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MRI平扫的影像组学模型鉴别软骨肉瘤与内生软骨瘤

目的 探讨基于MRI平扫构建的影像组学模型用于鉴别诊断软骨肉瘤与内生软骨瘤的价值。方法 回顾性分析68例软骨源性肿瘤（软骨肉瘤27例,内生软骨瘤41例）,将其随机分配到训练组（n=46）与验证组（n=22）。首先由2名放射科医师独立提取平扫T1WI和T2WI-FS序列中肿瘤所有层面的影像组学特征,采用组内相关系数（ICC）评价2名医师提取组学特征的一致性;然后使用方差选择法、单变量特征选择、最小绝对收缩与选择算子算法（LASSO）对组学特征进行筛选和降维,使用多因素逻辑回归分析构建基于T1WI和T2WI-FS序列的组学模型,采用受试者工作特征曲线（ROC）评估组学模型的诊断效能, 并与放射科医师采用常规MR序列的诊断效能进行对比。结果 2名放射科医师独立提取患者T1WI和T2WI-FS序列影像组学特征的一致性良好（ICC值范围为0.779~0.923）。在T1WI序列筛选出10个组学特征,在T2WI-FS序列筛选出11个组学特征,两个序列的组 学模型在训练组中AUC分别为0.990和0.925;在验证组中AUC分别0.915和0.855,模型之间的诊断效能差异均无统计学意义（P>0.05）。在所有病例中,T1WI、T2WI-FS序列组学模型与常规MRI诊断的AUC分别为0.955、0.901、0.569,基于两个序列的组学模型诊断准确性均高于放射科医生的诊断效能（P<0.001）。结论 基于MRI平扫T1WI和T2WI-FS序列构建的影像组学模型能用于鉴别诊断软骨肉瘤与内生软骨瘤。     

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。     

基于高分辨率T2WI的影像组学对直肠癌EGFR表达的预测价值

目的:探讨基于高分辨率T2WI的影像组学对直肠癌EGFR表达状态的预测价值。方法:回顾性分析经术后病理确诊且在接受治疗前行MRI检查的208例直肠癌患者的临床及影像资料,根据EGFR表达水平不同将患者分为阳性组和阴性组。在高分辨率T2WI图像上勾画病灶的三维容积兴趣区(VOI)并提取影像组学特征,将208例患者分为训练集(n=145)和测试集(n=63),并对特征进行降维,将降维后的特征建立支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)及线性判别分析(LDA)四种分类器学习模型,分别绘制训练集和测试集的受试者工作特征(ROC)曲线,并获得曲线下面积(AUC)。结果:208例患者中,EGFR阳性表达99例(47.6%)。二元Logistic回归分析显示示低分化和淋巴结转移是EGFR阳性表达的独立危险因素(P<0.05)。训练集与测试集的患者在性别、年龄、TN分期及分化程度差异均无统计学意义(P>0.05)。4种影像组学模型均有一定的预测效能,其中SVM模型训练集与测试集的诊断效能均为最高,在训练集和测试集中的AUC分别为0.803、0.725。结论:基于高分辨率T2...     

基于T1W1+C的影像建立支持向量机预测模型对胶质瘤细胞增殖活性研究

目的：基于胶质瘤增强T1加权成像（enhancement T1-weighted image,T1WI+C）影像组学特征进行机器学习,构建预测胶质瘤细胞增殖活性的Ki67指数预测模型。方法：回顾性分析本院手术病理结果为胶质瘤并经免疫组化测定Ki67指数的患者113例,随机按约8∶2拆分为训练集与测试集。通过MRIcroGL软件手绘胶质瘤感兴趣区域（region of interest,ROI）,利用Python中pyradiomics模块获得1 338个影像特征,通过t检验与最小绝对收缩和选择算子（least absolute shrinkage and selection operator,Lasso）回归算法筛选最佳影像组学特征,基于最佳特征使用支持向量机（support vector machine,SVM）分类器建立Ki67预测模型,利用受试者操作特征曲线（receiver operating characteristic curve,ROC曲线）与模型校准曲线评估模型的预测效能。结果：每例患者T1WI+C图像提取1 338个影像组学特征,降维后筛选出6个与胶质瘤Ki67指数密...     

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。     

基于多参数MRI影像组学构建机器学习模型与直肠癌Ki-67表达相关性

目的 探讨 mp-MRI 的影像组学模型术前无创性预测直肠癌患者 Ki-67 表达水平的价值。 方法 回顾性分析 2016年 1 月至 2023 年 7 月在安徽省肿瘤医院就诊的 97 例直肠腺癌患者临床资料,术前行常规 MRI 检查及 IVIM-DWI 扫描,根据术后病理Ki-67 表达状态,分为低表达组（n=64）、高表达组（n=33）。在三个不同序列（高分辨 Ax-T₂WI、动态增强平衡期 Sag LAVA-FLEX 和IVIM-DWI）上分别提取三维影像组学纹理分析特征参数。按 7∶3 比例分为训练组（n=67）和测试组（n=30）,训练组用于特征筛选和建立影像组学模型,测试组用于验证所建立模型的可靠性。比较训练组和测试组患者基线资料的差异,使用 Pearson 相关性、SelectPer-centile 和 LASSO 完成最佳预测特征选择,分别基于影像组学特征采用 SGD、SVM 和 LR 机器学习算法构建模型,并进行 10 折交叉验证。应用受试者操作特征（ROC）曲线评估模型预测直肠腺癌 Ki-67 表达水平的效能,采用 DeLong 检验对曲线下面积（AUC）进行比较。 结果 从每例患者的高分辨 Ax-T₂WI、动态增强平衡期 Sag LAVA-FLE 和 IVIM-DWI （b=800 s/mm²）三个序列上共提取出 5 622 个影像组学特征;筛选出 6 个影像组学特征作为最佳预测特征构建模型。SGD、SVM 和 LR 的最高 AUC 分别为 0.867、0.853 和 0.884;其中 SGD算法准确率为 76%,在 3 个模型中预测性能最佳。 结论 基于多参数 MRI 的影像组学模型在术前预测直肠腺癌 Ki-67 表达水平有一定的价值,SGD 在预测直肠腺癌 Ki-67 表达水平中效能最佳。     

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。     

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。     

影像组学联合临床病理特征预测早期宫颈癌无病生存期的效能

目的：对比最优磁共振组学参数及临床病理参数预测早期宫颈癌患者无病生存期的诊断效能。方法：回顾性分析2013年1月—2018年6月行根治性子宫切除及淋巴结清扫术的186例早期宫颈癌患者[术前国际妇产科联盟（Federation International of Gynecology and Obstetrics,FIGO）分期ⅠB~ⅡA],搜集患者多模态磁共振组学参数、临床特征、术后病理特征及患者术后无病生存期,用最小决策收缩和选择算子（LASSO）及比例风险回归模型来计算影像组学评分（Rad-score）,构建临床病理特征模型（包括有意义的临床特征和病理特征）、影像组学模型（T1CE、DWI、T2WI、T1CE+DWI、T1CE+T2WI、DWI+T2WI 和T1CE+DWI+T2WI的影像组学评分）及联合模型对早期宫颈癌患者无病生存期的预测效能进行相互比较。结果：在预测早期宫颈癌无病生存期中,T1CE序列的组学模型（C指数：训练集0.798,验证集0.758）优于临床病理模型（C指数：训练集0.746, 验证集0.641）。联合模型（病理类型、淋巴结转移及T1CE的影像组学评分）拥有最高的诊断效能（C指数：训练集0.848,验证集 0.784）。结论：基于T1CE的影像组学评分联合临床病理特征对早期宫颈癌无病生存期具有较高的预测效能。     

基于临床资料-超声特征及MRI影像组学建立模型预测胎盘植入程度并评估其诊断效能

目的 研究基于临床-超声特征及MRI影像组学参数建模用于术前预测胎盘植入程度的能力,开发基于组合模型的预测工具并评估其诊断效能。方法 回顾性分析2015年3月—2021年11月本院124例确诊胎盘植入孕妇的临床病理学特征、产前超声图像和MRI影像学特征,并提取MRI影像组学纹理参数;依据病理结果分为胎盘植入组（PI组）69例,胎盘穿透组（PP组）55例。以7/3的比例建立训练集和测试集,在训练集中,采用二元logistic回归分析建立超声/MRI影像学模型、临床资料模型、MRI影像组学模型及组合模型预测胎盘植入程度,并用Delong非参数检验比较分析不同模型的预测效能,然后建立决策曲线测试模型净收益;通过以上4种模型评估测试集患者的预测效果,最终验证开发模型工具的预测效能。结果 二元logistic回归分析确定了流产史、子宫内膜损伤史、胎盘和子宫肌层之间的边界模糊、子宫浆膜与膀胱边界模糊、MRI纹理特征弧度区域大小矩阵（SmallAreaHighGrayLevelEmphasis和RunVariance）,邻域灰度差矩阵（Contrast）等为风险因素,在训练集中,分别构建了预测胎盘植入程度的组合模型（曲线下面积AUC=0.885;95%CI 0.817~0.954,P＜0.05）,临床模型（AUC=0.744;95%CI 0.644~0.844,P=0.0007）,超声/MRI影像学模型（AUC=0.748;95%CI0.646~0.831,P=0.0071）,MRI影像组学模型（AUC=0.728;95%CI 0.626~0.831,P=0.0045）,证实组合模型预测效能最高。在测试集中,组合模型也显示出更高的预测效能。结论 超声/MRI的影像学特征及纹理分析是预测胎盘植入程度的有力指标。基于临床-影像学资料建立的组合模型可提高预测胎盘植入程度的准确性     

基于T1WI增强影像组学在鉴别高级别胶质瘤复发与假性进展中的应用价值

目的：探讨基于T1WI（T1 weighted imaging）增强影像组学在术前无创鉴别高级别胶质瘤术后复发与假性进展的应用价值。方法：回顾性分析经病理证实为高级别胶质瘤的104例患者临床及磁共振成像资料,根据二次手术病理或神经肿瘤疗效评估标准（response assessment in neuro-oncology,RANO）将其分为复发组71例,假性进展组33例。按7∶3比例随机分为训练组和验证组。在T1WI增强图像上手动勾画肿瘤实质区的体积作为感兴趣区,用FeAture Explorer软件提取1 648个组学特征。 采用主成分分析（principal component analysis,PCA）及最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）进行特征处理及筛选,采用支持向量机（support vector machine,SVM）构建影像组学模型。通过受试者工作特征曲线下面积（area under curve,AUC）及校准曲线评估模型的效能。结果：训练组鉴别高级别胶质瘤复发与假性进展的AUC为0.929, 准确率为 0.889,灵敏度为 72.7%,特异度为 100.0%。验证组的 AUC 为 0.853,准确率为 0.813,灵敏度为 90.9%,特异度为 71.4%。校准曲线显示模型预测值与实际值一致性较好。结论：基于T1WI增强影像组学模型具有较好的诊断效能,有助于鉴别高级别胶质瘤术后复发与假性进展。     

基于多序列MRI影像组学与深度迁移学习特征的脑胶质瘤分级预测研究

目的：探讨基于多序列磁共振成像（magnetic resonance imaging,MRI）手工影像组学（hand-crafted radiomic,HCR）和深度迁移学习（deep transfer learning,DTL）特征的机器学习（machine learning,ML）模型在术前预测脑胶质瘤分级的效能。方法：选取BraTS2019数据集中332例患者的影像数据［高级别胶质瘤（high-grade glioma,HGG）258例,低级别胶质瘤（low-grade glioma,LGG）74例］,随机抽取30例HGG和8例LGG作为测试数据集,其余294例作为训练集和验证集。从T1、T2 、T1c和Flair 序列中提取病灶的HCR特征和DTL特征,并筛选出影响力前10的特征子集,基于HCR特征、DTL特征和两者组合的深度学习影像组学（deep learning radiomics,DLR）特征,分别建立7种ML模型,评估模型预测HGG和LGG的效能。选择最佳模型后,使用SHAP法对模型特征重要性进行量化及归因分析。结果：基于HCR和DTL组合的DLR特征构建的ML模型预测效能最高,当使用支持向量机的递归特征消除（support vector machine-recursive feature elimination,SVM-RFE）筛选特征后,使用T2+T1c+ Flair序列组合的支持向量机（support vector machine,SVM）分类器的预测模型效果最佳。在验证集上,受试者工作特征曲线下面积达到0.996（95% CI：0.991~1.000）,约登指数、准确度、灵敏度和特异度分别为 0.920、0.976、0.988和0.932,在测试集上同样具有较高的分级预测效能。SHAP特征权重分析显示Flair序列的特征贡献较大,其次为T2及T1c序列,HCR和DTL特征均有重要贡献。结论：基于多序列MRI的DLR特征构建的ML模型可有效预测脑胶质瘤的肿瘤分级,其中经过SVM-RFE筛选后的 T2+T1c+Flair序列组合的SVM分类器模型效能最佳。     

120例胶质瘤及瘤周水肿MRI影像组学在评估肿瘤复发中的价值

目的 探讨胶质瘤及瘤周水肿(PTE)MRI影像组学在评估肿瘤复发中的价值。 方法 选取山东大学齐鲁医院2013年1月至2020年12月经术后病理证实的胶质瘤患者120例,包括55例复发和65例无复发患者,根据术前T₂WI和T₁WI增强图像对肿瘤和PTE进行三维容积感兴趣区勾画,并按照8∶2的比例分为训练组和验证组,分析两者及联合的组学特征与肿瘤复发的关系。使用受试者工作特征(ROC)曲线下面积(AUC)与准确性矩阵,比较和评价不同影像组学模型的训练结果。 结果 对于PTE,K临近法(KNN)分类器预测效能最好:训练组AUC值、敏感度、特异度分别为0.910、0.84、0.88,验证组分别为0.916、0.82、0.93。对于肿瘤,逻辑回归(LR)分类器预测效能最好:训练组AUC值、敏感度和特异度分别为0.777、0.69、0.67,验证组分别为0.758、0.82、0.92。当肿瘤+PTE联合时,逻辑回归(LR)分类器预测效能最好:训练组AUC值、敏感度、特异度为0.977、0.88、0.89,验证组则为0.841、0.73、0.83。 结论 胶质瘤PTE和肿瘤影像组学特征在预测胶质瘤术后复发方面具有一定的价值,其中PTE的KNN组学模型效能最佳。     

基于CT影像组学的机器学习模型预测透明细胞肾癌的WHO/ISUP级别

目的 探讨基于三期CT图像的影像组学特征建立机器学习模型术前预测透明细胞肾细胞癌（ccRCC）WHO/ISUP核分级的价值。方法 回顾性收集2016年1月至2023年1月安徽医科大学第一附属医院经病理证实的236名ccRCC患者的3期（平扫期、皮髓质期、实质期）CT图像和临床病理资料。并按照7∶3的比例随机分为训练集和测试集,人工手动分割病灶后提取三期影像组学特征,并对提取得到的特征进行降维,筛选出最有价值的组学特征并用机器学习的方法建立3种机器学习模型,分别为逻辑回归（LR）、支持向量机（SVM）、随机森林（LR）。模型的诊断性能通过受试者工作特征曲线（ROC）及曲线下面积（AUC）来评估。结果 最终筛选得到15个有价值的特征用来构建模型,在测试集中3种机器学习模型的AUC值分别为0.797、0.753、0.761。结论 基于三期CT图像影像组学特征建立的机器学习模型在术前预测ccRCC的WHO/ISUP级别具有一定的价值。     

多参数3D MRI影像组学模型预测结直肠癌肝转移及相关临床危险因素的分析

目的 探讨多参数3D MRI影像组学模型对于结直肠癌肝转移(CCLM)的预测价值及相关临床危险因素的分析。方法 收集2019-2022年在本院术前行MRI检查且术后病理证实的198例结直肠癌患者的临床及影像资料。按照8:2的比例随机分为训练集及验证集(n=159及39)。对T2WI、DWI、e-THRIVE+序列分别逐层勾画,得到3D VOI,提取组学特征并降维处理、构建影像组学模型。采用逻辑回归分析,筛选出CCLM的独立危险因素并构建临床模型。结果 三序列联合的影像组学模型预测CCLM的效能高于单一序列模型,其训练集与验证集AUC值分别为0.919及0.896。逻辑回归分析得到CCLM的独立危险因素分别为CEA、CA199及NLR(P<0.05)。三者联合的临床模型效能亦高于单一临床模型,训练集与验证集的AUC值分别为0.800及0.791。结论多参数3D MRI影像组学模型对于CCLM具有较高预测效能。基于CEA、CA199、NLR的临床模型对于CCLM具有一定预测效能。     

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。     

基于影像组学方法构建弥漫性低级别胶质瘤癫痫发生及远期生存预测模型

目的：构建预测弥漫性低级别胶质瘤患者癫痫发作风险的影像组学风险模型，并初步评估患者预后。方法：利用癌症基因组图谱（the cancer genome atlas，TCGA）数据库和癌症影像档案（the cancer imaging archive，TCIA）数据库提供的影像数据集及临床资料，通过影像组学方法构建癫痫风险评分模型，并结合临床指标建立列线图以预测癫痫发生概率及远期生存概率。用受试者工作特征（receiver operating characteristic，ROC）曲线及决策曲线分析评价模型的预测效能。结果：筛选出10个癫痫相关的影像特征建立风险评分模型，内部及外部验证的ROC曲线下面积分别为0.900和0.636。高风险组和低风险组的癫痫阳性率分别为80.6%和27.3%。高风险组和低风险组患者的5年疾病总生存率存在明显统计学差异（P=0.029），临床决策分析曲线显示“影像-临床”癫痫预测模型的净获益率优于临床预测模型。校准曲线显示3年、5年生存列线图有良好的校准和区分能力，列线图中高低危组5年总生存有明显统计学差异（P=0.008）。结论：本研究建立了一个基于术前MRI的影像组学模型，可用于无创预测弥漫性低级别胶质瘤患者癫痫发生风险及预后，为临床采取个体化治疗策略提供参考。