CT影像组学联合临床特征在预测肺腺癌EGFR突变中的价值

目的探究CT影像组学联合临床特征对肺腺癌EGFR突变状态的预测效能。方法对125例肺腺癌病人进行回顾性研究,分成训练组（n=74）与验证组（n=51）,基于CT成像提取影像组学特征;采用支持向量机（SVM）分类器,分别构建临床模型、影像组学模型以及联合模型;受试者工作特征曲线（ROC）及曲线下面积（AUC）用于评价模型的预测效能。结果临床模型、影像组学模型以及联合模型在训练组中的AUC分别为0.749（0.653~0.843）、0.818（0.711~0.898）、0.860（0.760~0.930）,在验证组中的AUC分别为0.753（0.612~0.863）、0.797（0.661~0.896）、0.855（0.728~0.938）。结论对于肺腺癌EGFR突变状态的预测,CT影像组学特征优于临床因素与CT征象,当影像组学结合临床因素与CT征象,能进一步提高预测效能。     

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。     

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。     

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。     

磁共振影像组学在鉴别中低危和高危前列腺癌中的应用

目的建立基于支持向量机学习算法的影像组学模型,研究其鉴别高危前列腺癌与中低危前列腺癌的诊断效能。方法回顾性分析265例经病理证实的前列腺癌病人,其中高危病人155例,中低危病人110例。所有病人术前均进行MRI检查。由两位放射医师使用达尔文智能科研平台手动勾画感兴趣区,从每例病人的T2WI和ADC图中分别提取影像组学特征,采用受试者工作特征(ROC)曲线及ROC曲线下面积(AUC)验证影像组学特征的鉴别效能,对比T2WI、ADC及T2WI+ADC的诊断价值。结果共筛选出10个影像组学特征(6个ADC序列特征,4个T2WI序列特征)可以用来鉴别高危及中低危前列腺癌。仅使用T2WI获得的组学模型鉴别效能较低,训练队列AUC为0.70(95%CI 0.63~0.77),验证队列AUC为0.58(95%CI 0.47~0.68)。ADC图组学模型预测效能较好,训练队列AUC为0.79(95%CI 0.72~0.85),验证队列AUC为0.78(95%CI 0.68~0.86)。T2WI联合ADC图构建的影像组学模型表现出最优预测效能,训练队列AUC为0.84(95%CI 0.78~0.89),验证队列AUC为0.80(95%CI 0.69~0.88)。结论本研究构建的基于T2WI和ADC图的影像组学模型在一定程度上对中低危及高危前列腺癌病人进行区分,为前列腺癌的分期提供了一种无创的预测方式,指导治疗方案的选择。     

基于机器学习CT影像组学特征联合血清学特征模型预测高出血风险食管静脉曲张

目的建立结合影像组学特征及血清学特征的预测模型(Nomogram模型)并进行模型验证,以评估模型对高出血风险食管静脉曲张的预测效能。方法回顾性收集本院代偿期肝硬化门静脉高压患者共129例数据的CT、血清学及电子胃镜资料,选取CT图像上第一肝门及脾门层面作为感兴趣区勾画全肝及全脾ROI,提取CT特征、血清学特征,构建影像组学模型,血清学模型及Nomogram模型,采用ROC曲线下面积(AUC)评估3个预测模型的预测效能。结果 本次研究共纳入129例患者,其中训练集103例,验证集26例,影像组学模型、血清学模型、Nomogram模型的AUC值0.887(95%CI:0.759-1.000)、 0.845(95%CI:0.691-1.000)、0.988(95%CI:0.959-1.000)。结论 基于机器学习CT影像组学特征联合血清学特征预测高出血风险食管静脉曲张模型,较影像组学特征预测模型以及血清学特征预测模型有着更高的预测效能。     

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CT平扫的影像组学模型在预测老年人腰椎骨质疏松中的价值

目的：探讨基于腰椎CT平扫影像组学模型在中老年人腰椎骨质疏松中的诊断价值。方法：选取2020年7月至2020年10月温州医科大学附属第二医院绝经后女性和50岁以上男性66例（骨质疏松症43例,未患骨质疏松症23例）,所有患者均行腰椎CT平扫。在纳入患者的腰1～4椎体中,共有237个腰椎符合研究标准,骨质疏松腰椎95个,非骨质疏松腰椎142个。根据腰椎是否存在骨质疏松为标准,将所有腰椎按照分层随机抽样方法以7:3的比例分为训练组和验证组。应用3D Slicer软件在腰椎CT平扫图像上逐层勾画腰椎椎体骨松质以获得三维感兴趣区（ROI）,并以单个腰椎椎体为单位提取影像组学特征。使用最大相关-最小冗余（mRMR）对训练组的影像组学特征降维并保留10个特征,然后应用最小绝对收缩和选择算子（LASSO）Logistic回归算法从保留的特征中选择最优特征子集用于建立影像组学模型。采用受试者工作特征（ROC）曲线的曲线下面积（AUC）评估影像组学模型的预测效能。采用校准曲线评估影像组学模型预测腰椎骨质疏松的结果与双能X线吸收测定法（DXA）诊断结果的拟合度。结果：在提取的1 316个影像组学特征中,最终获得7个与腰椎骨质疏松显著相关的影像组学特征用于构建影像组学模型。ROC曲线显示影像组学模型预测腰椎骨质疏松的AUC在训练组和验证组分别为0.908（95%CI =0.863～0.952）和0.935（95%CI =0.873～0.996）。校准曲线评估显示影像组学模型在训练组和验证组中均有较好的拟合度。结论：基于腰椎CT平扫的影像组学模型可作为评估中老年人腰椎骨质疏松的一种无创性辅助工具,有利于协助临床决策,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。     

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。     

影像组学在预测非小细胞肺癌分子标志物P63中的应用价值

目的：建立基于非小细胞肺癌(non-small cell lung cancer,NSCLC)肿瘤CT图像的影像组学模型,预测NSCLC 分子标志物P63的表达状态。方法：回顾性分析2014年1月至2018年3月接受CT扫描的245例NSCLC患者。患者均经组 织病理学检查确诊,并在CT检查后2周内进行P63表达状态检测。通过MaZda软件提取CT平扫图像的影像组学特征, 并且定义肿瘤CT图像的主观影像征象。使用Lasso-logistic回归模型进行特征筛选并分别建立影像组学模型、主观影像 征象模型及融合诊断模型。通过受试者操作特征(receiver operator characteristic,ROC)曲线评估每个模型的预测性能, 并采用Delong检验进行比较。结果：在245例患者中,P63阳性96例,P63阴性149例。主观影像征象模型由6个影像征 象组成。通过特征选择,影像组学模型包括8个影像组学特征。主观影像征象模型和影像组学模型预测P63表达状态 的ROC曲线下面积分别为0.700和0.755,二者差异无统计学意义(P>0.05)。融合诊断模型较另2种模型具有最佳预测能 力,ROC曲线下面积为 0.817(P<0.01)。结论：基于CT图像的影像组学模型可以预测NSCLC分子标志物P63的表达状 态;融合影像组学特征和主观影像征象的诊断模型可以显著提高模型的预测性能,有助于无创性了解肺癌细胞分子 水平信息。     

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MRI增强T1WI影像组学预测模型鉴别高级别胶质瘤IDH 1突变型与野生型的价值

目的：探讨基于术前增强T1WI构建的影像组学模型预测高级别胶质瘤患者异柠檬酸脱氢酶-1（IDH 1）突变型与野生型的价值。方法：回顾性分析2012 年6 月至2020 年12 月在温州医科大学附属第五医院行颅脑增强T1WI图像的高级别胶质瘤患者89 例,IDH 1突变型32 例（WHO III级15 例,WHO IV级17例）,IDH 1野生型57例（WHO III级12例,WHO IV级45例）,按7:3随机分为训练组和验证组。使用A.K软件对原始增强T1WI图像进行影像特征提取,Kruskal-Wallis非参数检验、Spearman相关性分析、LASSO回归及10 倍交叉验证进行特征降维,筛选出最具特征的参数。采用受试者操作特征（ROC）曲线评价模型对高级别胶质瘤IDH 1突变型和IDH 1野生型识别的预测效能。决策曲线分析（DCA）评价模型的获益情况。结果：每位患者增强T1WI图像共提取396个不同的纹理参数,通过LASSO降维及10倍交叉验证筛选,最终得到5个最具特征性纹理参数,并计算得到相应放射值,构建训练组和验证组的预测模型,训练组模型的ROC曲线下面积为0.902（95%CI：0.826～0.978）,灵敏度和特异度分别为84.6%和81.8%,验证组模型的ROC曲线下面积为0.844（95%CI：0.676～1.000）,敏感度为77.8%,特异度为80.1%。DCA显示影像组学模型在风险阈值0.1～1.0间较大范围内的净收益优于不作处理模型和全部处理模型。结论：基于MRI增强T1WI构建的影像组学模型可有效识别高级别胶质瘤的IDH 1突变型和野生型。     

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。     

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。      

基于定量影像学生物标志物构建肾透明细胞癌术前精准分级预测模型的可行性

目的：探讨利用CT影像组学技术筛选定量影像学生物标志物进而构建肾透明细胞癌术前WHO/ISUP分级精准预测模型的可行性。方法：回顾性收集2010年1月至2019年10月在丽水市中心医院经手术病理证实且病理分级明确的肾透明细胞癌（ccRCC）患者72例,其中高分化组（I+II级）52例,低分化组（III+IV级）20例。收集入组患者的术前皮髓期CT图像进行影像组学分析筛选影像学生物标志物进而训练预测模型。首先利用ITK-SNAP软件在皮髓期图像手动逐层勾画靶病灶（最大病灶）边缘融合成全病灶三维感兴趣区（VOI）,随后利用A.K软件提取纹理参数,并基于R语言筛选特征性纹理参数作为影像学生物标志物,进一步基于上述纹理参数计算各个患者的Rad-score,最终构建ccRCC精准分级预测模型。结果：本研究共提取出396 个纹理特征,并利用Lasso降维联合10倍交叉验证法筛选出了皮髓期CT图像的5个特征性纹理参数作为预测生物标志物,分别为均方根、峰度、相关性、熵、惯性,并计算得到了各个患者相对应的Rad-score。基于Radscore构建ccRCC术前分级预测模型,其曲线下面积为0.891（95%CI =0.797～0.952）,敏感度和特异度分别为84.6%和85.3%。结论：基于皮髓期CT图像的影像组学技术构建的术前ccRCC精准分级预测模型具有较高的准确度、特异度和敏感度,利用该方法进行分级预判是可行的。     

CT影像组学鉴别儿童腹膜后神经母细胞瘤和节细胞神经母细胞瘤的价值

目的 基于平扫和增强CT的影像组学分析在鉴别儿童腹膜后神经母细胞瘤（NB）和节细胞性神经母细胞瘤（GNB）中的价值。方法 纳入172例NB和48例GNB患儿,按7∶3的比例分层随机抽样划分为训练集和测试集。分别从平扫期、动脉期和静脉期CT图像中提取并筛选影像组学特征,基于最优特征子集采用多变量回归模型建立各期以及三期复合的影像组学模型,绘制模型ROC曲线,计算并比较各期模型的AUC、准确度、灵敏度及特异性等评价指标。结果 从平扫期、动脉期和静脉期CT图像中分别提取了1218个影像组学特征,最终筛选出平扫期模型4个特征、动脉期模型3个特征、静脉期模型2个特征以及三期复合模型 5 个特征。平扫期模型在训练集中的 AUC 为 0.840（95%CI: 0.778~0.902）,测试集中 AUC 为 0.804（95%CI: 0.699~ 0.899）。动脉期模型在训练集中的AUC为0.819（95%CI: 0.759~0.877）,测试集中AUC为0.815（95%CI: 0.697~0.915）。静脉期模型在训练集中的AUC为0.730（95%CI: 0.649~0.803）,测试集中AUC为0.751（95%CI: 0.619~0.869）。三期复合模型在训练集中的AUC为0.861（95%CI: 0.809~0.910）,测试集中AUC为0.827（95%CI: 0.726~0.915）。结论 基于平扫和增强CT的影像组学特征有助于区分儿童腹膜后NB和GNB,纹理特征相对于一阶直方图特征能更好的反映病灶的差异。平扫期、动脉期和静脉期影像组学模型均可较好鉴别儿童腹膜后NB和GNB。三期复合模型与平扫期、动脉期模型效能相似,但优于静脉期模型。