基于CT影像组学的机器学习模型预测胰腺癌门静脉-肠系膜上静脉侵犯的研究

目的探讨基于CT影像组学的机器学习模型预测胰腺癌门静脉-肠系膜上静脉(PV-SMV)侵犯的价值。方法回顾性分析2010年1月至2021年7月南京医科大学附属无锡第二医院收治的156例经手术病理确诊的胰腺癌患者的临床、病理及术前CT影像资料, 其中男性95例, 女性61例, 年龄(65.7±8.2)岁。所有入组患者按3∶2的比例划分训练集和验证集。通过患者术前增强CT提取肿瘤影像组学特征, 采用最大相关最小冗余算法进行特征选择后, 构建5种机器学习算法预测模型, 并与常规影像特征诊断的受试者工作特征(ROC)曲线进行比较。结果 94例患者纳入训练集, 62例纳入验证集。训练集和验证集中手术探查证实的PV-SMV侵犯病例分别为30例(31.9%)和25例(40.3%)。基于10个影像组学特征构建的5个机器学习模型中, LASSO回归模型的AUC优于随机森林、支持向量机、K近邻和朴素贝叶斯4个模型, 差异有统计学意义(均P<0.05)。与常规影像特征的诊断效能比较, LASSO回归模型在验证集中诊断PV-SMV侵犯具有更高的AUC(0.920比0.752)和更好的灵敏度(92.0%比8...     

机器学习算法模型预测体外冲击波碎石治疗输尿管结石的疗效

目的 探讨基于机器学习算法构建体外冲击波碎石术(ESWL)治疗输尿管结石疗效的预测模型,比较各种算法模型的预测效果及优劣。方法 纳入接受ESWL治疗的输尿管结石患者1 116例。利用患者性别、年龄、身高、体重、病程、临床症状、结石长径和短径等特征因素以及体外冲击波碎石治疗3个月后的清石结局数据,分别构建随机森林(RF)和极致梯度提升树(XGBoost)预测模型,与Logistic回归预测模型相互比较。结果 Logistic回归预测模型对体外冲击波碎石疗效的预测准确率为84.67%,ROC曲线下面积(AUC)为0.70。随机森林和极致梯度提升树预测模型的预测准确率分别为91.76%、98.75%,AUC分别为0.9904和0.9998。三种预测模型结果提示结石部位与结石负荷影响治疗的成功率。结论 机器学习算法的随机森林和极致梯度提升树算法可以极大提高ESWL治疗输尿管结石疗效的预测准确率。     

MSCT影像组学结合机器学习预测直径2~5 cm胃胃肠间质瘤危险度分级研究北大核心CSCD

目的 探讨多层螺旋CT(MSCT)影像组学结合不同机器学习(ML)算法预测直径2~5 cm胃胃肠间质瘤(GIST)危险度分级的价值。方法 回顾性分析115例(共115枚)直径2~5 cm术后病理学检查证实为胃GIST病人的完整资料,按照美国国家卫生研究院(NIH)分级标准,分为低风险组67例(极低危险度5例,低危险度62例)和高风险组48例(均为中危险度)。按7∶3比例将病人随机分为训练集(n=80)和验证集(n=35)。利用ITK-SNAP软件分割图像,利用AK软件提取影像组学特征,并降维构建影像组学标签评分(rad-score)。采用单因素及多因素Logistic回归筛选独立危险因素,利用支持向量机(SVM)、最近邻算法(KNN)、极端梯度增强机(XGBoost)3种机器学习算法构建预测模型,并筛选最优模型为输出模型。采用受试者操作特征(ROC)曲线下面积(AUC)评价模型的效能,使用临床决策曲线(DCA)评价输出模型的临床适用性。结果 单因素分析消化道出血、血管样强化、分叶征、坏死、长径、短径、强化特征、静脉期不均匀率(SHRTv)及rad-score差异有统计学意义(P<0.05)。多因素分析血管样强化、强化特征及rad-score为独立危险因素。3种ML算法构建预测模型的AUC分别为训练集0.912、0.865、0.887,验证集0.897、0.845、0.865,SVM为最优模型。DCA显示SVM算法构建预测模型在训练集及验证集均有较高的临床适用性。结论 MSCT影像组学结合机器学习能够无创、准确地预测胃GIST(2~5 cm)危险度分级,为临床外科医师制定治疗方案提供参考依据。     

CT影像组学模型鉴别诊断肺淋巴瘤与肺浸润性黏液腺癌

目的观察CT影像组学模型鉴别诊断肺淋巴瘤与肺浸润性黏液腺癌(PIMA)的价值。方法回顾性分析经病理证实的34例肺淋巴瘤(淋巴瘤组)及64例PIMA患者(PIMA组),按7∶3比例将其随机分入训练集和验证集。于胸部CT纵隔窗图像上沿病灶边缘手动勾画三维容积感兴趣区(VOI),提取影像组学特征参数。以最小冗余最大相关、LASSO十折交叉验证进行特征降维,以多因素Logistic回归分别构建影像组学标签、影像学特征模型及二者融合的个体化预测模型(以列线图表示)。采用受试者工作特征(ROC)曲线评价各模型对肺淋巴瘤与PIMA的鉴别效能,以决策曲线分析(DCA)综合评价模型的临床效用价值。结果共获得15个影像组学参数用于构建影像组学标签;ROC曲线结果显示其鉴别训练集肺淋巴瘤与PIMA的AUC=0.84,验证集AUC=0.77。以空气支气管征、支气管扩张及胸腔积液构建影像学特征模型,训练集AUC=0.85,验证集AUC=0.81;融合列线图对训练集AUC=0.95,验证集AUC=0.92;列线图具有更高的临床效用价值。结论基于CT征象、影像组学标签构建的个体化预测模型可有效鉴别肺淋巴瘤与PIMA。     

钆塞酸二钠增强MRI影像组学对肝血管瘤腹腔镜肝切除术后疗效的预测价值

目的 探讨钆塞酸二钠（Gd-EOB-DTPA）增强MRI影像组学对肝血管瘤腹腔镜肝切除术疗效的预测价值。方法 选取2018年2月至2020年10月行腹腔镜肝切除术治疗的肝血管瘤患者131例作为研究对象。采用计算机产生随机数法将131例肝血管瘤患者以7:3的比例分为训练集（92例）和验证集（39例）,分别用于构建和验证预测模型效能。根据术后是否出现并发症将训练集患者分为预后不良组和预后良好组,比较两组患者的临床特征资料。使用最小绝对收缩和选择算子（the least absolute shrinkage and selection operator,LASSO）回归5折交叉验证方法筛选训练集临床和影像组学特征,得到最优特征子集。使用机器学习算法构建预测模型,并使用受试者工作特征（receiver operating characteristics,ROC）曲线评价各模型对肝血管瘤术后疗效的预测价值。结果 训练集中预后良好64例,预后不良28例,两组在慢性疾病、肝血管瘤最大径、血管瘤数、血管瘤供血动脉支数、肝切除大小、术中出血量方面差异均有统计学意义（P<0.05）。依据LASSO回归中的最佳λ取值筛选出14个非零系数特征构成的最优特征子集,其中包括12个组学特征和2个临床特征。利用训练集筛选出的最优特征子集构建Logistic回归、CatBoost、XGBoost和LightGBM模型的AUC分别为0.820、0.722、0.784、0.693。验证集构建的Logistic回归、CatBoost、XGBoost和LightGBM模型的ROC曲线下面积（AUC）分别为0.814、0.706、0.785、0.684。4种机器学习模型的预测效果良好,其中Logistic回归的预测效果优于其他3种。结论 血管瘤最大径和血管瘤数目,结合Gd-EOB-DTPA增强MRI影像组学,以此构建的机器学习模型可用于预测肝血管瘤腹腔镜肝切除术后疗效,其中Logistic回归算法构建的模型更加精准。     

脾CT影像组学诺模图在肝硬化上消化道出血风险预测中的价值

目的：探讨脾平扫CT影像组学诺模图在上消化道出血风险预测中的临床应用价值。方法 ：对2017年1月到2019年9月临床诊断为肝硬化门静脉高压的95例患者进行回顾性分析,所有患者均行腹部CT平扫及胃镜检查。参照胃镜结果将患者分为中低风险出血组（40例）和高风险出血组（55例）,按照7:3的比例分别将样本随机分为训练集和验证集。提取1409个平扫脾脏组学特征,通过方差阈值法、Select KBest算法以及LASSO算法,分析筛选出与消化道出血密切相关的12个组学特征并建立影像组学模型;再将多元回归分析得出的临床出血风险因素PLT建模,联合影像组学模型构建预测上消化道出血风险的诺模图。结果：影像组学模型与临床高风险出血因素模型相结合构建的诺模图在训练集和测试集的AUC值为0.97和0.93,高于单独影像组学模型和临床高风险出血因素PLT模型。结论：脾CT影像组学结合临床高风险因素构建的诺模图在上消化道出血风险预测结果与消化内镜的诊断一致性较高,可为临床治疗提供一定的参考。     

CT影像组学列线图预测胃癌内镜活检与术后病理学分型差异

目的 评估基于CT影像组学的列线图预测胃癌内镜活检与术后病理Lauren分型差异的价值。方法 回顾性分析126例经手术病理确诊的胃癌患者,根据内镜活检与术后病理结果是否一致将其分为一致组（n=77）与不一致组（n=49）,同时按2∶1比例分为训练集与验证集。筛选临床预测因子,构建临床预测模型;于静脉期CT图像提取影像组学特征,采用L1正则化方法对特征进行筛选,以决策树、随机森林、逻辑回归3种机器学习（ML）算法构建影像组学模型;基于临床及最佳影像组学ML模型构建列线图;评估各模型及列线图的预测效能及其临床价值。结果 患者年龄、血小板计数、动脉期CT值是预测胃癌内镜活检与术后病理分型不一致的独立因子。3种ML模型中,随机森林预测效能较好,其在训练集与验证集中的曲线下面积（AUC）分别为0.835及0.724。临床模型、影像组学模型及列线图在训练集的AUC分别为0.764、0.835及0.884,在验证集分别为0.760、0.724及0.841;列线图在训练集与验证集均显示出较好的拟合度及临床实用性。结论 基于CT影像组学列线图用于预测胃癌内镜活检与术后病理Lauren分型不一致性具有潜在临床应用价值。     

基于CT影像组学胰十二指肠切除术后胰瘘风险预测模型及其价值

目的 探讨基于CT影像组学模型术前预测胰十二指肠切除术后胰瘘(POPF)的应用价值。方法 回顾性分析106例接受胰十二指肠切除术患者的临床及腹部CT资料,其中POPF(+)组36例,POPF(-)组70例。采用ITAK-SNAP软件勾画CT图像感兴趣区域(ROI),Python程序的radiomics包进行影像组学特征提取,使用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归进一步筛选特征、建立影像组学评分(Rad-score),构建影像组学预测模型。然后将临床特征、Rad-score纳入多因素Logistic回归分析,筛选出POPF发生的独立危险因素,构建临床预测模型以及联合影像学组学特征的混合模型。最后采用受试者工作特征曲线(ROC)评估不同模型的预测效能。结果 共筛选出7个非零影像组学特征并建立了Rad-score。BMI、胰管扩张及Rad-score均是发生POPF的独立危险因素。影像组学预测模型、临床特征预测模型及混合预测模型预测POPF的曲线下面积(AUC)为分别为0.72、0.69、0...     

机器学习算法和COX列线图在肝细胞癌术后生存预测中的应用价值

目的探讨机器学习算法和COX列线图在肝细胞癌术后生存预测中的应用价值。方法采用回顾性描述性研究方法。收集2012年1月至2017年1月中国医学科学院北京协和医学院肿瘤医院收治的375例肝细胞癌行根治性肝切除术患者的临床病理资料;男304例,女71例;中位年龄为57岁,年龄范围为21~79岁。375例患者通过计算机产生随机数方法以8∶2比例分为训练集300例和验证集75例,应用逻辑回归、支持向量机、决策树、随机森林、人工神经网络机器学习算法构建肝细胞癌患者术后生存的预测模型,筛选性能最优的机器学习算法预测模型;构建肝细胞癌患者术后生存预测的COX列线图预测模型;比较最优机器学习算法预测模型和COX列线图预测模型预测肝细胞癌患者术后生存的性能。观察指标:(1)训练集与验证集患者临床病理资料分析。(2)训练集与验证集患者随访及生存情况。(3)机器学习算法预测模型构建及验证。(4)COX列线图预测模型构建及验证。(5)随机森林机器学习算法预测模型与COX列线图预测模型预测性能评价。采用门诊或电话方式进行随访,了解患者生存情况。随访时间截至2019年12月或患者死亡。正态分布的计量资料以±s表示,组间比较采用配对t检验。偏态分布的计量资料以M(P25,P75)或M(范围)表示,组间比较采用Mann-Whitney U检验。计数资料以绝对数表示,当Tmin≥5,N≥40时,组间比较采用χ2检验;当1≤Tmin≤5,N≥40时,采用校正χ2检验;当Tmin<1或N<40时,采用Fisher确切概率法。采用Kaplan-Meier法计算生存率和绘制生存曲线。采用COX比例风险模型进行单因素分析,将P<0.2的变量纳入Lasso回归分析,根据λ值筛选影响预后的变量,最后将变量纳入COX比例风险模型进行多因素分析。结果(1)训练集与验证集患者临床病理资料分析:训练集和验证集患者微血管侵犯(无、有),肝硬化(无、有)分别为292、8例,105、195例和69、6例,37、38例,两组患者比较,差异均有统计学意义(χ2=4.749,5.239,P<0.05)。(2)训练集与验证集患者随访及生存情况:训练集与验证集患者均获得随访。训练集300例患者随访时间为1.1~85.5个月,中位随访时间为50.3个月。验证集75例患者随访时间为1.0~85.7个月,中位随访时间为46.7个月。375例肝细胞癌患者术后1、3年总体生存率分别为91.7%、79.5%。训练集和验证集患者术后1、3年总体生存率分别为92.0%、79.7%和90.7%、81.9%。两组患者术后生存情况比较,差异无统计学意义(χ2=0.113,P>0.05)。(3)机器学习算法预测模型构建及验证。①筛选最优机器学习算法预测模型:根据变量对预测肝细胞癌术后3年生存的信息增益度,应用逻辑回归、支持向量机、决策树、随机森林和人工神经网络5种机器学习算法对肝细胞癌临床病理因素进行变量综合排名。筛选主要预测因素为乙型肝炎e抗原(HBeAg)、手术方式、肿瘤最大直径、围术期输血、肝被膜侵犯、肝脏Ⅳ段侵犯。将预测因素前3、6、9、12、15、18、21、24、27、29个变量依次引入5种机器学习算法。其结果显示:当引入9个变量时,逻辑回归、支持向量机、决策树、随机森林机器学习算法预测模型受试者工作特征曲线的曲线下面积(AUC)趋于稳定。当引入变量>12个时,人工神经网络机器学习算法预测模型AUC波动明显,逻辑回归、支持向量机机器学习算法预测模型AUC稳定性可继续改善,而随机森林机器学习算法预测模型AUC接近0.990,说明随机森林机器学习算法预测模型为最优机器学习算法预测模型。②随机森林机器学习算法预测模型优化和验证:将预测因素29个变量依次引入随机森林机器学习算法预测模型中,构建训练集最佳随机森林机器学习算法预测模型。其结果显示:当引入变量=10个时,网格搜索法示最佳决策树结点个数=4,最佳决策树数目=1000;当引入变量≥10个时,随机森林机器学习算法预测模型AUC稳定在0.990左右。其中当引入变量=10个时,随机森林机器学习算法预测模型预测训练集术后3年总体生存AUC为0.992,灵敏度为0.629,特异度为0.996,预测验证集术后3年总体生存AUC为0.723,灵敏度为0.177,特异度为0.948。(4)COX列线图预测模型构建及验证。①训练集患者术后生存因素分析。单因素分析结果显示:HBeAg、甲胎蛋白、围术期输血、肿瘤最大直径、肝被膜侵犯、肿瘤分化程度是影响肝细胞癌患者术后生存的相关因素(风险比=1.958,1.878,2.170,1.188,2.052,0.222,95%可信区间为1.185~3.235,1.147~3.076,1.389~3.393,1.092~1.291,1.240~3.395,0.070~0.703,P<0.05)。将P<0.2的临床病理因素纳入Lasso回归分析,其结果显示:性别,HBeAg,甲胎蛋白,手术方式,围术期输血,肿瘤最大直径,肿瘤位置在肝脏Ⅴ段和肝脏Ⅷ段,肝被膜侵犯,肿瘤分化程度(高分化、中高分化、中分化、中低分化)是影响肝细胞癌患者术后生存的相关因素。进一步将上述临床病理因素纳入多因素COX回归分析,其结果显示:HBeAg、手术方式、肿瘤最大直径是肝细胞癌患者术后生存的独立影响因素(风险比=1.770,8.799,1.142,95%可信区间为1.049~2.987,1.203~64.342,1.051~1.242,P<0.05)。②COX列线图预测模型的构建和验证:将训练集COX多因素分析结果中P≤0.1的临床病理因素引入Rstudio软件及其rms软件包,构建训练集COX列线图预测模型。COX列线图预测模型预测术后总体生存的C-index为0.723(se=0.028),预测训练集术后3年总体生存AUC为0.760,预测验证集术后3年总体生存AUC为0.795。训练集校准图验证显示COX列线图预测模型对术后生存有较好预测效果。COX列线图回归函数=0.62706×HBeAg(正常=0,异常=1)+0.13434×肿瘤最大直径(cm)+2.10758×手术方式(腹腔镜=0,开腹手术=1)+0.54558×围术期输血(无输血=0,输血=1)-1.42133×高分化(非高分化=0,高分化=1)。计算所有患者COX列线图风险评分,应用Xtile软件寻找COX列线图风险评分最佳阈值,风险评分≥2.9分为高危组,风险评分<2.9分为低危组。Kaplan-Meier总体生存曲线结果显示:训练集低危组和高危组患者术后总体生存比较,差异有统计学意义(χ2=33.065,P<0.05)。验证集低危组和高危组患者术后总体生存比较,差异有统计学意义(χ2=6.585,P<0.05)。进一步采用决策曲线分析结果显示:联合HBeAg、手术方式、围术期输血、肿瘤最大直径和肿瘤分化程度因素的COX列线图预测模型预测性能优于单一因素的预测性能。(5)随机森林机器学习算法预测模型和COX列线图预测模型预测性能评价:通过对2种模型中共同含有的重要变量(肿瘤最大直径)进行分析,并将2种模型通过预测误差曲线进行比较,观察2种模型的预测差异。其结果显示:肿瘤最大直径为2.2 cm时,随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为77.17%和74.77%(χ2=0.182,P>0.05);肿瘤最大直径为6.3 cm时,随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为57.51%和61.65%(χ2=0.394,P>0.05);肿瘤最大直径为14.2 cm时,随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为51.03%和27.52%(χ2=12.762,P<0.05)。随着肿瘤最大直径增加,2种模型预测患者生存率差异增大。验证集中,随机森林机器学习算法预测模型预测患者术后3年总体生存AUC为0.723,COX列线图预测模型预测患者术后3年总体生存AUC为0.795,两者比较,差异有统计学意义(t=3.353,P<0.05)。采用Bootstrap交叉验证结果显示:随机森林机器学习算法预测模型和COX列线图预测模型预测3年生存的整合Brier得分分别为0.139、0.134,COX列线图预测模型预测误差低于随机森林机器学习算法预测模型。结论与机器学习算法预测模型比较,COX列线图预测模型预测肝细胞癌术后3年生存性能更佳,且其变量少,易于临床使用。     

基于钆塞酸二钠增强肝胆期MRI构建影像组学模型评估肝纤维化临床病理分期

目的 观察基于钆塞酸二钠（Gd-EOB-DTPA）增强肝胆期（HBP）MRI构建的影像组学模型评估肝纤维化（HF）临床病理分期的价值。方法 回顾性分析接受Gd-EOB-DTPA增强MR检查并经病理/临床评估HF临床病理分期的240例患者资料,测量HBP肝脏-肌肉信号强度比值（SIR₁）及肝脏-脾脏信号强度比值（SIR₂）;提取并筛选HBP影像组学特征,构建影像组学模型;基于信号强度比值（SIR）及影像组学标签构建SIR-影像组学联合模型;以受试者工作特征（ROC）曲线分析各模型评估HF临床病理分期的效能。结果 SIR₁与SIR₂评估HF临床病理分期的曲线下面积（AUC）分别为0.63～0.70及0.65～0.71。评估HF、显著HF、进展期HF及早期肝硬化效能最高的影像组学模型分别为支持向量机（SVM）、SVM、轻量梯度提升机及K邻近法模型（验证集AUC分别为0.87、0.82、0.81及0.80）。SIR-影像组学联合模型评估验证集上述HF临床病理分期的AUC分别为0.88、0.82、0.82及0.81。结论 基于Gd-EOB-DTPA增强HBP MRI构建的影像组学模型有助于评估HF临床病理分期;联合HBP SIR可提高评估其效能。     

基于CT影像组学模型鉴别诊断小细胞肺癌与非小细胞肺癌

目的观察基于CT影像组学模型鉴别诊断小细胞肺癌(SCLC)与非小细胞肺癌(NSCLC)的效能。方法回顾性分析1 524例经手术病理确诊的肺癌患者,其中526例SCLC (SCLC组), 998例NSCLC(NSCLC组)。采用特征提取软件MaZda(Version 4.6)提取CT图像中病灶最大层面的纹理特征参数,以Correlation相关性分析和最小绝对收缩和选择算子(LASSO)算法对数据进行降维,筛选组间差异明显的影像组学特征,构建影像组学模型。以7∶3比例将全部患者分为训练集和验证集,采用7种机器学习模型,包括Logistic回归、随机森林(RF)、贝叶斯算法(NB)、决策树(DT)、卷积神经网络(CNN)、邻近算法(KNN)和支持向量机(SVM)模型对数据集进行处理,根据其在验证集的准确率选择最佳分类器模型,采用受试者工作特征(ROC)曲线分析该分类器模型对SCLC与NSCLC的鉴别诊断效能。结果针对每个病灶提取306个纹理特征参数,最终筛选出20个组间差异明显的影像组学特征,并以之构建预测模型。模型训练结果显示,KNN模型鉴别诊断SCLC与NSCLC的准确率最高,其在训练集的AUC为0.88、准确率81.34%、特异度97.00%、敏感度51.63%,在验证集的AUC为0.82、准确率78.82%、特异度95.00%、敏感度48.10%。结论基于CT影像组学结合机器学习算法建立的诊断模型可用于鉴别SCLC与NSCLC,以KNN模型的效能更优。     

CT影像组学联合CT特征预测肺亚实性结节侵袭性

目的 观察CT影像组学联合CT特征预测肺亚实性结节侵袭性的价值。方法 回顾性分析170例肺亚实性结节患者资料,包括6例非典型腺瘤样增生(AAH)、12例原位腺癌(AIS)、58例微浸润性腺癌(MIA)及94例浸润性腺癌(IAC),将AAH、AIS和MIA归为非侵袭组、IAC归为侵袭组。按7∶3比例将患者分为训练集(n=119,含5例AAH、9例AIS、36例MIA及69例IAC)和验证集(n=51,含1例AAH、3例AIS、22例MIA及25例IAC)。采用单因素及logistic回归分析训练集患者一般资料及病灶CT表现,筛选预测肺亚实性结节侵袭性的独立危险因素并建立CT模型;基于训练集提取及筛选病灶最佳影像组学特征,以之构建影像组学模型。基于CT模型及影像组学模型构建联合模型,并以列线图将其可视化。绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),基于验证集评估各模型诊断效能;以校准曲线评价联合模型的校准程度。结果 CT所示结节长径和最大CT值为预测肺亚实性结节为IAC的CT相关独立危险因素,以之构建CT模型。基于训练集筛选出6个最佳影像组学特征并构建影像组学模型。CT模型、影像组学模型及联合模型预测验证集肺亚实性结节侵袭性的AUC分别为0.772、0.785及0.869;联合模型的AUC高于CT模型(Z=2.336,P=0.019)而与影像组学模型差异无统计学意义(Z=1.925,P=0.054),其预测结果与实际结果的一致性较高。结论 CT影像组学联合CT特征可有效预测肺亚实性结节侵袭性。     

影像组学联合CT特征鉴别儿童支原体与非支原体肺炎

目的 观察影像组学联合CT特征鉴别儿童支原体肺炎(MP)与非MP的价值。方法 回顾性收集153例肺炎患儿,根据支原体RNA检测结果分为MP组(n=101)与非MP组(n=52);按7∶3比例分为训练集(n=107,含71例MP、36例非MP)和验证集(n=46,含30例MP、16例非MP)。比较2组CT表现,以F test算法基于训练集数据筛选6个最佳CT征象,以逻辑回归(LR)方法构建CT模型。基于训练集提取及筛选最佳影像组学特征,分别以LR、支持向量机(SVM)、随机森林(RF)、线性判别分析(LDA)及随机梯度下降法(SGD)分类器构建机器学习(ML)模型;基于最佳CT征象及影像组学特征构建CT-ML模型。绘制受试者工作特征曲线,计算曲线下面积(AUC)评估各模型鉴别MP与非MP的效能。结果 病变累及右肺上、中、下叶,支气管壁增厚、树芽征及边缘回缩征为最佳CT征象,以之构建的CT_LR在验证集的AUC为0.710。验证集中,ML_LR、ML_SVM、ML_RF、ML_LDA及ML<...     

不同机器学习算法的社区老年人认知衰弱风险预测模型比较

目的 基于不同机器学习算法构建社区老年人认知衰弱风险预测模型，优选最佳模型，为防范社区老年人认知衰弱提供适宜评估工具。方法 选取苏州市3个社区卫生服务中心体检的1 105名老年人，随机分为训练集773人和验证集332人。基于训练集单因素logistic回归分析结果，使用logistic回归、伯努利朴素贝叶斯、随机森林、极端梯度提升、K邻近算法和支持向量机6种机器学习算法构建6种认知衰弱风险预测模型，并在验证集中进行评价和比较。基于最优算法构建社区老年人认知衰弱评分表，并对评分表进行验证。结果 训练集单因素logistic回归分析共识别出13个危险因素，6种模型ROC曲线下面积0.824～0.889,敏感度0.721～0.849,特异度0.700～0.837,约登指数0.498～0.674;随机森林模型为最佳模型，基于此模型构建的老年人认知衰弱评分表得分范围0～180分，内、外部验证ROC曲线下面积为0.858、0.831,最佳截断值为75分。结论 基于随机森林算法建立的预测模型预测性能最好，基于logistic回归建立的模型效果最差。基于随机森林算法构建的社区老年人认知衰弱评分表可用于...     

基于机器学习的急性冠脉综合征患者急性肾损伤的预测模型

目的 基于机器学习（machine learning,ML）的方法构建急性冠脉综合征（acute coronary syndrome,ACS）患者在急诊入院后发生急性肾损伤（acute kidney injury,AKI）的临床预测模型。方法 收集2018年1月至2020年12月在新疆医科大学第一附属医院住院确诊ACS的患者临床资料。（1）使用sklearn工具包中的train＿test＿split函数将数据集分为训练组（70%）和测试组（30%）,在训练组中使用logistic回归、决策树、随机森林、极端梯度提升、支持向量机和轻量级梯度提升（light gradient boosting machine,LightGBM）方法构建ACS-AKI的预测模型;（2）通过模型可视化工具SHAP可解释模型与递归特征消除（recursive feature elimination,REF）对最佳ML预测模型变量进行筛选,并压缩为特征减少的紧凑预测模型;（3）最后采用测试组数据从区分度,校准和临床效益三个方面对筛选后的预测模型进行评价。结果 共纳入499例ACS患者临床资料,其中ACSAKI发生...     

机器学习算法在肝细胞癌微血管侵犯术前预测中的应用价值

目的探讨机器学习算法在肝细胞癌微血管侵犯(MVI)术前预测中的应用价值。方法采用回顾性描述性研究方法。收集2015年5月至2018年12月福建医科大学孟超肝胆医院收治的277例肝细胞癌患者的临床病理资料;男235例,女42例;年龄为(56±10)岁,年龄范围为33~80岁。患者术前均行磁共振成像检查。227例肝细胞癌患者通过计算机产生随机数方法以7∶3比例分为训练集193例和验证集84例。应用逻辑回归列线图,支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)和轻量级梯度提升机(LightGBM)机器学习算法构建MVI术前预测模型。观察指标:(1)训练集及验证集患者临床病理资料分析。(2)影响训练集患者肿瘤MVI危险因素分析。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较。正态分布的计量资料以±s表示,组间比较采用配对t检验。计数资料以绝对数表示,组间比较采用χ2检验。单因素和多因素分析采用Logistic回归模型。结果(1)训练集及验证集患者临床病理资料分析:训练集和验证集患者性别(男,女)分别为157、36例和78、6例,两组比较,差异有统计学意义(χ2=6.028,P<0.05)。(2)影响训练集患者肿瘤MVI危险因素分析:训练集193例患者中,MVI阳性108例,MVI阴性85例。单因素分析结果显示:年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、甲胎蛋白(AFP)、碱性磷酸酶(ALP)和纤维蛋白原水平是影响肿瘤MVI的相关因素(比值比=0.971,2.449,1.368,4.050,2.956,4.083,2.532,1.996,95%可信区间为0.943~1.000,1.169~5.130,1.180~1.585,1.316~12.465,1.310~6.670,2.214~7.532,1.016~6.311,1.323~3.012,P<0.05)。多因素分析结果显示:AFP>20μg/L、肿瘤多发、肿瘤直径越大、肿瘤边界不光滑是影响肿瘤MVI的独立危险因素(比值比=3.680,3.100,1.438,3.628,95%可信区间为1.842~7.351,1.334~7.203,1.201~1.721,1.438~9.150,P<0.05),而年龄越大,MVI发生风险越低(比值比=0.958,95%可信区间为0.923~0.994,P<0.05)。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较:①应用多因素分析结果筛选指标,包括年龄、AFP、肿瘤数目、肿瘤直径、肿瘤边界,构建逻辑回归列线图,SVM、RF、ANN及LightGBM机器学习算法预测模型,一致性分析结果显示逻辑回归列线图预测模型稳定性较好。逻辑回归列线图、SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集曲线下面积(AUC)分别为0.812、0.794、0.807、0.814、0.810和0.784、0.793、0.783、0.803、0.815,SVM、RF、ANN、LightGBM机器学习算法AUC分别与逻辑回归列线图AUC比较,差异均无统计学意义[(95%可信区间为0.731~0.849,0.744~0.860,0.752~0.867,0.747~0.862,Z=0.995,0.245,0.130,0.102,P>0.05)和(95%可信区间为0.690~0.873,0.679~0.865,0.702~0.882,0.715~0.891,Z=0.325,0.026,0.744,0.803,P>0.05)]。②应用RF、LightGBM机器学习算法自行筛选临床病理因素指标构建预测模型。根据指标对预测模型重要度排序,选择重要度>0.01的指标,包括年龄、肿瘤直径、AFP、白细胞(WBC)、血小板、总胆红素、天冬氨酸氨基转移酶、γ-谷氨酰转移酶、ALP和纤维蛋白原,构建RF机器学习算法预测模型;挑选重要度>5.0的指标,包括年龄、肿瘤直径、AFP、WBC、ALP和纤维蛋白原,构建LightGBM机器学习算法预测模型;由于ANN及SVM机器学习算法不具备筛选指标能力,应用单因素分析结果筛选指标,包括年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、AFP、ALP和纤维蛋白原水平,构建SVM、ANN机器学习算法预测模型。SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集AUC分别为0.803、0.838、0.793、0.847和0.810、0.802、0.802、0.836,分别与逻辑回归列线图AUC比较,差异均无统计学意义[(95%可信区间为0.740~0.857,0.779~0.887,0.729~0.848,0.789~0.895,Z=0.421,0.119,0.689,1.517,P>0.05)和(95%可信区间为0.710~0.888,0.700~0.881,0.701~0.881,0.740~0.908,Z=0.856,0.458,0.532,1.306,P>0.05)]。结论机器学习算法可用于术前预测肝细胞癌MVI,但其应用价值尚需多中心大样本数据进一步验证。     

基于循环肿瘤细胞的肺实性结节良恶性鉴别预测模型的建立与验证:一项多中心研究北大核心CSCD

目的探讨临床影像学特征联合循环肿瘤细胞(circulating tumor cells,CTCs)建立的预测模型对肺实性结节良恶性诊断的价值。方法回顾性纳入上海市肺科医院(肺科组)2021年1月至4月437例孤立肺实性结节患者,采用随机数字表法按4∶1的比例分为训练集和内部验证集,其中训练集350例患者,内部验证集87例患者;纳入兰州大学第一医院(兰州组)2019年8月至2022年5月82例孤立肺实性结节患者为外部验证集。训练集进行logistics回归分析,筛选出独立危险因素构建Nomogram预测模型。ROC曲线验证模型的准确性;校准曲线验证模型的一致性;针对不同直径和中等风险概率的结节进行亚组分析进一步验证模型的性能。结果Logistics回归分析结果显示年龄、CTCs值、胸膜凹陷征、分叶征、毛刺征是肺实性结节的独立危险因素(P<0.05)。内部验证集和外部验证集中,Nomogram预测模型AUC分别为0.888和0.871,结果优于影像学特征预测模型(0.835,P=0.007;0.804,P=0.043)、Mayo预测模型(0.781,P=0.019;0.726,P=0.033)和CTCs单独模型(0.699,P=0.002;0.648,P=0.012);内部验证集和外部验证集的C-指数分别为0.888和0.871,校正C-指数分别为0.853和0.842,内部验证集的预测模型在结节直径5~20 mm和中等风险概率的结节AUC为0.905和0.871。结论本研究建立的预测模型,可以提高肺实性结节良恶性诊断的价值,更有效辅助临床诊断疾病。     

灌注加权成像影像组学对成人型弥漫性胶质瘤分子分型的预测价值

目的 探究动态敏感性对比灌注加权成像(DSC-PWI)在预测成人型弥漫性胶质瘤分子分型中的价值。方法 选取2013-01—2020-01郑州大学第一附属医院神经外科收治并经病理检查结果确诊的274例成人型弥漫性胶质瘤患者。自DCS-PWI灌注参数图中提取影像组学特征,经过特征去冗余及选择后,开发并构建影像组学模型,分为训练集(168例)和验证集(106例)。最终通过受试者工作特征(ROC)曲线下面积(AUC)评估影像组学模型的预测能力。结果 共提取4 787个特征,经筛选后共纳入了13个最优影像组学特征进入模型。在验证集中,预测模型对异柠檬酸脱氢酶(IDH)野生型、IDH突变型和1p/19q非共缺失型,IDH突变和1p/19q共缺失型的AUC值分别为0.748、0.707和0.759;训练集的AUC值分别为0.824、0.741和0.790。结论 依托于DSC-PWI灌注参数图的影像组学模型方法,在预测成人型弥漫性胶质瘤的分子亚型上具有一定的临床意义,其中以脑血流量预测能力最佳。     

髋或膝关节置换术后急性疼痛的影响因素和预测模型

目的 探讨髋或膝关节置换术患者术后急性疼痛(APP)的影响因素,建立并验证预测模型。方法 收集行髋或膝关节置换术患者316例的临床资料,男111例,女205例,年龄≥18岁,ASAⅠ—Ⅲ级。根据是否发生APP将患者分为两组：非APP组和APP组。将患者按7∶3的比例随机分成训练集和验证集。通过LASSO回归和多因素Logistic回归分析训练集,筛选危险因素并构建预测模型,绘制受试者工作特征(ROC)曲线并计算曲线下面积(AUC)评估模型的预测效率。在验证集中,采用Bootstrap方法进行内部验证,采用临床决策曲线分析(DCA)评价预测模型的临床价值。结果 有137例(43.4%)患者发生APP。多因素Logistic回归分析显示,高BMI、糖尿病史、手术时间延长、疼痛灾难化评分≥27分是髋或膝关节置换术患者发生APP的独立危险因素(P<0.05),放置引流管、术前药物预防性镇痛、术后使用镇痛泵、术后行神经阻滞镇痛是髋或膝关节置换术患者发生APP的保护因素(P<0.05)。纳入BMI、糖尿病史、放置引流管、手术时间、疼痛灾难化评分构建预测模型,训练集的AUC为0.879(...     

急性A型主动脉夹层患者术后死亡风险的预测模型

目的采用不同的机器学习算法, 构建并筛选预测急性A型主动脉夹层患者术后30天内死亡风险的最佳预测模型。方法纳入2015年至2022年间行手术治疗的急性A型主动脉夹层患者521例, 收集其围手术期资料并进行筛选后保留329例。分别通过Lasso回归和主成分分析确定两组不同的预测变量后, 使用逻辑回归和支持向量机、随机森林、梯度提升、超级学习算法建立预测术后30天内死亡风险的预测模型, 并使用ROC曲线、敏感度值和特异度值等指标对各个模型进行比较。结果所有模型的ROC曲线下面积(AUC)0.791～0.959, 使用Lasso回归确定预测变量, 并通过超级学习算法建立的模型预测效果最佳, AUC 0.959。结论在对急性A型主动脉夹层术后30内死亡的预测中, 超级学习算法优于其他算法。