腺癌两组中的差异,把P0.05的CT征象作为二元Logistic回归的输入变量并建立Logistic回归模型,用模型验证组检验模型诊断效能。结果浸润性肺腺癌组与浸润前病变在大小(11.5+5.1 mm比7.3+1.8 mm)、平均CT值(-569+97 HU比-622+98 HU)差异有统计学意义(P=0.000,0.001),浸润性肺腺癌组多呈不规则形或多角形,边缘多不光滑,病灶内异常空气支气管征,血管Ⅲ型(P=0.001,0.010,0.009,0.000);胸膜凹陷征和空泡/空腔影在鉴别浸润前病灶和浸润性肺腺癌差异没有统计学意义(P=0.338,0.106)。ROC曲线显示大小≥9.0 mm和CT值≥-624 HU是诊断为浸润性肺腺癌的最佳临界值。在模型建立组中,Logistic回归模型的ROC曲线下的面积为0.882(95%可信区间为0.829～0.935),敏感度79.3%,特异度82.7%;在模型验证组中,ROC曲线下面积为0.868(95%可信区间为0.800～0.936),敏感度75.8%,特异度84.1%。结论基于CT征象的Logistic回归模型对于鉴别浸润前病灶、浸润性肺腺癌具有较高的价值。     

基于CT影像组学模型预测肺原位腺癌及微浸润腺癌与浸润性腺癌

目的 探讨基于CT影像组学预测肺腺癌中的原位癌（AIS）和微浸润腺癌（MIA）以及浸润性腺癌（IAC）的价值。方法 回顾性分析542例经手术病理确诊且病理亚型明确的肺腺癌患者，将AIS及MIA归为第1组，IAC为第2组。比较2组患者性别和年龄差异。采用特征提取软件提取病灶三维纹理特征参数，分析组间差异明显的影像组学特征，筛选最佳影像组学特征构建预测模型。按2：1比例将数据分为训练集和验证集，采用6种机器学习算法对5倍交叉验证数据集进行分类，选择最佳分类器；以之分析5倍交叉验证数据集、训练集和验证集，获得模型预测肺腺癌病理分型的ROC曲线及相应AUC、特异度、敏感度及准确率。结果 第1组235例，第2组307例，组间性别和年龄差异均无统计学意义（χ²=0.56、t=-0.19，P=0.63、0.98）。共提取病灶1 766个三维纹理特征参数，其中988个影像组学特征存在明显组间差异，最终以10个最佳影像组学特征构建预测模型。以Perceptron分类器为最佳分类器。模型预测验证集病理分型的AUC为0.95，准确率、特异度、敏感度分别为0.88、0.87、0.84。结论 基于CT影像组学模型能有效预测肺腺癌中的AIS及MIA与IAC。     

多层螺旋CT特征联合模型列线图鉴别0期与ⅠA1期肺腺癌

目的 评估多层螺旋CT(MSCT)特征联合模型列线图鉴别0期与ⅠA1期肺腺癌的价值。方法 回顾性分析经手术病理证实的230例肺腺癌患者,其中单发病灶210例,17例存在2个、3例存在3个病灶。根据病理分期将患者分为0期组(n=83)和IA1期组(n=147,含112例微浸润性腺癌和35例浸润性腺癌)。采用单因素分析和二元logistic回归分析筛选肺腺癌分期(0期与ⅠA1期)的独立影响因子,并以之构建联合模型,绘制列线图将其可视化。绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评估各独立影响因子及联合模型鉴别0期与ⅠA1期肺腺癌的效能;绘制校准曲线,行决策曲线分析(DAC),验证模型的效能。结果 分叶征(OR=4.28,P=0.02)、微血管征(OR=2.55,P=0.04)、脐凹征(OR=7.02,P=0.04)、最小密度(OR=1.01,P<0.01)及实性成分占比(OR=1.15,P=0.03)是0期与ⅠA1期肺腺癌的独立影响因子。联合模型鉴别0期与ⅠA1期肺腺癌的AUC为0.88,高于各单一独立影响因子(P均<0.05)。联合模型预测结果与实际情况较吻...     

基于临床、超声特征及影像组学构建机器学习模型预测慢性肾脏病患者肾功能损伤程度

目的 观察基于临床、超声特征及影像组学构建机器学习(ML)模型预测慢性肾脏病(CKD)患者肾功能损伤程度的价值。方法 回顾性分析199例CKD患者资料,以9 ∶ 1比例将其分为训练集(n=179)及验证集(n=20),根据估算肾小球滤过率(eGFR)划分轻中度或重度肾功能损伤。采用多因素logistic回归分析训练集临床及超声特征,筛选CKD患者肾功能损伤程度的独立预测因素,分别基于支持向量机(SVM)、极致梯度提升(XGBoost)及逻辑回归(LR)算法构建临床-超声模型、影像组学模型及联合模型;绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评估各模型预测CKD患者肾功能损伤程度的效能。结果 肾脏长径为CKD患者肾功能损伤的独立预测因素(P＜0.05)。以不同算法所获模型中,以SVM算法所获临床-超声模型、影像组学模型及联合模型预测肾功能损伤的效能最高;训练集中,以SVM算法所获临床-超声模型的敏感度、特异度、准确率及AUC分别为81.93%,62.50%,71.51%及0.722,影像组学模型分别为89.16%,70.83%,79.33%及0.800,联合模型分别为84.34%,80.21%,82.12%及0.822;验证集中,以SVM算法所获临床-超声模型的敏感度、特异度、准确率及AUC分别为75.00%、66.67%、70.00%及0.708,影像组学模型分别为75.00%、58.33%、65.00%及0.667,联合模型分别为87.50%、75.00%、80.00%及0.812。结论 基于超声特征联合影像组学构建的ML模型可有效预测CKD患者肾功能损伤程度;利用SVM算法获得的联合模型具有最佳效能。     

血管分型特征对磨玻璃结节型肺腺癌侵袭程度的预测价值

目的 探讨高分辨率CT(HRCT)上血管分型特征对磨玻璃结节（GGN）型肺腺癌侵袭程度的预测价值。方法回顾性分析我院2018年1月—2019年12月经手术病理证实为肺腺癌的649枚磨玻璃结节。依据术后病理类型将其分为非侵袭性腺癌组[原位腺癌（AIS）/微浸润性腺癌（MIA）](292例)与侵袭性腺癌组[浸润性腺癌（IAC）](357例)。分析GGN的HRCT征象以及GGN内部和周围的血管特征。采用二元Logistic回归分析建立预测模型，并通过受试者工作特征（ROC）曲线和Z检验比较各模型的诊断效果。结果 两组之间具有显著统计学意义的HRCT征象包括支气管充气征、分叶征、毛刺征、空泡征、胸膜凹陷征、结节直径大小、肿瘤实性成分占比（CTR）、血管分型特征（P<0.001）。加入血管分型特征联合其他CT独立预测变量建模与未加入血管分型特征建立的预测模型相比，AUC值为0.853(P<0.001,95%CI:0.83～0.88)比0.814(P<0.001,95%CI:0.78～0.85)，敏感度为72.3%比74.8%，特异度为82.2%比76.4%，提高了特异度和AUC...     

基于多中心数据的C-GALAD Ⅱ肝癌血清学预测模型开发与验证

目的建立基于血清标志物联合检测的肝细胞癌(HCC)患病风险预测模型C-GALAD Ⅱ, 并对其预测价值进行分析。方法回顾性分析了8家医院及体检机构2018年4月至2020年10月收集的229例肝癌患者、2 317例慢性肝病患者和982名健康人的临床资料, 包括年龄、性别和血清检测信息等。队列按照6∶4分层随机抽样划分为训练集和测试集, 在训练集上通过Logistic逐步向后回归建立预测模型, 并在测试集上对模型效果进行验证。另收集了首都医科大学附属北京佑安医院的2021年3—7月临床数据, 包括84例肝癌患者和204例慢性肝病用于模型的外部独立验证。采用受试者工作特征(ROC)的曲线下面积(AUC)、敏感度和特异度评估模型的效能。结果通过Logistic逐步向后回归, 年龄、性别、甲胎蛋白(AFP)、甲胎蛋白异质体比率(AFP-L3%)、异常凝血酶原、血小板和总胆红素作为肝癌患病风险的预测指标进入模型, 在测试集上验证模型所得ROC曲线下面积(AUC)为0.954, 敏感度为88.04%, 特异度为94.85%, 在外部独立验证集的AUC为0.943, 敏感度为89.29%, 特异度为...     

增强CT模型及影像组学模型预测肾透明细胞癌WHO/ISUP分级

目的 比较增强CT模型与影像组学模型预测肾透明细胞癌（ccRCC）WHO/ISUP分级的效能。方法 回顾性分析131例经病理确诊ccRCC患者,按照3 ∶ 2比例分层抽样分为训练集（n=78）和验证集（n=53）。根据2016版肾癌WHO/ISUP病理分级标准,以Ⅰ~Ⅱ级为低级别、Ⅲ~Ⅳ级为高级别ccRCC。训练集55例低级别、23例高级别ccRCC;验证集37例低级别、16例高级别ccRCC。以训练集构建增强CT模型及影像组学模型预测ccRCC级别,于验证集加以验证,比较其诊断效能。结果 增强CT模型在训练集及验证集预测高、低级别ccRCC的曲线下面积（AUC）分别为0.89及0.76,敏感度分别0.83及0.56,特异度分别为0.84及0.87;影像组学模型的AUC分别为0.98及0.85,敏感度分别0.96及0.91,特异度分别为0.75及0.84。训练集中影像组学模型的AUC大于增强CT模型（Z＝2.05,P<0.05）,验证集中二者AUC差异无统计学意义（Z＝0.95,P=0.34）。决策曲线分析结果显示高风险概率阈值为0.08~1.00时,影像组学模型净获益高于增强CT模型。结论 影像组学模型预测ccRCC WHO/ISUP分级的效能优于增强CT模型。     

基于CT皮质期影像组学预测肾细胞癌亚型的研究

目的：探讨基于CT皮质期影像组学鉴别肾透明细胞癌(ccRCC)和非透明细胞癌(non-ccRCC)的价值。方法：回顾性分析2017年1月—2022年12月经病理证实的122例肾细胞癌患者的资料,其中ccRCC 82例,non-ccRCC 40例,并以随机数表法按7∶3的比例将患者分成训练集(n=85)和验证集(n=37)。在CT皮质期手工逐层勾画肿瘤感兴趣区(ROI)后提取影像组学特征,使用特征间线性相关检查和F检验依次进行特征筛选,采用逻辑回归分类器构建影像组学模型。采用t检验、χ²检验及Logistic回归分析筛选CT影像特征,建立常规影像模型。综合影像组学评分和常规影像模型建立联合模型。绘制ROC曲线评估各模型的预测效能,AUC比较采用Delong检验。结果：影像组学模型在训练集和验证集中的AUC分别为0.990(95%CI 0.976～1.0)和0.890(95%CI 0.774～1.0)。在训练集和验证集中,影像组学模型和联合模型的预测效能均优于常规影像模型,差异有统计学意义(P均<0.05);相比联合模型,在验证集中影像组学模型的预测效能略高,但...     

CT图像纹理分析鉴别诊断磨玻璃密度肺腺癌的浸润性

目的 探讨CT图像纹理分析鉴别诊断表现为磨玻璃密度结节的肺腺癌浸润性的价值。方法 收集在我院接受肺部CT检查且手术病理证实为肺腺癌患者100例（浸润性腺癌56例,非浸润性腺癌44例）。随机选择69例为训练组,31例为验证组。使用A.K.（Analysis-Kinetics）分析软件进行影像特征提取;Kruskal-Wallis非参数检验和Spearman相关性分析进行特征降维;使用R语言软件包"GLM"函数,建立Logistic回归模型;以交叉验证方法对回归模型进行检验。采用ROC曲线评价独立预测因素的诊断效能。结果 影像特征提取得到396个影像组学特征,经降维最终得到与鉴别肺非浸润腺癌与浸润腺癌最相关的参数3个,建模后验证Logistic回归模型示其诊断准确率为83.30%,敏感度及特异度分别为77.80%、91.70%。结论 CT图像纹理分析可有效鉴别表现为磨玻璃密度结节肺腺癌的浸润性。     

基于增强CT影像组学模型术前预测胰腺神经内分泌肿瘤病理分级

目的 观察基于CT影像组学模型术前预测胰腺神经内分泌肿瘤(PNET)病理分级(G1和G2/3级)的价值.方法 回顾性分析145例经病理证实的PNET,分为训练组91例、验证组54例,2组各自来源于同一医疗机构.基于训练组动脉期和门脉期CT图像提取PNET影像组学特征,以Pearson相关分析及ReliefF算法进行筛选...     

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。     

基于平扫CT的Logistic回归模型和朴素贝叶斯模型预测血肿扩大

目的 探究基于平扫CT的Logistic回归模型和朴素贝叶斯(NB)模型预测自发性脑出血早期血肿扩大(HE)的价值.方法 回顾性分析208例自发性脑出血患者的临床、初次CT扫描和24 h内随访CT资料,以随访CT显示血肿体积比例较前增加＞33％或体积差＞6 ml为HE,将患者分为HE组(86例)和非HE组(122例)....     

增强CT影像组学列线图预测膀胱尿路上皮癌肌层浸润

目的 评价增强CT影像组学列线图预测膀胱尿路上皮癌肌层浸润的可行性。方法 纳入91例膀胱尿路上皮癌患者,根据手术病理结果分为非肌层浸润性膀胱癌（NMIBC）组（n=51）和肌层浸润性膀胱癌（MIBC）组（n=40）,比较组间CT特征差异。利用Mazda软件提取病变纹理参数,以Lasso算法筛选,联合十折交叉验证构建Logistic回归影像组学列线图。绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评估列线图预测膀胱尿路上皮癌肌层浸润的效能。结果 CT形态不规则多见于MIBC组,NMIBC组与MIBC组肿瘤CT形态特征差异具有统计学意义（P<0.05）。Logistic回归组学列线图预测肌层浸润AUC为0.881,特异度为76.5%,敏感度87.5%,危险因素包括动脉期S（3,3）SumAverg、S（4,-4）InvDfMom及静脉期S（3,-3）DifEntrp、Perc.90%。结论 增强CT影像组学列线图有助于术前预测膀胱尿路上皮癌肌层浸润。     

联合含瘤周肿瘤全体积CT影像组学特征及临床相关独立预测因子列线图预测肺腺癌淋巴血管侵犯

目的 观察基于含瘤周的肿瘤全体积(GPTV) CT影像组学特征及临床相关独立预测因子构建的联合模型列线图预测肺腺癌淋巴血管侵犯(LVI)的价值。方法 回顾性分析142例经病理证实的肺腺癌患者,以7 ∶ 3比例将其随机分为训练集(n=100,40例LVI阳性、60例LVI阴性)和验证集(n=42,17例LVI阳性、25例LVI阴性)。以单因素分析及多因素logistic回归分析筛选肺腺癌LVI的临床相关独立预测因子,以之构建临床模型。分别基于肿瘤全体积(GTV)及含瘤周3 mm、6 mm、9 mm的GPTV (GPTV₃、GPTV₆和GPTV₉)的增强动脉期CT图提取并筛选最佳影像组学特征,构建影像组学模型,即GTV、GPTV₃、GPTV₆和GPTV₉模型并筛选最佳者;基于后者的影像组学评分和临床相关独立预测因子构建联合模型,绘制列线图进行可视化。以受试者工作特征(ROC)曲线评估各模型预测肺腺癌LVI的效能,以决策曲线分析(DCA)评价联合模型列线图的价值。结果 性别、吸烟和毛刺征均为肺腺癌LVI的临床相关独立预测因子(P均＜0.05)。分别基于GTV、GPTV₃、GPTV₆及GPTV₉筛选出7、16、10及8个最佳影像组学特征,用于构建GTV、GPTV₃、GPTV₆及GPTV₉模型。GPTV₃模型预测训练集、验证集肺腺癌LVI的曲线下面积(AUC)分别为0.82、0.77,均高于GTV (0.79、0.72,Z=3.74、2.62,P均＜0.01)、GPTV₆(0.80、0.72,Z=2.40、2.06,P均＜0.05)及GPTV₉(0.77,0.72,Z=3.03、2.59,P均＜0.01),为最佳影像组学模型。联合模型列线图(0.86、0.73,Z=2.66、2.31,P均＜0.05)及GPTV₃模型(0.82、0.77,Z=2.23、2.54,P均＜0.05)于训练集和验证集的AUC均高于临床模型(0.73、0.61),而联合模型列线图与GPTV₃模型的AUC差异均无统计学意义(Z=1.57、0.88,P均＞0.05)。阈值取0.20~0.50时,联合模型列线图与GPTV₃模型的净获益相当,且均大于临床模型。结论 基于GPTV₃影像组学特征及临床相关独立预测因子的列线图可有效预测肺腺癌LVI。     

双能量CT定量参数预测实性肺腺癌气道播散

目的 观察双能量CT(DECT)定量参数术前预测实性肺腺癌气道播散(STAS)状态的价值。方法 回顾性分析52例经手术病理确诊实性肺腺癌患者的DECT及病理学资料,评估其STAS状态(阳性或阴性);对比STAS阳性、阴性实性肺腺癌CT表现(最大径、周围不透明影、空气支气管征、胸膜凹陷征)及DECT定量参数的差异。针对差异有统计学意义的DECT定量参数绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评估DECT定量参数单独及联合预测实性肺腺癌STAS的效能,并以二元logistic回归分析筛选实性肺腺癌STAS的独立预测因子。结果 52例中,25例STAS阳性,27例STAS阴性,其间病灶CT表现差异均无统计学意义(P均>0.05),DECT定量参数中的动脉期碘浓度(IC_A)、动脉期标准化碘浓度(NIC_A)及静脉期碘浓度(IC_V)差异均有统计学意义(P均<0.05)。IC_A、NIC_A及IC_V预测实性肺腺癌STAS的AUC为0.82、0...     

基于CT影像组学结合机器学习模型预测食管胃结合部腺癌人表皮生长因子受体2状态

目的 评估基于C T影像组学结合机器学习模型术前预测食管胃交界处腺癌(A EG)人表皮生长因子受体2(HER2)状态的价值.方法 回顾性分析101例经术后病理证实的AEG患者,按7:3比例将其分为训练集(n=70)和验证集(n=31).基于门静脉期增强CT提取AEG影像组学特征,以最小绝对值选择与收缩算子回归模型针对训...     

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 3D纹理分析评估宫颈癌组织学分级

目的 探讨基于T2WI的3D纹理分析评估宫颈癌组织学分级的价值.方法 回顾性分析经病理证实的175例宫颈癌患者,其中高分化41例(高分化组),中分化76例(中分化组),低分化58例(低分化组),术前均接受常规MR平扫及增强扫查.采用ITK-SNAP软件勾画感兴趣体积(VOI),以LIFEx软件计算获取41个纹理参数;比...