CT影像组学在预测非小细胞肺癌淋巴结转移中的价值

目的探讨基于胸部CT影像组学在术前预测非小细胞肺癌淋巴结转移中的价值。方法回顾性分析经术后病理证实的143例非小细胞肺癌病人临床、胸部CT增强影像资料。按照7:3比例,随机分为训练组（n=100）和验证组（n=43）。在静脉期图像上提取肿瘤的影像组学特征,采用最小绝对收缩选择算子（LASSO）逻辑回归用于数据降维、特征筛选。分别基于影像组学特征和临床-影像特征（最大径、毛刺征）构建预测模型。采用受试者工作特征曲线（ROC）的曲线下面积（AUC）评价不同模型的鉴别预测效能,并对模型的ROC曲线行Delong检验;在验证组中评估其预测效能。结果共提取939个影像组学特征,经筛选最终得到6个最优特征并建立影像组学预测模型。对于术前预测淋巴结转移的效能,在训练组中,影像组学模型AUC为0.864（95%CI:0.781~0.924）,大于临床模型的AUC为0.662（95%CI:0.561~0.754）（P < 0.01）;在验证组中,影像组学模型AUC为0.860（95%CI:0.720~0.964）,大于临床模型的AUC为0.664（95%CI:0.504~0.880）（P < 0.05）。结论基于胸部CT增强图像提取影像组学特征及其构建的预测模型,影像组学模型的效能高于临床模型,可以作为一种预测非小细胞癌病人淋巴结是否转移的辅助工具,具有良好的临床应用前景。     

基于双模态MRI影像组学术前预测浸润性乳腺癌腋窝淋巴结转移

目的探讨T2WI联合DCE-MRI的影像组学特征术前预测浸润性乳腺癌腋窝淋巴结转移的价值。方法回顾性分析经手术病理证实的168例浸润性乳腺癌病人的临床病理资料及MRI图像资料。根据手术病理结果,将其分为淋巴结转移组（n=64）和无淋巴结转移组（n=104）,并按8:2的比例将病人随机分为训练组（n=134）与验证组（n=34）。在T2WI和DCE两个序列手动勾画ROI进行图像分割和影像组学特征提取,利用Select K Best、LASSO回归及迭代筛选特征对高维组学特征进行降维,保留与腋窝淋巴结转移高度相关的特征。采用logistic回归建立T2WI、DCE和T2WI联合DCE三个影像组学预测模型,利用ROC曲线下面积（AUC）评估模型的效能,并以最优模型生成列线图。结果T2WI、DCE和T2WI联合DCE的影像组学预测模型在训练组的AUC分别为0.75、0.75和0.80;验证组的AUC分别为0.75、0.73和0.79。T2WI联合DCE模型的预测效能最佳。结论T2WI联合DCE影像组学预测模型在术前对浸润性乳腺癌腋窝淋巴结转移的预测具有一定的价值,能够无创、准确地预测腋窝淋巴结转移状态。     

基于mp-MRI影像组学预测前列腺癌Gleason分级的价值探讨

目的探讨多参数磁共振成像（mp-MRI）影像组学预测前列腺癌Gleason分级的价值。方法回顾性分析266例前列腺癌病人,根据病理结果分为Gleason评分高危组（Gleason≥4+3分）、Gleason评分低危组（Gleason≤3+4分）,在T2WI横断面、ADC图（b值0、1 500 s/mm2）上手动勾画病灶后进行影像组学特征的提取及量化,将所选病例数据特征随机分为训练组与测试组（测试集比例为0.3）,构建支持向量机分类模型,得到训练组与测试组的ROC曲线及曲线下面积（AUC）。结果Gleason评分高危组118例,Gleason评分低危组148例,其中训练组186例（高危组83例、低危组103例）,测试组80例（高危组35例、低危组45例）,T2WI、ADC图影像组学支持向量机模型训练组的AUC为0.753,测试组AUC为0.741,准确率为62.5%（95%CI:0.572~0.893）;T2WI、ADC图影像组学联合PSA值支持向量机模型训练组的AUC为0.768,测试组AUC为0.752,准确率为72.5%（95%CI:0.613~0.917）;经Delong验证,两者差异无统计学意义（P>0.05）。结论mp-MRI影像组学预测前列腺癌Gleason分级有较高的参考价值。     

基于靶扫描CT影像组学对磨玻璃样肺腺癌浸润程度的预测价值

目的 探讨基于靶扫描CT影像组学及形态学征象预测磨玻璃样肺腺癌浸润程度的价值。方法 回顾性分析2020年1月-2022年4月浙江省嘉兴市中医医院经病理证实的147例磨玻璃结节患者(151个磨玻璃结节,其中AIS 17例,MIA 59例,IAC 75例)的术前靶扫描CT图像,随机7:3划分为训练组及验证组。评估结节的一般临床资料及靶扫描CT形态学征象并通过Logistics回归建立临床模型;通过软件获取病灶的影像组学特征,采用LASSOLogistics算法建立影像组学模型。采用受试者工作特征曲线下面积(AUC)评估两种模型的性能。结果 联合患者的年龄、病灶的大小、毛刺征、分叶征、胸膜牵拉征构建的临床模型在训练组及验证组AUC分别为0.878(95%CI:0.808-0.941)、0.955(95%CI:0.887-0.994);通过12个CT靶扫描影像组学特征建立的影像组学模型在训练组及验证组AUC分别为0.984(95%CI:0.964-0.997)、0.932(95%CI:0.851-0.988)。结论 靶扫描CT影像组学模型及CT形态学征象模型都可以有效的预测磨玻璃样肺腺癌的浸润...     

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。     

CT影像组学在肝细胞癌联合治疗后短期疗效的应用

  目的   探讨增强CT的影像组学模型在预测肝细胞癌（hepatocellular carcinoma,HCC）经导管肝动脉化疗栓塞（transcatheter arterial chemoembolization,TACE）联合索拉菲尼治疗后短期疗效（6个月内）中的价值。  方法   回顾性分析159例TACE联合索拉菲尼治疗的肝癌患者的临床、病理及术前CT图像,根据改良后实体瘤疗效评价标准（modified response evaluation criteria in solid tumors,mRECIST）对介入术后 6 个月肿瘤局部控制率进行评估。提取动脉期和门脉期的影像组学特征并构建影像组学模型。根据术前一般临床危险因素、基本影像特征,建立术前临床模型。将影像组学模型加入术前临床模型,组成联合模型。分别绘制3个模型的受试者工作特征曲线（ROC）,并分别计算曲线下面积（AUC）。  结果  从1 708个影像组学特征中共筛选出11个影像组学特征值建立影像组学模型,训练组及验证组模型AUC分为0.945、0.918。临床因素除了肿瘤最大径线和肿瘤数目外,差异有统计学意义（P < 0.05）,其余差异无统计学意义（P > 0.05）,二者构建的临床模型训练组及验证组的AUC分别为0.811、0.857。联合模型训练组及验证组AUC分别为0.958、0.95。  结论  影像组学模型是预测TACE联合索拉菲尼短期疗效的一个强有力的独立预测因素,能明显提高术前临床模型的预测能力,可在TACE联合索拉菲尼治疗前筛选出进展危险性较高的患者,帮助临床医生制定个性化的治疗及随访方案,改善患者预后。     

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。     

CT影像特征及影像组学在肺部淋巴瘤与肺浸润性黏液腺癌诊断中的应用

目的 探讨CT影像特征及影像组学鉴别诊断肺部淋巴瘤与肺浸润性黏液腺癌(PIMA)的价值。方法回顾性纳入2016年1月-2022年1月湖北省中西医结合医院收治的37例肺淋巴瘤(淋巴瘤组)和68例PIMA(PIMA组)患者,按7:3随机分为训练组73例(淋巴瘤27例,PIMA46例)和验证组32例(淋巴瘤12例,PIMA20例),分析各组临床、影像学资料,并提取影像组学特征,利用LASSO十折交叉验证进行特征选择,建立联合模型,绘制受试者工作特征(ROC)曲线检验CT影像特征及影像组学特征模型对肺淋巴瘤和PIMA的鉴别效能。结果 训练组中淋巴瘤组的空气支气管征、支气管扩张及胸腔积液检出率均高于PIMA组,差异有统计学意义(P<0.05);验证组中淋巴瘤的空气支气管征、支气管扩张检出率高于PIMA组,差异有统计学意义(P<0.05);保留空气支气管征、支气管扩张及胸腔积液建立CT影像特征模型,训练组ROC曲线下面积(AUC)=0.886,验证组AUC=0.792;保留5个最佳特征子集构建CT影像组学特征模型,训练组AUC=0.889,验证组AUC=0.842;联合模型训练组AUC...     

影像组学联合预测模型在预测非小细胞肺癌淋巴结转移中的建立和应用价值

  目的  开发并验证影像组学模型,用于预测非小细胞肺癌术前淋巴结转移风险。  方法  2014年1月至2015年12月100例经临床病理确诊的非小细胞肺癌100例组成训练组,并用该数据建立影像组学预测模型。影像组学特征在平扫及增强CT上进行提取。Lasso-logistic模型用于数据降维、特征选择以及影像组学标记的建立。一致性系数（ICCs）用于评价观察者内部以及观察者之间的重复一致性。以一致性指数（C-index）评价影像组学标签对淋巴结转移的鉴别预测能力,并采用受试者工作特性（ROC）曲线下面积（AUC）展示。多因素logistic回归分析用于建立影像组学联合预测模型,该预测模型的参数包括影像组学标记和独立的临床危险因素。建立的影像组学模型由2016年1月至2017年12月连续纳入的100例非小细胞肺癌病例组成验证组进行验证。采用AUC评价该模型的鉴别预测效能,并用Delong检验进行模型间（联合预测模型与单纯使用22个影像组学标记的模型之间）的比较;用Hosmer-Lemeshow good of fit test（拟合优度检验）评价预测模型的校准度,其结果使用校正曲线表示,以比较模型预测的结果与实际淋巴结转移的一致性。  结果  提取特征时,观察者内部和观察者间的一致性好,ICC均大于0.75。从300个影像组学特征中提取出22个,其组成的影像组学标记,对于鉴别预测淋巴结转移状态的AUC,训练组为0.781,验证组为0.776。建立的影像组学预测模型包含了影像组学标记和血清癌胚抗原（CEA）、细胞角蛋白19片段抗原（CYFRA21-1）、癌抗原125（CA125）水平。用此联合预测模型预测淋巴结转移状态,训练组的AUC为0.836,验证组的AUC为0.821,均高于训练组和验证组单纯使用22个影像组学标记的模型,差异有统计学意义（P<0.05）。影像组学联合预测模型在训练组和验证组中均有较好的校准度,与实际淋巴结转移一致性高。  结论  本研究开发了一个包含了影像组学特征、临床危险因素的影像组学联合预测模型,该模型能够直观预测非小细胞肺癌患者术前的淋巴结转移风险。     

人工智能辅助诊断系统预测肺腺癌表皮生长因子受体突变的应用价值

目的 探讨人工智能辅助诊断系统基于CT图像预测肺腺癌表皮生长因子受体突变的价值,为临床诊断或决策提供支持。方法 回顾性分析2017至2019年就诊于我院经手术或穿刺活检病理证实为肺腺癌患者143例,根据基因检测结果将其分为EGFR突变组(n=68)和EGFR未突变组(n=75)。采用卡方检验或t检验比较两组患者临床病理特征及由AI系统测定三期CT图像所得参数(恶性概率预测值、最大径、3D体积、CT值、能量值)。利用二元Logstc回归分析相关变量,建立模型并获得联合预测因子,采用Hosmer-Lemeshow检验对该模型的拟合优度进行检验,对联合预测因子绘制ROC曲线,探讨AI联合临床病理特征预测肺腺癌癌表皮生长因子受体突变的诊断效能。结果 两组患者临床特征差异均无统计学意义(P>005),AI系统测定三期CT图像所得参数在两组间差异均有统计学意义(P<0001)。联合预测因子鉴别结节良恶性的ROC曲线下面积AUC为957,灵敏度为0.880、特异度为0.880。Hosmer-Lemeshow检验结果表明该模型P>0.10(0.642),拟合效果较好。结论基于人工智能...     

基于CT影像组学构建模型对实性肺结节鉴别的价值

  目的  探讨CT影像组学模型对实性肺结节良恶性的诊断效能。  方法  回顾性分析安徽医科大学第二附属医院2019年3月—2022年11月经手术、穿刺或临床证实的231例实性肺结节患者CT影像资料,选择典型的231个肺结节,按病理类型分为良性(98例)和恶性(133例)。采用InferScholar软件分别从二维、三维2个角度对病灶轮廓进行勾画,之后用软件提取影像组学特征,将入组病例以7∶ 3的比例分为训练集和测试集。通过Pearson相关系数、显著性检验、LASSO回归分析方法进行特征筛选。在训练集中分别构建二维、三维影像组学特征模型(模型Ⅰ、模型Ⅱ),用测试集来验证,利用ROC曲线下面积来评价模型的预测效能。  结果  从二维、三维2个角度分别提取出919、1 746个影像组学特征,经过筛选,分别得到12、20个最优影像组学特征,用机器算法构建影像组学模型Ⅰ和模型Ⅱ。训练集中模型Ⅰ的AUC为0.97,模型Ⅱ的AUC为0.98;测试集中模型Ⅰ的AUC、灵敏度、特异度、阳性预测值、阴性预测值和准确率分别为0.94(95% CI:0.87~0.98)、83.9%、89.5%、86.7%、87.2%、87.0%;测试集中模型Ⅱ的AUC、灵敏度、特异度、阳性预测值、阴性预测值和准确率分别为0.97(95% CI:0.94~0.99)、75.9%、97.5%、95.7%、84.8%、88.4%。  结论  基于CT影像组学构建的模型能够较好地预测实性肺结节的良恶性,从三维角度构建的模型Ⅱ的诊断效能优于二维角度构建的模型Ⅰ。      

基于影像组学的煤工尘肺结节分析联合临床因素预测肺癌发生的价值

目的 研究影像组学、临床因素与煤工尘肺结节恶变间的关系,构建煤工尘肺结节恶变的最佳预测模型。方法 收集2015年1月—2019年6月在重庆市九龙坡区第二人民医院就诊的425例煤工尘肺患者的临床资料及共628个结节CT图像,以7∶3的比例随机分成训练集和验证集,每组数据内分为恶变组和未恶变组。对结节进行基本影像特征判读并勾画感兴趣区,提取影像组学特征。利用影像组学关键特征构建Radscore公式,通过logistic回归对临床特征、影像组学特征、临床特征和Radscore建立预测模型并使用AUC及Delong检验比较模型的预测效能。结果 3年随访过程中病理证实恶性结节54枚,直径为（1.70±0.63）cm,未发生恶变结节574枚,直径为（1.68±0.76）cm,2组直径比较差异无统计学意义（t=0.468,P=0.642）;2组接触煤尘工龄、家族史、吸烟史、饮酒史、毛刺征与空泡征比较,差异有统计学意义（均P<0.05）;年龄、结核史、COPD病史比较,差异无统计学意义（均P>0.05）。LASSO筛选出11个影像组学特征。在验证集中混合模型取得最佳效果,AUC为0.895...     

血清肿瘤标志物与非小细胞肺癌中表皮生长因子受体基因突变的相关性研究

目的采用logistic回归和受试者特征曲线(ROC)方法评价血清肿瘤标志物与非小细胞肺癌(NSCLC)中表皮生长因子受体(EGFR)基因突变的相关性。方法收集肺腺癌住院病人128例,记录病人是否存在吸烟史,并收集病人初诊时静脉血5 mL,分离血清3 mL,检测病人血清肿瘤标志物。按照EGFR基因检测结果分为EGFR基因突变组和EGFR基因非突变组,比较2组病人的一般临床特征,基于logistic回归模型,绘制ROC曲线,计算曲线下面积(AUC)评价各指标及联合诊断的价值。结果EGFR的突变与病人的性别、吸烟史、血清鳞状细胞癌抗原(SCC)以及血清糖类抗原(CA125)水平相关(P < 0.05~P < 0.01),NSCLC病人中女性发生突变频率高于男性(P < 0.01),有吸烟史病人EGFR的突变频率低于无吸烟史病人(P < 0.01),血清SCC水平阴性病人EGFR的突变频率高于血清SCC水平阳性(P < 0.01),血清CA125阴性EGFR的突变频率高于CA125阳性病人(P < 0.05)。在血清肿瘤标志物中对EGFR基因突变诊断价值具有统计学意义的是性别、CA125、SCC以及病人的吸烟史(P < 0.05),指标联合诊断中,性别+SCC、性别+ CA125+SCC、性别+SCC+吸烟史、CA125+SCC+吸烟史、性别+CA125+SCC+吸烟史五者的AUC均>0.75(P < 0.05),具有较高的诊断价值。结论血清肿瘤标志物中SCC和CA125与NSCLC中发生EGFR突变存在着较好的相关性,与其他临床资料(性别、吸烟史)相结合增强了EGFR的预测鉴别能力,值得临床进一步推广应用。     

基于临床及CT特征构建预测肺浸润性黏液腺癌的机器学习模型

  目的  肺黏液腺癌是一种罕见的肺癌亚型,存在独特的分子生物学特征,并影响治疗方案的选择。本研究拟通过建立浸润性黏液腺癌的机器学习模型来提高治疗前黏液腺癌诊断的准确性。  方法  回顾性分析河北医科大学第四医院在2017年1月—2022年5月期间经穿刺活检或手术病理证实的620例肺浸润性腺癌患者资料。采用倾向性评分匹配法(PSM)进行1 : 1匹配后按7 : 3比例将患者随机分为训练集和测试集, 应用具有统计学差异的变量构建支持向量机(SVM)、随机森林(RF)及逻辑回归(LR)3种机器学习模型, 并通过AUC值选择最优模型。通过5折交叉验证方法分析最优机器学习模型AUC值及绘制决策曲线分析(decision curve analysis, DCA)曲线, 并构建诺莫图。  结果  结果显示病灶位于下叶、囊腔、支气管截断征及ΔCTV值是浸润性黏液性腺癌的独立预测因素。将以上4个特征通过机器学习构建预测模型并进行模型比较, 最终显示逻辑回归模型(AUC = 0. 801)为最优模型。将285例随机抽取30%为测试集(85例), 剩余样本作为训练集进行5折交叉验证, 逻辑回归模型在验证集中得到AUC为0. 777, 测试集中的AUC为0. 785, 准确度为0. 682, 训练集中的AUC为0. 803, 准确度为0. 749。最终构建逻辑回归模型的诺莫图, 模型校准曲线中的Briser Score为0. 149, 且绘制的DCA曲线同样显示该模型具有良好的预测能力及稳定性。  结论  通过对基于临床及CT特征的机器学习模型的分析, 构建了原发性肺浸润性黏液性腺癌的临床预测模型, 该模型具有潜在指导临床诊断的作用。      

基于CT影像组学及临床资料预测肝细胞癌微血管侵犯的研究

目的 基于肝细胞癌（hepatocellular carcinoma,HCC）患者的术前CT影像组学特征和术前临床资料分别建立影像组学模型,探讨其预测微血管侵犯（microvascular invasion,MVI）的研究价值。方法 回顾性分析复旦大学附属肿瘤医院2018年1月至2020年12月110例经术后病理结果确诊为HCC患者的资料。采用ITK-SNAP软件勾画肝脏肿瘤边缘,通过Python(3.7.10版本)软件对图像做预处理,使用pyradiomics(3.0.1版本)工具包提取9种滤波器下的八类影像组学特征共1 317个。依据术后病理结果分成MVI阳性组（65例）和MVI阴性组（45例）。分析临床资料,利用逻辑回归算法分别建立影像组学模型,临床模型,临床特征联合影像组学模型（简称联合模型）。通过绘制训练组和测试组的受试者特征曲线（receiver operating characteristic curve,ROC）、ROC曲线下面积（the area under the ROC curve,AUC）、特异性和敏感性评估预测患者MVI状态的诊断效能。结果 筛选出18个最优的...     

基于多序列MRI影像组学预测早期宫颈癌淋巴血管侵犯的研究

  目的  探索基于多序列MRI图像的影像组学方法在预测早期宫颈癌淋巴血管侵犯(LVSI)中的临床价值。  方法  选取2015年1月—2020年2月宁波大学附属人民医院收治经病理证实的早期宫颈癌患者134例,分层抽样选取训练组91例,验证组43例,术前均行MRI平扫、对比增强(CE-MRI)及弥散成像(DWI)检查。在T₂WI-FS、CE-MRI及DWI序列图像上分别勾画肿瘤感兴趣区,采用LASSO回归及诺模图法提取影像组学特征并建立预测模型,训练组进行特征选择分类及模型建立,验证组对构建的预测模型进行验证,分析基于MRI各序列影像组学模型对早期宫颈癌LVSI的预测效能。  结果  采用LASSO回归在早期宫颈癌患者的T₂WI-FS、CE-MRI和DWI序列影像中分别提取具有预测意义的宫颈癌LVSI的影像组学特征,WavEnLH_s-4、Horzl_LngREmph在各序列中均被筛选出。通过logistics回归模型分别构建的不同序列MRI的影像组学模型对早期宫颈癌LVSI诊断效能均较高,T₂WI-FS、CE-MRI及DWI在训练组的AUC分别为0.810、0.803和0.781,在验证组的AUC分别为0.785、0.761和0.752。使用诺模图法构建的多序列MRI影像组学在训练组的AUC为0.893,在验证组的AUC为0.859。  结论  通过诺模图法构建的基于T₂WI-FS、CE-MRI及DWI序列影像组学模型作为一种客观的影像分析方法,对早期宫颈癌LVSI具有较高的预测效能并具有一定临床应用价值。