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。     

三维能量多普勒超声产前诊断胎盘植入性疾病

目的 评价三维能量多普勒超声（3D-PDUS）产前诊断胎盘植入性疾病（PAS）的价值。方法 纳入116例经超声诊断为前置胎盘孕妇,采用二维超声观察胎盘及周边结构,以3D-PDUS测量相关血流参数。根据产后临床及病理诊断将孕妇分为PAS组（n=32）及无PAS组（n=84）;根据胎盘绒毛侵袭子宫肌层深度将PAS组分为粘连性胎盘（PA）亚组（n=12）及异常侵袭性胎盘（AIP）亚组（n=20）。比较组间及亚组间3D-PDUS参数的差异。绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价3D-PDUS参数诊断PAS的效能。采用Cochran Q检验比较3D-PDUS参数与二维超声诊断PAS效能的差异。结果 PAS组血管化指数（VI）、流量指数（FI）及血管流量指数（VFI）均显著高于无PAS组（P均<0.05）;AIP亚组VI及VFI均显著高于PA亚组（P均<0.05）;亚组间FI差异无统计学意义（P>0.05）。VI、FI及VFI诊断PAS的效能均较高,VI与VFI的敏感度、特异度及准确率均无明显统计学差异（P均>0.05）;FI与二维超声诊断效能差异无统计学意义（P均>0.05）;VI及VFI诊断效能明显高于FI及二维超声（P均<0.05）。结论 3D-PDUS定量检测胎盘及周边结构血流参数可用于产前诊断PAS。     

临床、CT影像组学及融合模型预测肝细胞癌分化程度

目的 评价临床、CT影像组学及融合模型预测肝细胞癌（HCC）分化程度的可行性。方法 纳入330例HCC患者,根据病理所见分化程度分为高分化组（n=85）、中分化组（n=161）及低分化组（n=84）,比较组间临床资料及CT征象差异。按3∶1比例随机将各组分为训练集及测试集。提取训练集CT影像组学特征,构建临床模型、影像组学模型及融合模型。绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评估各模型鉴别不同分化程度HCC的效能。结果 共纳入352个CT影像组学特征,109个来自高、中分化HCC,84个来自中、低分化HCC,159个来自高、低分化HCC。临床模型鉴别高、低分化HCC的AUC为0.85;CT影像组学模型鉴别高分化与中、低分化HCC的AUC分别为0.80及0.79;融合模型鉴别高、低分化HCC的AUC为0.88。结论 临床、CT影像组学及融合模型预测高、低分化HCC的效能均较高。CT影像组学模型可较好地预测高、中分化HCC。     

基于X线及超声乳腺影像报告和数据系统构建机器学习模型预测乳腺癌分子分型

目的 观察基于X线及超声的乳腺影像报告和数据系统（BI-RADS）选取影像学特征构建的机器学习模型预测乳腺癌分子分型的可行性。方法 回顾性分析200例经病理的浸润性乳腺癌，根据免疫组织化学结果分为Luminal组（n=109）与非Luminal组（n=91），组内按7 ：3比例随机分为训练亚组及测试亚组。采集11个临床信息，并提取24个影像学特征，建立4种机器学习模型，通过受试者工作特征（ROC）曲线评价各模型预测不同分子分型乳腺癌的效能，比较各模型曲线下面积（AUC）的差异。结果 测试组随机森林（RF）、极端梯度提升（XGBoost）、逻辑回归（LR）及支持向量机（SVC）模型判断不同分子分型乳腺癌的敏感度分别为74.10%、74.10%、77.80%和70.40%，特异度分别为63.60%、51.50%、57.60%和60.60%，准确率分别为68.30%、61.70%、66.70%和65.00%；其中RF模型判断Luminal型与非Luminal型乳腺癌的AUC值最大（AUC=0.70，P<0.05），但与其他模型间差异均无统计学意义（P均>0.05）。结论 RF模型预测不同分子分型乳腺癌的效能较好。     

不同年龄阿尔茨海默病患者脑核团ADC值与年龄的相关性

目的 探讨不同年龄阿尔茨海默病（AD）患者ADC值与年龄的相关性。方法 选取30例AD患者（AD组）和年龄与之相匹配的30名志愿者（对照组），按年龄段各分为6个亚组[55~59岁（n=3）、60~64岁（n=4）、65~70岁（n=9）、71~74岁（n=5）、75~80岁（n=6）、>80岁（n=3）]，测量双侧海马、红核、尾状核、杏仁体、壳核ADC值，并进行配对t检验、独立样本t检验、单因素方差分析及Pearson相关分析。结果 AD组红核左、右侧ADC值有统计学差异（P=0.022）。AD组不同年龄亚组右侧海马、双侧尾状核、右侧壳核ADC值差异有统计学意义（P均<0.05）；2组不同年龄亚组双侧海马、壳核、尾状核ADC值差异有统计学意义（P均<0.05）。AD组右侧海马（r=0.615，P<0.001）、右侧壳核（r=0.653，P=0.001）及双侧尾状核（左侧：r=0.397，P=0.030；右侧：r=0.429，P=0.020）ADC值与年龄呈正相关。结论 AD患者右侧海马和壳核、双侧尾状核ADC值随年龄增加而增大。ADC值可为临床预测和早期诊断AD脑内右侧海马和壳核、双侧尾状核神经退行性病变提供参考。     

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。     

多层感知器模型预测纯磨玻璃结节肺腺癌浸润程度

目的 利用CT数据建立预测纯磨玻璃结节（pGGN）肺腺癌浸润程度的多层感知器（MLP）模型，并验证其诊断效能。方法 收集2015年1月—2018年10月393例接受手术治疗并经术后病理证实为肺腺癌或不典型腺瘤样增生（AAH）的pGGN患者（共442枚pGGN）作为训练集，建立MLP模型和二元Logistic回归模型。以2019年6月―8月89例接受手术治疗的pGGN患者（共100枚pGGN）作为验证集，利用受试者工作特征（ROC）曲线下面积（AUC）及模型预测准确率、敏感度及特异度评估其效能。结果 二元Logistic回归模型验证集的AUC、预测准确率、敏感度及特异度分别为0.799、0.820、0.683及0.915，而MLP模型验证集分别为0.869、0.880、0.805及0.932，MLP模型较二元Logistic回归模型绝对净重新分类改善指数（NRI）为6%（Z=3.473、P=0.001）。结论 所建MLP模型对预测表现为pGGN的肺腺癌中的IA具有较高准确率。     

基于临床病理及常规和功能MRI影像组学模型预测乳腺癌腋窝淋巴结转移

目的 评估基于临床病理及常规和功能MRI（fMRI）影像组学模型预测乳腺癌腋窝淋巴结（ALN）转移的价值。方法 回顾性分析140例浸润性乳腺癌,按7∶3比例将其分为训练集（n=99）和验证集（n=41）。采用多因素Logistic回归分析分别建立基于临床病理及MRI特征的临床模型及各序列图像影像组学、联合序列影像组学以及临床病理及常规和fMRI影像组学的个体化模型,以受试者工作特征（ROC）曲线评价其诊断效能;比较个体化模型与临床模型曲线下面积（AUC）的差异,应用决策曲线分析（DCA）评估模型的临床获益。结果 临床模型预测训练集和验证集ALN转移的AUC分别为0.95和0.88;T2WI、DWI、DCE-MRI模型及联合序列模型在验证集中的AUC分别为0.67、0.71、0.72及0.76。个体化模型在训练集和验证集中的AUC为0.98和0.93,与临床模型差异均无统计学意义（Z=1.56、1.34,P=0.12、0.18）。DCA结果显示阈值>0.25时,个体化模型的净受益高于临床模型。结论 基于临床病理及常规和功能MRI的个体化模型预测乳腺癌ALN转移的效能与临床模型相当,其净受益高于后者,且均优于单一序列模型。     

MRI纹理分析预测乳腺癌腋窝淋巴结转移

目的 评价MRI纹理分析预测乳腺癌腋窝淋巴结（ALN）转移的价值。方法 以172例乳腺癌为训练组,分为ALN阳性亚组（n=79）和阴性亚组（n=93）,提取增强MRI及ADC图中ALN纹理特征,比较2亚组间纹理特征差异;筛选纹理特征,构建多因素Logistic回归模型,并对模型进行内部验证。以另外37例乳腺癌为测试组,行模型外部验证。结果 基于增强MRI和ADC图选取16个纹理参数,其中熵的预测效能最优,曲线下面积（AUC）分别为0.781和0.786。经Lasso回归筛选11个纹理特征,以多因素Logistic回归建立预测模型,内部验证结果显示其AUC为0.906,用于测试组时AUC为0.859,预测效能良好。结论 MRI纹理分析预测乳腺癌ALN转移具有较高效能。     

平扫CT深度学习模型预测经保守治疗后排出输尿管结石

目的 观察基于平扫CT建立的神经网络深度学习(DL)模型预测保守促排石治疗后排出输尿管结石的价值。方法 纳入915例接受保守促排石治疗的输尿管结石患者,随机分为训练集(n=700)、验证集(n=100)及测试集(n=115)。基于平扫CT标记结石三维形状,分别针对训练集和验证集获取三维卷积神经网络(3D-CNN)、二维卷积神经网络(2D-CNN)及全连接神经网络(FCN)最佳参数并建立模型,以测试集检测模型预测能力;绘制受试者工作特征曲线,比较各模型及结石最大径预测测试集经保守治疗后可否排出输尿管结石的效能。结果 915例中,229例经保守治疗后排出输尿管结石。3D-CNN模型预测测试集排出输尿管结石的效能最佳,其曲线下面积(AUC)为0.956,高于2D-CNN模型(0.865)、FCN模型(0.813)及结石直径(0.818)(P均＜0.01);2D-CNN模型预测AUC高于FCN模型及结石直径(P均＜0.05)。结论 利用DL模型、尤其3D-CNN能准确预测输尿管结石可否于保守治疗后排出。     

基于增强CT影像组学模型鉴别肾透明细胞癌与非透明细胞癌

目的 建立基于增强CT的影像组学模型,评估其鉴别肾透明细胞癌（ccRCC）与非透明细胞癌（non-ccRCC）的应用价值。方法 将147例ccRCC及32例non-ccRCC患者随机分为训练集125例和测试集54例。将所有患者的增强CT资料导入ITK-SNAP软件,手动勾画ROI,获得16个特征,分别建立基于特征的随机森林（RF）模型和逻辑回归（LR）模型,采用ROC曲线观察模型对ccRCC的诊断效能。结果 训练集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度0.83;LR模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.83。测试集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.89;LR模型诊断ccRCC的AUC为0.88（P<0.05）,特异度为0.90,敏感度为0.77。结论 基于增强CT影像组学模型可用于鉴别ccRCC与non-ccRCC;RF模型诊断价值较LR模型更高。     

320排CT双入口体部灌注成像对肺内单发性炎性假瘤与周围型肺癌鉴别诊断价值

目的 探讨320排CT双入口体部灌注成像对单发肺炎性假瘤与周围型肺癌的鉴别诊断价值。方法 回顾性分析经病理证实周围型肺癌52例（腺癌28例、鳞癌24例）及炎性假瘤21例,应用CT体部双入口灌注成像获得肺动脉血流量（PF）、支气管动脉血流量（BF）,计算灌注指数（PI）和灌注总量（TLP）,根据拟合时间-密度曲线获得强化达峰时间（TTP）,分析鳞癌、腺癌与炎性假瘤间的差异,评价其诊断炎性假瘤与周围型肺癌的价值。结果 鳞癌、腺癌与炎性假瘤间PF、TTP总体差异均有统计学意义（P均<0.01）。炎性假瘤与周围型肺癌间PF、TLP、TTP差异均有统计学意义（P均<0.01）。TTP诊断肺癌与炎性假瘤的AUC为0.99（P<0.01）,诊断价值高;以TTP=16.3 s作为临界值,敏感度为100％,特异度为95.0%;PF和TLP的AUC分别为0.76（P<0.01）和0.71（P<0.01）,诊断价值中等。结论 炎性假瘤和周围型肺癌均由肺动脉、支气管动脉双重供血;TTP有助于二者的鉴别诊断。     

对比原发性肺腺样囊性癌与黏液表皮样癌CT表现

目的 对比原发性肺腺样囊性癌（ACC）与黏液表皮样癌（MEC）CT表现。方法 回顾性分析经病理证实的22例ACC（ACC组）与18例MEC（MEC组）患者胸部CT资料，比较其CT表现差异，并对增强动脉期及静脉期CT值绘制受试者工作特征（ROC）曲线，评估其鉴别MEC与ACC的效能。结果 ACC组与MEC组间病灶类型，增强扫描动、静脉期CT值及病灶强化程度差异均有统计学意义（P均<0.05）；病灶部位、有无阻塞性病变、囊变/坏死、钙化、淋巴结肿大、胸腔积液及远处转移组间差异均无统计学意义（P均>0.05），而中央型病变发生部位、纵向浸润范围及病变环周范围组间差异均有统计学意义（P均<0.05）。ROC曲线显示，动脉期和静脉期CT值鉴别ACC与MEC的曲线下面积（AUC）分别为0.78及0.75。结论 ACC和MEC的CT表现存在一定差异，结合临床有助于鉴别诊断。     

MRI影像组学预测结直肠癌患者KRAS基因突变

目的 构建MR T2WI影像组学模型,评价其预测结直肠癌患者Kirsten大鼠肉瘤（KRAS）病毒癌基因亚型的价值。方法 将99例经病理证实的结直肠癌患者分为训练组（n=68）及验证组（n=31）,根据KRAS基因检测结果进一步将其分为突变亚组及野生亚组,训练组2亚组分别含36、32例,验证组2亚组分别含16、15例,比较亚组间实验室检查结果及肿瘤大小的差异;提取并筛选训练组MR T2WI影像组学特征,构建影像组学模型、临床模型及影像组学-临床联合模型。绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价各模型预测结直肠癌患者KRAS基因亚型的效能;以DeLong检验比较各模型间效能差异。通过校正曲线分析3种模型的校正性能,以Hosmer-Lemeshow检验评价校准曲线的校准度;以决策曲线分析（DCA）评价3种模型临床应用价值。结果 训练组和验证组内亚组间实验室检查结果及肿瘤大小差异均无统计学意义（P均>0.05）。共提取3个组学特征用于构建预测模型。影像组学模型与临床模型、影像组学-临床联合模型预测2组KRAS基因亚型的AUC差异均无统计学意义（P均>0.05）;影像组学-临床联合模型预测训练组KRAS基因亚型的AUC显著高于临床模型（P<0.05）,但在验证组差异均无统计学意义（P>0.05）。校准曲线及Hosmer-Lemeshow检验显示3种模型预测值和观察值的一致性良好（P均>0.05）。影像组学模型和影像组学-临床联合模型在2组中的DCA曲线净收益值均高于临床模型。结论 MR T2WI影像组学纹理特征预测结直肠癌患者KRAS基因突变亚型具有一定潜力。     

Patlak联合不可逆两组织隔室模型动态18F-FDG PET/CT诊断肺原发肿瘤胸部高代谢转移性淋巴结

目的 观察Patlak联合不可逆两组织隔室模型（2TC-3k）动态¹⁸F-FDG PET/CT诊断肺原发肿瘤胸部高代谢转移性淋巴结的价值。方法 前瞻性纳入16例CT显示胸部存在可疑淋巴结转移且拟接受PET/CT检查的肺原发肿瘤患者,行胸部动态和全身静态¹⁸F-FDG PET/CT扫描;计算全身静态PET/CT图像中原发肿瘤及胸部高代谢淋巴结的最大标准摄取值（SUV_max）及平均标准摄取值（SUV_mean）,纳入淋巴结SUV_max>2.5者。采用Patlak图形分析和2TC-3k分析原发肿瘤和高代谢淋巴结动态数据,获取动力学参数的一阶特征参数,建立logistic模型;以病理学为金标准,分析模型诊断胸部高代谢淋巴结转移的效能。结果 共纳入11例患者、32枚胸部高代谢淋巴结,病理学示15枚为转移性、17枚非转移性。Ki_Kurtosis诊断胸部转移性高代谢淋巴结的曲线下面积（AUC）为0.81,以71 590.45为Ki_Kurtosis的截断值,其敏感度为70.60%,特异度为86.70%;V_B_Entropy的AUC为0.79,以6.16×10^－4为V_B_Entropy的截断值,其敏感度为80.00%,特异度为82.40%。肺原发肿瘤与胸部高代谢转移性淋巴结V_B_Kurtosis （r=0.67,P<0.05）和Ki_UPP （r=0.69,P<0.05）呈正相关。Patlak动态PET/CT模型诊断胸部转移性高代谢淋巴结的AUC为0.85[95%CI（0.71,0.99）],敏感度为76.50%,特异度为93.30%;2TC-3k动态PET/CT模型的AUC为0.87[95%CI（0.74,0.99）],敏感度为82.40%,特异度为80.00%;二者联合模型的AUC为0.91[95%CI（0.80,1.00）],敏感度为94.10%,特异度为80.00%;3个模型AUC两两比较差异均无统计学意义（P均>0.05）。结论 Patlak结合2TC-3k动态¹⁸F-FDG PET/CT对诊断肺原发肿瘤胸部高代谢转移性淋巴结具有一定价值。     

MRI纹理分析评价注意缺陷多动障碍

目的 观察MRI纹理分析诊断注意缺陷多动障碍(ADHD)及分型的效果.方法 基于纽约大学医学中心公开MRI数据选取88例ADHD患者(ADHD组)及67名健康受试者(对照组),将ADHD组分为注意力缺陷为主型(ADHD-D亚组(n=32)和混合型(ADHD-C)亚组(n=56),提取并比较受试者脑白质和脑灰质的纹理特征...     

MR横向弛豫时间成像鉴别诊断腮腺良恶性肿瘤

目的 评价横向弛豫时间成像（T2 mapping）鉴别诊断腮腺良恶性肿瘤的价值。方法 回顾性分析73例接受T2 mapping检查并经手术病理证实的腮腺肿瘤患者,其中49例为良性肿瘤（良性组）,包括29例多形性腺瘤（多形性腺瘤亚组）、17例沃辛瘤（沃辛瘤亚组）及2例基底细胞腺瘤和1例神经纤维瘤,24例为恶性肿瘤（恶性组）;测量并比较组/亚组间T2值差异,采用受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价T2值鉴别诊断腮腺肿瘤的价值。结果 良恶性肿瘤T2值差异有统计学意义（t''=3.24,P<0.01）,T2值鉴别腮腺良、恶性肿瘤的AUC为0.69,其诊断敏感度为64.69%,特异度为85.72%。多形性腺瘤亚组、沃辛瘤亚组与恶性组间T2值差异有统计学意义（F=18.49,P<0.01）,两两比较示Warthin瘤亚组与恶性组差异无统计学意义（P=0.18）,其余组/亚组间差异均有统计学意义（P均<0.05）。T2值鉴别多形性腺瘤与恶性肿瘤的AUC为0.83,敏感度为79.63%,特异度为94.31%;鉴别沃辛瘤与恶性肿瘤的AUC为0.91,敏感度为93.28%,特异度为89.84%。结论 T2 mapping对鉴别诊断腮腺良、恶性肿瘤,多形性腺瘤与沃辛瘤和多形性腺瘤与恶性肿瘤具有一定价值。