基于DCE-MRI影像组学和临床特征的列线图在乳腺MRI BI-RADS 4类病灶中的诊断价值

目的：探讨联合动态增强磁共振（DCE-MRI）影像组学及临床特征的列线图在乳腺MRI BI-RADS 4类病灶中的诊断价值。方法：回顾性分析2017 年1月至2019 年6月在温州医科大学附属第一医院经病理证实的189个MRI BI-RADS 4类乳腺病灶,其中良性71个,恶性118个。所有患者在病理检查前均接受了DCEMRI扫描和血生化检查。计算DCE-MRI参数图并提取病灶的相应影像组学特征。经特征选择后,通过对所选特征按其系数加权求和来计算影像组学评分（rad-score）。采用单因素和多因素logistic回归分析寻找乳腺癌的临床危险因素。最后使用多因素logistic回归构建基于临床危险因素和影像组学评分的组合模型,绘制列线图。使用ROC曲线评估模型的诊断性能。结果：单因素和多因素分析显示,年龄、低密度脂蛋白胆固醇和总胆红素水平是乳腺癌的临床危险因素,其构建的临床模型在测试集的ROC曲线下面积（AUC）为0.73（0.58～0.87）。经过特征筛选,11个影像组学特征参与计算影像组学评分,其在测试集的AUC为0.80（0.68～0.92）。将其与临床模型进一步结合,AUC提高到0.88（0.79～0.97）,差异有统计学意义（P =0.037）。结论：基于DCE-MRI影像组学和临床危险因素构建的列线图用于鉴别诊断乳腺磁共振BI-RADS 4类病灶良恶性有较高价值。     

基于超声影像组学及临床特征构建乳腺癌列线图的预测模型

目的：通过整合临床危险因素和术前超声影像组学评分,建立一个基于超声影像组学的列线图预测乳腺癌。方法：回顾性收集2020年10月—2023年2月有明确病理结果的525例患者的525个乳腺肿块（其中良性241例,恶性284例）的超声图像,按照7∶3比例随机分为训练组（368例）、验证组（157例）。根据肿块轮廓勾画出肿瘤的感兴趣区域（Region of interest,ROI）,并提取影像组学特征。采用最小绝对收缩和选择算子（Least absolute shrinkage and selection operator, LASSO）对超声影像组学特征进行降维分析,选择Logistic回归分类器将结果输出转换为影像组学评分（Radiomics score,Rad-Score）,作为Rad-Score模型。此外,采用Logistic回归方法将影像组学评分与临床危险因素进行整合,构建联合模型并绘制列线图。绘制ROC曲线及校准曲线以评价模型效能。结果：提取的851个影像组学特征中筛选出13个非零特征用于建立模型,多因素分析中,乳腺癌患者的独立危险因素是年龄,基于患者年龄及Rad-Score构建...     

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。     

急性脑卒中血管内治疗后恶性脑水肿风险的列线图预测模型构建

目的 基于多模态MRI影像组学及临床危险因素构建列线图模型,探讨其预测急性脑卒中血管内治疗后恶性水肿风险的临床价值。方法 回顾性分析在南京市第一医院神经内科接收血管内治疗的急性脑卒中患者128例。将患者分为恶性脑水肿组和无恶性脑水肿组。对患者多模态MRI图像病变区进行影像组学特征提取及筛选,构建影像组学标签。应用多变量Logistic回归构建列线图模型,并对模型预测水肿的效能进行评价。结果 经筛选后与急性卒中恶性脑水肿高度相关的特征10个。ROC显示联合影像组学标签、年龄、入院NIHSS评分、DWI梗死体积、Tmax>6s体积构建的列线图模型预测训练集恶性脑水肿的AUC为0.959(敏感度和特异度：0.906、0.938),预测测试集恶性脑水肿AUC为0.889(敏感度和特异度：0.953、0.850)。该列线图模型的一致性指数为0.913(95%CI:0.881～0.942,P<0.01)。结论 多模态MRI影像组学联合临床特征的列线图模型可准确预测急性脑卒中血管内治疗后恶性脑水肿风险。     

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。     

BI-RADS在乳腺黏液癌中的超声诊断特征及其判断恶性程度的影响因素

目的 分析乳腺影像报告和数据系统(BI-RADS)在乳腺黏液癌中的超声诊断特征及其判断恶性程度的影响因素。方法 收集180例经术后病理证实乳腺黏液癌的声像资料,以BI-RADS分级分为高度恶性组和中低度恶性组,比较两组BI-RADS超声特征差异,以logistic回归筛选出影响恶性程度的因素。结果 180例乳腺黏液癌患者根据BI-RADS分级,有3类17例(9.4%)、4a类33例(18.3%)、4b类42例(23.3%)、4c类46例(25.6%)以及5类42例(23.3%);180例乳腺黏液癌患者中,中低度恶性组患者92例、高度恶性组患者88例;与中低度恶性组乳腺黏液癌相比,高度恶性组结节多>2 cm,形态不规则,回声多不均质,血流信号多呈Ⅱ、Ⅲ级,多伴有钙化,纵横比多>1,多伴有淋巴结转移,两组比较差异均有统计学意义(P<0.05);logistic回归分析结果显示,乳腺结节的形态、血流信号、钙化、纵横比以及淋巴结转移是影响乳腺黏液癌高度恶性程度判断的超声特征。结论 超声中应用BI-RADS可有效诊断乳腺黏液癌,应重点关注乳腺结节形态、血流信号、钙化、纵横比以及...     

MRI增强序列列线图预测脑胶质瘤IDH1基因突变的研究

目的 探讨T1WI MRI增强序列的临床–影像组学列线图预测脑胶质瘤异柠檬酸脱氢酶1（isocitrate dehydrogenase 1,IDH1）基因突变的价值。方法 回顾性分析2016年2月至2022年2月宁波市医疗中心李惠利医院收治的98例经手术病理证实的脑胶质瘤（Ⅱ~Ⅳ级）T1WI MRI增强图像。其中,26例IDH1基因突变型（IDH1-M）、72例IDH1基因野生型（IDH1-W）,以7∶3比例划分为训练集（n=69）和测试集（n=29）,使用逻辑回归方法筛选特征并建立临床模型。勾画并测量脑胶质瘤的实质区及坏死区参数,建立Logistic回归影像组学模型,计算Radscore,生成列线图。采用校准曲线和受试者操作特征（receiver operating characteristic,ROC）曲线评价3个模型对脑胶质瘤IDH1基因突变状态的预测效能,进行决策曲线分析,评估列线图临床实用性。结果 训练集经过特征筛选,最终选择6个影像组学特征和2个临床特征用于构建列线图。临床模型在训练集和测试集中的曲线下面积（area under the curve,AUC）分别为0.834和0.718,影像组学模型分别为0.902和0.831,临床–影像组学组合模型最高,分别为0.906和0.857。校准曲线表明,临床–影像组学列线图在训练集中IDH1基因型的预测值和观察值之间具有较好的一致性（P=0.751）。决策分析曲线表明,组合模型的净收益在几乎整个Pt值范围内均高于临床模型及影像组学模型。结论 基于MRI T1WI增强序列的临床-影像组学列线图能较精准地预测IDH1基因突变状态。     

基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者腋窝淋巴结负荷的价值

目的探讨基于机器学习的MRI影像组学列线图预测早期乳腺癌患者腋窝淋巴结（ALN）负荷的应用价值。方法回顾2015年1月至2022年6月丽水市中心医院经术后病理检查证实的377例早期乳腺癌患者,按7∶3的比例随机分为训练集264例和验证集113例。根据病理检查结果,将患者分为低负荷组（阳性ALN≤2枚,303例）和高负荷组（阳性ALN＞2枚,74例）。在Radcloud平台提取动态增强MRI第2期图像中乳腺肿瘤的影像组学特征,并依次采用方差阈值、单变量选择和最小绝对收缩和选择算子方法筛选最优影像组学特征。基于上述特征构建了5种机器学习分类器包括K近邻（KNN）、支持向量机（SVM）、逻辑回归（LR）、随机森林（RF）、极端梯度提升决策树（XGBoost）,选择验证集中AUC最高的分类器作为最佳影像组学模型。进一步行多因素logistic回归分析构建基于影像组学评分（Rad-score）和临床危险因素的列线图模型。采用ROC曲线评估不同模型的诊断效能。结果低负荷组和高负荷组在MRI报告淋巴结状态间的差异有统计学意义（P＜0.01）。经降维得到了16个与ALN负荷高度相关的影像组学特征。在验证集中,SVM分类器的诊断效能最好（AUC=0.762）。进一步结合Rad-score和MRI检查报告淋巴结状态建立列线图模型。ROC曲线结果显示,列线图模型在训练集和验证集中均呈现出良好的诊断效能,AUC分别为0.887、0.818。结论基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者ALN负荷具有较高的应用价值。     

基于CT影像组学列线图鉴别非功能性神经内分泌肿瘤与实性假乳头状瘤

目的：探讨基于术前CT图像构建的影像组学列线图预测非功能性神经内分泌肿瘤（NF-pNETs）与实性假乳头状瘤（SPTs）的价值。方法：纳入87例经病理证实的NF-pNETs和SPTs,按7:3随机分为训练组（62例）和验证组（25 例）。使用A.K.软件对CT平扫、动脉期和延迟期图像提取肿瘤纹理特征。采用最大相关-最小冗余（mRMR）算法、套索（LASSO）算法及10折交叉验证进行特征降维,筛选出最具特征的参数。运用多因素Logistic回归筛选相关因子结合影像组学评分（Rad-score）,构建影像组学列线图模型。采用受试者工作特征（ROC）曲线评价影像组学模型区分二者的诊断效能。决策曲线分析（DCA）评价模型的获益情况。结果：CT平扫、动脉期和延迟期图像提取的396个特征经mRMR、LASSO和10折交叉验证筛选后最终保留特征分别为8个、6个、7个,综合模型最终保留10个特征。使用多因素Logistic回归构建包含性别、年龄、肿瘤最大径和CT平扫、动脉期、延迟期联合的Rad-score综合影像组学列线图。综合影像组学列线图的预测效能优于CT平扫、动脉期和延迟期建立的影像组学模型,训练组ROC曲线下面积为0.97（95%CI =0.94～1.00）,验证组为0.92（95%CI =0.81～1.00）。DCA显示风险阈值大于0.45时,使用综合影像组学列线图对鉴别二者的临床应用价值较大。结论：基于CT平扫、动脉期和延迟期构建的综合影像组学列线图对NF-pNETs和SPTs有较好的区分能力,可辅助作为一种术前评估的无创性影像学手段。     

基于钼靶影像组学列线图预测乳腺癌Her-2表达状态

目的：探讨基于钼靶影像组学列线图在术前预测乳腺癌Her-2表达状态的应用价值。方法：分析手术或穿刺前行乳腺钼靶检查的262例女性浸润性导管癌(IDC)病人。按照7∶3比例随机分为训练集183例和测试集79例。利用钼靶图像手动勾画感兴趣区(ROI),通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归提取影像组学特征,通过统计和LASSO机器学习方法降维,保留纳入模型的最优预测特征,采用logistic回归作为分类器,建立影像组学模型;结合影像资料,通过单-多因素logistic回归,筛选独立危险因素建立影像特征模型;将影像组学特征结合独立危险因素建立影像组学列线图模型。采用受试者操作特征(ROC)曲线分析各模型的预测效能并计算曲线下面积(AUC),并绘制校准曲线及决策曲线评估其效能。结果：列线图模型的预测效能最佳,训练集敏感度84.62%,特异度84.75%,AUC值为0.920,测试集敏感度84.00%,特异度83.33%,AUC值为0.916。校准曲线中列线图模型的预测曲线与理想曲线一致性较好...     

CEUS联合BI-RADS诊断伴有钙化或点状强回声乳腺病变的效果

目的：探讨超声造影(CEUS)联合乳腺影像报告和数据系统(BI-RADS)对伴有钙化或点状强回声乳腺病变的效果。方法：选择伴有钙化或点状强回声的乳腺病变患者60例，进行CEUS、BI-RADS检查。以病理诊断为“金标准”,统计所有患者乳腺病变的良恶性，分析CEUS联合BI-RADS检查对伴有钙化或点状强回声的乳腺病变的情况。结果：病理诊断检测出良性38例、恶性22例；CEUS联合BI-RADS诊断乳腺病变的准确性均比单一使用CEUS、BI-RADS高，比较差异有统计学意义(P<0.05);CEUS联合BI-RADS诊断乳腺病变的特异度及阳性预测值比单一使用BI-RADS高，比较差异有统计学意义(P<0.05)。结论：CEUS联合BI-RADS对伴有钙化或点状强回声的乳腺病变具有较高的诊断效能。     

基于术前CT影像组学列线图可预测Ⅰ～Ⅲ期肾透明性细胞癌术后复发

目的 探讨Ⅰ~Ⅲ期肾透明细胞癌术后复发的术前CT影像组学特征并构建列线图,以期为肾癌个体化治疗提供参考。方法 回顾性收集256例（训练集175例,测试集81例）肾透明细胞癌患者的临床病理及 CT 资料。利用 ITK-SNAP 软件和PyRadiomics计算平台对肿瘤的容积图像进行分割和特征提取。训练集中,基于lasso-CV算法进行特征筛选,并计算影像组学评分Rad_score;利用单因素和多因素逻辑回归分析筛选临床病理及CT特征为Clinic因素;构建Rad_score、Clinic、Rad_score+Clinic列线图,并在测试集中进行验证。评估列线图的辨别度和校准度,应用决策曲线分析评估其临床应用价值。结果 6个影像组学特征最终用于计算Rad_score。Clinic因素为KPS评分、血小板、钙化和TNM临床分期。在辨别度方面,Rad_score+Clinic列线图的效能（训练集AUC 0.84,测试集AUC 0.85）显著高于Rad_score列线图（训练集AUC 0.78,P=0.029;测试集AUC0.77,P=0.025）和 Clinic列线图（训练集AUC 0.77,P=0.014,测试集AUC 0.77,P=0.011）。校准度方面,Rad_score+Clinic列线图拟合优度检验为训练集P=0.065,测试集P=0.628。决策曲线分析显示,加入Rad_score后的Rad_score+Clinic列线图比单纯Clinic列线图应用价值高。结论 基于术前CT影像组学特征的列线图预测Ⅰ~Ⅲ期肾透明细胞癌术后复发有较高的效能,可为肾癌个体化治疗提供参考。     

多模态颅脑MRI影像组学特征在预测胶质母细胞瘤患者生存风险分层中的应用研究

目的探讨多模态颅脑MRI影像组学特征在预测胶质母细胞瘤（GBM）患者生存期风险分层中的作用。方法回顾性分析BRATS2018数据库中经手术病理证实的GBM患者163例,按入组时间分为训练组114例,测试组49例。提取所有患者术前MRI图像影像组学特征,评估传统影像视觉特征,然后对训练组数据使用最大相关-最小冗余算法和梯度提升决策树算法进行降维后建立影像组学标签模型,计算患者的影像组学标签分数,最终结合影像视觉特征和临床因素,使用多元逻辑斯回归构建总生存期联合预测模型并绘制列线图。基于测试组数据使用ROC曲线评估模型的诊断效能,并用决策曲线分析验证。结果从每例患者的4个MRI序列图像、5个感兴趣区共提取纹理特征7920个,经降维后筛选出26个最优价值特征构建影像组学标签。使用多元逻辑斯回归构建包含了深部白质、年龄和影像组学标签的联合诊断模型,并生成列线图,该模型在训练组和测试组中预测长短生存期的准确率分别为0.848和0.800。列线图、联合影像、影像组学标签、深部白质受累和年龄在所有患者中的诊断准确率分别为0.941、0.908、0.873、0.663和0.655。基于模型区分的高危组与低危组中的GBM患者数差异有统计学意义（P＜0.05）。结论影像组学标签、深部白质和年龄是GBM患者的独立预测因子,基于三者的联合模型而绘制的列线图可用于预测GBM患者总生存期,有助于进行生存风险分层。     

灰阶超声影像组学在诊断乳腺结节良恶性中的应用价值

回顾分析258例女性患者经乳腺超声检查出的361例乳腺良、恶性结节灰阶超声图像并提取396个影像组学特征,采用最小冗余最大相关性特征选择法(mRMR)载入所有结节的全部特征并从中筛选有意义的非冗余特征,再使用最小绝对收缩和选择算子(LASSO)从已经筛选的影像组学特征中选择最优特征子集构建影像组学模型.绘制受试者工作曲...     

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。     

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影像组学鉴别良恶性孤立性肺结节的价值分析

目的 探讨CT影像组学鉴别良恶性孤立性肺结节（solitary pulmonary nodule, SPN）的价值。方法 回顾性分析2010年1月至2020年12月首都医科大学电力教学医院和首都医科大学大兴教学医院经病理证实的138例SPN患者的临床和影像资料,其中良性49例,恶性89例。患者术前均行胸部CT平扫检查。应用3D-Slicer软件对所有CT图像进行分割,再应用Python语言的PyRadiomics软件包提取影像组学特征。通过最大相关-最小冗余（max-relevance and minredundancy, mRMR）算法剔除冗余和不相关特征,然后采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归分析筛选最优影像组学特征用于构建模型。利用ROC曲线评价模型的诊断效能。结果 经过特征降维和筛选,最终选出11个影像组学特征用于构建鉴别SPN良恶性的影像组学模型。预测模型在训练组的灵敏度、特异性、阳性预测值、阴性预测值和准确率分别为80.0%、85.7%、75.7%、88.5%和83....     

基于全脑影像组学的阿尔茨海默病诊断研究

目的：探讨构建影像组学、临床和联合模型,对正常认知（cognitively normal,CN）组、轻度认知障碍（mild cognitive impairment,MCI）组和阿尔茨海默病（Alzheimer’s disease,AD）组的分类价值。方法：选取阿尔茨海默病神经影像学倡议（Alzheimer’s Disease Neuroimaging Initiative,ADNI）数据库中139例CN、162例MCI和128例AD患者基线的临床和影像资料。以7∶3的比例随机分为训练集和验证集。基于3D-T1WI磁共振成像（magnetic resonance imaging,MRI）提取影像组学特征。在训练集中,使用套索回归算法（least absolute shrinkage and selection operator,LASSO）筛选组学特征,并通过多因素逻辑回归建立基于全脑皮层及皮层下核团的影像组学模型。使用单因素逻辑回归和多因素逻辑回归获得与分类相关的临床指标,并通过多因素逻辑回归模型建立临床模型和基于影像组学特征和临床指标的联合模型。用受试者工作特征（receiver ...     

低剂量CT影像组学列线图鉴别纯磨玻璃样微浸润性腺癌和浸润性腺癌

目的：探讨低剂量CT影像组学列线图鉴别纯磨玻璃样结节（pGGN）中肺微浸润性腺癌（MIA）和肺浸润腺癌（IAC）的价值。方法：回顾性分析2018年1月至2023年4月温州医科大学附属第五医院经手术病理证实且CT表现为pGGN的239例肺腺癌患者的临床和CT影像资料,包括MIA 93例和IAC 146例。采用完全随机法以7:3的比例将患者分为训练集（n=167）和验证集（n=72）。使用Radcloud平台提取低剂量CT图像中病灶的影像组学特征,通过降维保留纳入模型的最佳特征。随后,建立3种机器学习分类器包括逻辑回归（LR）、支持向量机（SVM）和随机森林（RF）,以验证集中曲线下面积（AUC）最高的分类器作为最佳影像组学模型,并将其结果输出为影像组学评分（Rad-score）。将P<0.05的临床和CT形态学特征纳入到多因素Logistic回归分析中,筛选出鉴别MIA和IAC的独立危险因素,并建立临床模型。最终,基于Rad-score和临床危险因素构建联合模型,并绘制列线图。采用受试者工作特征（ROC）曲线的AUC、灵敏度、特异度和准确度评价模型的诊断性能。结果：通过降维得到15...