基于MSCT的纹理分析对钙化在鉴别结节性甲状腺肿和甲状腺乳头状癌中的价值研究

目的 探讨基于甲状腺钙化的CT纹理分析能否预测结节良恶性。方法 搜集含钙化甲状腺结节122例(结节性甲状腺肿36例，甲状腺乳头状癌86例),运用随机数字法按照7∶3分成训练集和验证集。将甲状腺结节分为钙化区、实质区和全结节区，用软件分别对3个区域进行纹理分析，得到甲状腺结节诊断的误判率R,并用ROC曲线评价其预测性能。结果 (1)影像组学特征分析：训练集：钙化区和全结节区R均为4.7%,实质区R为2.3%;验证集：钙化区和全结节区R均为5.6%,实质区R为2.8%。(2)影像组学预测模型性能评价：训练集：钙化区和全结节区敏感度、特异度和AUC分别为84.6%、100%和0.923;实质区敏感度、特异度和AUC分别为92.3%、100%和0.962。验证集：钙化区和全结节区敏感度、特异度和AUC分别为80.0%、100%和0.900;实质区敏感度、特异度和AUC分别为90.0%、100%和0.950。(3)各区域AUC比较：钙化区vs.实质区，P=0.317;钙化区vs.全结节区，P=1.000;实质区vs.全结节区，P=0.317。结论 与实质区、全结节区一样，基于甲状腺钙化的CT纹理...     

基于MRI FS-T2WI影像组学鉴别腮腺多形性腺瘤与Warthin瘤的价值

目的 探讨基于MRI FS-T2WI的影像组学分析对腮腺多形性腺瘤与Warthin瘤的鉴别诊断的价值。方法分析108例腮腺常见肿瘤患者的治疗前MRI FS-T2WI图像,其中多形性腺瘤63例,Warthin瘤45例,提取肿瘤瘤体区的影像组学特征,将所有患者分为训练组(多形性腺瘤43例、Warthin瘤30例)和验证组(多形性腺瘤20例、Warthin瘤15例)。使用Python Pyradiomics对所有患者进行特征提取,利用随机森林算法对训练组进行特征选择并构建模型,使用验证组数据对模型进行验证。使用受试者工作特征曲线下面积评估所构建模型对腮腺多形性腺瘤与Warthin瘤的鉴别效能。结果 从MR常规序列FS-T2WI的腮腺肿瘤瘤体区提取了10个重要性排名最高的特征,其中单个特征重要性最高、最具有诊断效能的是平方变换的均匀性。多形性腺瘤的均匀性中位数(四分位间距)是0. 065(0. 049,0. 098),Warthin瘤的均匀度中位数(四分位间距)是0. 151(0. 124,0. 244),该特征的ROC曲线的AUC、最佳临界值、敏感度、特异度分别为0. 853、0. 122、78. 1%、82. 5%。构建模型后在训练组中反映所构建模型预测效能的受试者工作特征曲线的AUC为0. 93±0. 05,在验证组中的AUC为0. 74。结论 基于MRI FS-T2WI影像组学的分析有助于对腮腺多形性腺瘤与Warthin瘤的鉴别诊断。     

桥本甲状腺炎性结节与甲状腺微小乳头状癌鉴别诊断：基于MRI影像组学机器学习的应用

目的 研究基于甲状腺MRI多序列图像影像组学机器学习分类诊断模型鉴别诊断桥本甲状腺炎性结节与甲状腺微小乳头状癌的价值。资料与方法 回顾性纳入2015年6月—2022年4月于解放军总医院第六医学中心行MRI检查并经病理证实的114个桥本甲状腺炎性结节和76个甲状腺微小乳头状癌，MRI检查序列包括T1WI、T2WI、扩散加权成像(b=0、800、2 000 s/mm²)、表观扩散系数和增强扫描T1WI。基于MRI图像对两组病灶进行分割、配准、影像组学特征提取和特征选择，经有监督机器学习建立并超参数调优6个常用的单模型分类诊断模型：逻辑回归、线性判别分析、支持向量机、K邻近算法、高斯朴素贝叶斯和分类回归树，比较6个分类模型对两组病变的鉴别诊断能力。结果 每个序列图像提取960个特征，共提取6 720个影像组学特征，最终经特征选择筛选出30个表观扩散系数原始图像形状和一阶统计量特征。在6个分类诊断模型中，支持向量机和逻辑回归模型鉴别桥本甲状腺炎性结节和甲状腺微小乳头状癌的效果最优，曲线下面积均为0.97。结论 基于甲状腺MRI影像组学机器学习分类模型鉴别诊断桥本甲状腺炎性...     

多参数磁共振组学预测甲状腺乳头状癌淋巴结转移的价值

目的:探讨基于术前原发肿瘤的多参数磁共振图像所构建的组学模型在预测甲状腺乳头状癌颈部淋巴结转移中的价值。方法:回顾性分析129例病理证实的甲状腺乳头状癌术前磁共振资料。从T₂WI、DWI、多期T₁WI增强图像中提取影像组学特征,按照7:3比例随机将129例患者为训练组和验证组,在训练集中采用最小冗余最大关联度(mRMR)和最小绝对收缩选择算子(LASSO)筛选最优影像组学特征,构建组学特征模型。采用受试者操作特征(ROC)曲线评价多参数磁共振组学模型术前预测颈部淋巴结转移的预测效能,并在验证集中验证。结果:分别从T₂WI、DWI、多期T₁WI增强提取396个影像组学特征,经预处理及筛选最终获得18个最佳组学特征,根据最优影像组学特征及相应权重系数建立影像组学预测模型并计算影像组学评分,训练组和验证组中影像组学评分淋巴结转移组高于无淋巴结转移组。训练组的AUC值为0.92,敏感度为83.3%,特异度为88.9%,验证组的AUC值为0.80,敏感度为78.9%,特异度为77.8%。结论:基于多参数磁共振...     

基于CT影像组学列线图鉴别甲状腺乳头状癌与结节性甲状腺肿的价值

目的 探讨基于CT影像组学列线图鉴别诊断甲状腺乳头状癌(PTC)与结节性甲状腺肿(NG)的临床价值。方法 回顾性分析经病理证实的甲状腺结节患者的临床资料及CT图像。术前2周内行CT平扫及增强扫描；PTC 113例，NG 119例；以7∶3的比例随机分层抽样划分成训练集(n=162)和测试集(n=70)。从CT平扫及双期增强图像中提取甲状腺结节相关征象和影像组学特征，通过临床影像征象和影像组学特征筛选，训练集与测试集均构建4个独立模型并计算影像组学评分，基于影像组学评分和临床模型构建联合模型，并基于联合模型绘制列线图。通过受试者工作特征曲线、曲线下面积(AUC)、连续净重分类改善度(NRI)及综合判别改善度(IDI)等多个指标评估各模型对PTC与NG的鉴别诊断效能，利用校准曲线直观的评估列线图的可靠性与准确性，使用决策曲线评估列线图的临床实用价值。结果 平扫、动脉期、静脉期分别保留了6、4、3个影像组学特征，分别构建单期相影像组学模型。单期相中，平扫模型鉴别诊断效能最优，6个独立预测因子用于构建临床模型，基于联合模型的列线图对PTC与NG具有最高的鉴别诊断效能(训练集：AUC为0.980...     

基于高分辨T2WI的影像组学对直肠癌术前分期的应用价值

【摘要】目的：探讨基于高分辨T2WI影像组学在直肠癌术前T分期中的应用价值。方法：回顾性分析2017年1月-2018年12月在上海长海医院经手术病理证实且术前行3T磁共振高分辨T2WI的直肠癌患者资料。根据病理T分期结果将T1和T2期患者归为未突破肌层组，T3和T4期患者归为突破肌层组。在高分辨T2WI图像上手动勾画病灶ROI后提取影像组学特征，之后采用LASSO算法进行降维选择出对病理T分期有价值的特征。将所选样本按7:3的比例随机分为训练集与验证集进行机器学习，构建支持向量机（SVM）分类器模型，得到训练集和验证集的ROC曲线下面积（AUC）、敏感度、特异度及95%置信区间。结果：纳入病例共154例，男92例，女62例，平均年龄(56.5±10.2)岁，其中T1期26例，T2期41例，T3期76例，T4期11例。训练集106例（未突破肌层组46例，突破肌层组60例），验证集48例（未突破肌层组21例，突破肌层组27例）。LASSO算法筛选出5个与T分期相关特征。得到SVM模型验证集的AUC、95%CI、敏感度及特异度分别为0.730、0.583~0.848、73.1%、66.7%。结论：基于高分辨T2WI的影像组学SVM模型可以判断直肠癌病灶是否突破固有肌层，对于直肠癌术前T分期具有较高的参考价值。     

基于胸部CT影像组学的肺结节影像学性质判断

【摘要】目的：通过获取实性结节（SN）、部分实性结节（PSN）以及纯磨玻璃密度结节（pGGN）的胸部CT影像特征,分别建立模型1(判断实性结节与亚实性结节的影像组学模型)和模型2(判断部分实性结节与纯磨玻璃密度结节的影像组学模型)。方法：回顾性收集2018年10月-2018年12月于本院行CT胸部平扫的病例资料285例,肺结节共315个,将所有肺结节按影像学性质分为实性结节组、部分实性结节组及pGGN组,三类结节的数目分别为106个、110个、99个。手动勾画VOI,通过提取肺结节的全部特征,在特征降维与选择后,使用不平衡调整逻辑回归的方法分别建立影像组学模型1［判断实性结节与亚实性结节（部分实性结节与pGGN）的组学模型］、影像组学模型2（在亚实性结节中判断部分实性结节与pGGN的组学模型）,并分别在两个模型中通过获得100个自举验证测试样本的平均曲线下面积（AUC）、敏感度、特异度作为该模型的效能。结果：模型1的ROC曲线的AUC为96.1%,符合率为90.1%,敏感度、特异度分别为90.0%、90.2%。模型2的ROC曲线的AUC为82.2%,符合率为74.2%,敏感度及特异度分别为73.2%、75.6%。结论：影像组学模型1对判断实性结节与亚实性结节有较好的性能,影像组学模型2对判断亚实性结节中部分实性结节与非实性结节也有一定的帮助。     

CT影像组学对甲状腺乳头状癌与腺瘤的鉴别

目的:探讨CT影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中的价值.方法:回顾性分析84例甲状腺肿瘤(乳头状癌39例,腺瘤45例)术前CT平扫的特征,首先勾画感兴趣区(ROI),再采用A.K.软件进行图像预处理及特征筛选,最终得出最具特征的参数,随后分别构建随机森林(RF)、逻辑回归(LR)和支持向量机(SVM)...     

双能量CT联合超声鉴别甲状腺良恶性结节的价值

【摘要】目的：探讨双能量CT联合超声鉴别甲状腺良恶性结节的价值。方法：回顾性分析本院经病理证实且行双能量CT静脉期增强扫描及超声检查的90个甲状腺结节（乳头状癌63个,结节性甲状腺肿27个）,计算标准化碘值（NIC）,记录结节CT形态学及超声表现,比较两组结节的NIC,评价NIC、超声、CT形态学独立诊断及联合诊断的效能。结果：甲状腺乳头状癌、结节性甲状腺肿的NIC平均值为0.32±0.33、0.77±0.16（P<0.05）,当NIC以0.65为阈值时,预测甲状腺恶性结节的曲线下面积（AUC）为0.92, NIC、超声、CT形态学独立诊断的敏感度为85.20%、76.19%、73.81%,特异度为88.90%、66.67%、77.78%,符合率为80%、76.67%、73.33%。三者联合诊断的敏感度为82.50%,特异度为92.60%,符合率为84.44%。结论：双能量CT静脉期增强NIC及CT形态学联合超声检查能提高甲状腺结节的诊断准确性。     

CT影像组学在腹部淋巴瘤、非转移及转移性淋巴结鉴别中的价值

目的：探讨CT影像组学在鉴别腹部淋巴瘤、非转移及转移性淋巴结中的价值。方法 ：收集95例经病理或临床证实的腹部淋巴瘤、非转移及转移性淋巴结患者（共242枚腹部淋巴结）的临床及影像学资料。95例中淋巴瘤32例,共94枚淋巴结（淋巴瘤组）;非转移淋巴结36例,共78枚淋巴结（非转移组）;转移性淋巴结27例,共70枚淋巴结（转移组）。95例均行腹部CT增强扫描。在层厚1 mm图像上手动勾画淋巴结,经Radcloud平台提取病灶的影像组学特征,建立淋巴瘤组与转移组、淋巴瘤组与非转移组、转移组与非转移组3组模型,使用3种机器学习算法进行独立的训练和验证,并计算准确率、敏感度、特异度和AUC。结果 ：淋巴瘤组与转移组,K最近邻（KNN）分类器鉴别效能最好：训练集AUC为0.98,敏感度0.95,特异度0.88;验证集AUC为0.98,敏感度0.93,特异度0.95。淋巴瘤组与非转移组,支持向量机（SVM）分类器鉴别效能最好：训练集AUC为0.99,敏感度0.98,特异度1.00;验证集AUC为0.96,敏感度0.97,特异度0.88。转移组与非转移组,线性逻辑回归（LR）分类器鉴别效能最好：训练集...     

基于高分辨率T2WI影像组学联合临床特征预测食管癌新辅助放化疗疗效的价值

【摘要】目的：探讨基于高分辨率（HR）T2WI影像组学联合临床特征预测食管癌新辅助放化疗后疗效的价值。方法：回顾性分析本院2016年1月-2021年12月新辅助放化疗前接受HRT2WI成像检查并经病理证实的95例食管癌患者资料。依据新辅助放化疗后病理缓解状态结果将患者疗效分为缓解组和未缓解组,在HRT2WI图像上勾画肿瘤感兴趣区（ROI）后采用A.K软件提取影像组学特征,采用最大相关最小冗余（mRMR）算法进行降维,采用逻辑回归模型对筛选出的影像组学特征及临床参数构建模型;采用受试者操作特征（ROC）曲线评估不同模型的预测效能,计算曲线下面积（AUC）、准确率、敏感度和特异度,并采用DeLong检验比较不同模型预测食管癌新辅助放化疗敏感性的效能。结果：缓解组与未缓解组年龄差异具有统计学意义（P=0.001）,其他临床特征差异无统计学意义（P＞0.05）。从1688个组学特征中逐层筛选出4个影像组学特征,构建两个预测模型：基于HRT2WI的影像组学模型、年龄-影像组学模型。HRT2WI影像组学模型在训练集与验证集预测食管癌新辅助放化疗是否缓解的AUC、准确率、敏感度和特异度分别为0.863、80.0%、88.2%、76.7%,0.809、81.5%、75.0%、84.2%。年龄-影像组学模型在训练集与验证集预测食管癌新辅助放化疗是否缓解的AUC、准确率、敏感度和特异度分别为0.888、81.7%、94.1%、76.7%,0.836、81.5%、87.5%、78.9%。年龄-影像组学模型预测食管癌新辅助放化疗是否缓解的AUC、准确率和敏感度均高于HRT2WI影像组学模型,而两者的特异度相仿。结论：基于HRT2WI影像组学模型对食管癌新辅助放化疗是否缓解具有较好的预测效能,且HRT2WI影像组学联合年龄特征模型显示出更高的预测价值。     

基于多参数MRI影像组学鉴别子宫内膜癌和子宫黏膜下肌瘤的价值

【摘要】目的：探讨基于多参数MRI影像组学建立模型在鉴别子宫内膜癌与子宫黏膜下肌瘤中的价值。方法：回顾性收集本院2013年8月-2022年1月经术后病理证实为子宫内膜癌和子宫黏膜下肌瘤病例93例, 其中子宫内膜癌51例，子宫黏膜下肌瘤42例。应用Python软件Pyradiomics包将T2WI、ADC、对比增强T1WI（CE-T1WI）图像勾画的ROI提取影像组学特征，按照7：3的比例随机分为训练集（n=65）和测试集（n=28），应用最小绝对收缩和选择算子（LASSO）回归对训练集数据进行特征降维，筛选最佳影像组学特征，代入Logistic回归机器学习方法构建模型，通过对受试者工作特征曲线、准确率、敏感度、特异度进行分析，探讨T2WI、ADC、CE-T1WI及T2WI、ADC联合CE-T1WI四组影像组学模型的诊断效能。结果：经过降维和筛选，分别在T2WI、ADC、CE-T1WI组中提取24、27、26个影像学特征。构建的鉴别诊断子宫内膜癌和子宫黏膜下肌瘤模型中，T2WI、ADC、CE-T1WI及T2WI、ADC联合CE-T1WI组的训练集和测试集ROC曲线下面积分别为0.97、0.88、0.93、0.99和0.90、0.67、0.85、0.94。结论：基于T2WI、ADC和CE-T1WI建立影像组学模型对鉴别子宫内膜癌和子宫黏膜下肌瘤有一定价值。     

CT影像组学模型及深度学习技术预测肺腺癌EGFR突变

【摘要】目的：探讨基于CT图像建立的影像组学模型及深度学习模型在预测肺腺癌表皮生长因子受体（EGFR）突变中的价值。方法：回顾性分析228例经手术病理证实的肺腺癌患者的CT图像,其中EGFR突变型116例,野生型112例。由两位放射科医师各自独立在CT图像上沿肺癌病灶边缘手动逐层勾画感兴趣区（ROI）获得病灶全容积ROI后提取影像组学特征。比较两位医师提取的影像组学特征的一致性,自高年资医师提取的特征中选取组内相关系数大于0.7的影像组学特征纳入研究。分别按照70%和30%的比例将所有病灶随机划分为训练集和验证集。在训练集中利用LASSO回归方法对影像组学特征进行筛选后,分别建立影像组学评分（Radscore）、随机森林（RF）和支持向量机（SVM）三种影像组学模型。此外,将训练集图像输入ResNet深度学习网络中建立深度学习模型。在验证集中对上述4个模型进行验证,计算敏感度、特异度和ROC曲线下面积（AUC）来评价不同模型的预测效能。结果：自CT图像中共提取了306个一致性良好的影像组学特征,经筛选后获得9个最佳特征用于建立影像组学模型。在验证集中,SVM模型的AUC（0.813）高于Radscore（0.761）和RF模型（0.775）,但差异无统计学意义（P=0.089和0.330）;ResNet模型的AUC为0.916,高于SVM模型（0.813）、Radscore（0.761）和RF模型（0.775）。ResNet模型与Radscore和RF模型间AUC的差异具有统计学意义（P=0.031和0.043）,与SVM模型间AUC的差异无统计学意义（P=0.106）。ResNet模型的敏感度为0.879,高于SVM模型（0.771）、Radscore（0.818）和RF模型（0.743）。ResNet模型的特异度为0.914,高于SVM模型（0.758）、Radscore（0.714）和RF模型（0.727）。结论：基于CT图像的影像组学模型能够较好地预测EGFR基因突变,深度学习技术可以有效提高模型的预测准确性。     

MRI影像组学术前预测脑膜瘤病理分级的研究

【摘要】目的：探讨基于MRI的影像组学分析对脑膜瘤病理分级的预测效能。方法：回顾性分析经病理证实的137例脑膜瘤患者的MRI资料（T2WI和对比增强T1WI），其中低级别脑膜瘤（WHO Ⅰ级）99例，高级别脑膜瘤（WHO Ⅱ级）38例。按7:3的比例将患者分为训练组（95例）和验证组（42例）。评估肿瘤的常规MRI征象，包括双侧分布、部位、形状、T2WI上信号是否均匀、血管流空现象、瘤周水肿、强化是否均匀、强化程度、脑膜尾征、邻近组织侵袭情况及是否跨中线生长等。应用IBEX软件，在瘤体内手动勾画ROI，自每个MRI序列上提取5个特征组共736个影像组学特征，使用最小绝对收缩和选择算子（LASSO）及10折交叉验证法进行降维。在训练组中，采用Logistic回归分析进行建模，共构建3个模型，即影像特征模型、影像组学模型和联合诊断模型。在验证组中，绘制3个模型的受试者工作特征曲线（ROC）来评估其预测效能。结果：在训练组和验证组中，高级别和低级别脑膜瘤患者的各项一般临床资料的差异均无统计学意义（P>0.05）；各项常规MRI征象中，仅血管流空和强化是否均匀这两个特征在低级别和高级别脑膜瘤间的差异有统计学意义（P<0.05）。通过降维后共筛选出13个影像组学特征。在验证组中对3个模型分别进行效能评估，ROC曲线分析显示：影像特征模型预测脑膜瘤病理分级的敏感度为66.7%，特异度为80.0%，AUC为0.800；影像组学模型的预测敏感度为66.7%，特异度为86.7%，AUC为0.811；联合诊断模型的预测敏感度为100.0%，特异度为66.7%，AUC提高至0.856。结论：基于MR T2WI及增强T1WI的影像组学分析有助于术前预测脑膜瘤的病理分级，影像组学分析方法具有较好的临床应用前景。     

量化MRI对良恶性甲状腺结节的定性诊断与超声对比分析

目的探讨良恶性甲状腺结节在量化磁共振成像中的ADC值,FS-T_2WI信号强度比(SIR)阈值及超声的影像特征,对比分析其对甲状腺结节定性的诊断价值。方法观察20例经临床确诊的甲状腺结节患者共28个病灶,其中良性结节14个,恶性结节14个,术前均经超声、磁共振T1WI、FS-T_2WI及弥散加权成像(b值取0、300s/mm2)检查。计算T_2WI信号强度比(SIR);统计出良恶性结节的表观弥散系数(ADC)阈值范围。通过T_2WI信号强度比(SIR)、ADC值及结节在常规磁共振中的影像学特征确定磁共振对良恶性结节的最佳诊断标准,并与超声对结节定性诊断的结果进行比较。分析磁共振及超声对鉴别甲状腺结节良恶性的诊断价值。结果良性结节的平均T_2WI信号强度比(P0.05)和ADC(P0.05)值均显著高于恶性结节。T_2SIR的诊断灵敏度,特异度分别为100%,85.71%;ADC值的诊断灵敏度,特异度分别100%,84.62%;在T_2SIR和ADC联合诊断中的灵敏度,特异度分别为100%,92.86%。超声在甲状腺良恶性结节诊断中的灵敏度,特异度分别为92.86%,64.29%。结论磁共振及超声对甲状腺结节的良恶性判断均具有一定的优势,磁共振扫描中应用FS-T_2WI信号强度比(SIR)、ADC值定量诊断对结节的性质鉴别更加准确。     

CT影像组学模型对甲状腺良恶性结节的鉴别价值

目的探讨CT影像组学模型对良恶性甲状腺结节的鉴别诊断价值。方法回顾性分析2017年5月至2018年8月间南京医科大学附属淮安第一医院经病理证实的179例甲状腺结节患者的临床和影像资料。良性结节89例,恶性结节90例。患者术前均行甲状腺结节CT平扫和增强扫描。采用分层随机抽样方法将患者按照8∶2的比例分为训练组(143例)与测试组(36例),采用A.K软件基于术前CT图像提取378个影像组学特征,后采用Spearman相关分析与最小绝对收缩和选择算子回归分析进行特征筛选与模型构建,在训练组与测试组中应用受试者操作特征(ROC)曲线对模型进行验证,评价影像组学特征预测良恶性甲状腺结节的效能。结果经过特征筛选,16个影像组学特征用于构建甲状腺结节良恶性鉴别模型。训练组中预测模型的ROC曲线下面积(AUC)为0.92(95%可信区间:0.88~0.97),灵敏度和特异度分别为88.7%、82.0%,诊断准确率91.1%;测试组中AUC为0.90(95%可信区间:0.81~0.98),灵敏度和特异度分别为88.5%、84.6%,诊断准确率88.2%。结论基于CT的影像组学模型对良恶性甲状腺结节有较高的诊断效能。     

基于脑梗死和脑脊液的影像组学预测急性脑卒中机械取栓术后恶性脑水肿发生的分析

目的 探讨基于急性脑卒中弥散加权成像（diffusion weighted imaging,DWI）核心梗死区及脑脊液的影像组学特征,通过机器学习构建急性脑卒中机械取栓术后恶性脑水肿发生的预测模型。方法 选取155例急性脑卒中患者的MRI图像,基于软件自动分割DWI高信号梗死区及脑脊液区,应用AK软件进行影像组学特征提取和降维,采用最小冗余最大相关特征选择方法筛选最佳影像组学特征,通过支持向量机分类器构建恶性水肿发生的预测模型。结果 经筛选后具有10个特征的子集（包含7个DWI脑梗死特征和3个脑脊液特征）获得了最高的平均AUC值,并被指定为最终的特征子集纳入模型分析。ROC分析显示训练集患者预测恶性脑水肿的AUC为0.975,敏感度、特异度和准确度分别为90.3%、69.8%、93.5%;测试集患者预测恶性脑水肿的AUC为0.893,敏感度、特异度、准确度分别为86.8%、90.3%、87.1%。结论 基于DWI脑梗死和脑脊液影像组学特征的机器学习,能够较为准确地预测急性脑卒中机械取栓术后恶性脑水肿的发生,为临床早期干预治疗提供指导。     

CT影像组学在头颈部木村病淋巴结病变与淋巴瘤鉴别中的应用

【摘要】目的：探讨基于增强CT影像组学特征鉴别头颈部木村病淋巴结病变和淋巴瘤的可行性,并验证建立的逻辑回归诊断模型。方法：回顾性分析经手术病理或穿刺活检证实的14例头颈部木村病（38枚肿大淋巴结）和27例淋巴瘤患者（37枚肿大淋巴结）的相关资料,所有患者均行头颈部增强CT扫描。将病灶所有显示层面的CT静脉期图像导入ITK-SNAP软件（www.itksnap.org）,手动勾画立体感兴趣区（VOI）,使用artificial intelligence kit软件提取纹理特征。按照7:3的比例将数据随机分为训练组与验证组。采用方差分析+秩和检验、一般线性模型和Lasso算法进行特征降维,并用最终筛选出的纹理特征构建逻辑回归模型并进行5折交叉验证。用验证组数据对模型进行验证,评价指标采用ROC曲线下面积（AUC）、敏感性和特异性。结果：从75个病灶中共提取396个特征,通过降维最终筛选出5个可用于鉴别两种病变的组学特征。逻辑回归模型在训练组中鉴别效能的AUC为0.987,特异度为0.958,敏感度为0.966;验证组的AUC 为0.938,特异度为0.786,敏感度为1。结论：影像组学鉴别头颈部木村病淋巴结病变和淋巴瘤具有可行性,基于CT影像组学特征建立的逻辑回归模型具有较高的诊断效能。     

4D-CT影像组学模型鉴别甲状旁腺良性病变与淋巴结的应用初探

【摘要】目的：探讨基于4D-CT扫描的建立影像组学模型对甲状旁腺腺瘤或增生与颈部淋巴结的鉴别诊断价值。方法：回顾性将80例行术前4D-CT平扫和多期增强扫描且经手术病理证实的甲状旁腺腺瘤或增生患者纳入本研究。在甲状旁腺结节及同侧颈部II区淋巴结内逐层手动勾画感兴趣区,获得其容积感兴趣区（VOI）,基于平扫期、动脉期、静脉期和延迟期图像,各提取1262个影像组学特征。在每个单独期相或其组合的基础上,特征选择基于L1-based方法,采用L1正则化的Logistic回归分析分别建立相应的影像组学模型,并进行10折交叉验证。采用ROC曲线下面积（AUC）、敏感性和特异性评价各模型的鉴别诊断效能。结果：分别基于平扫期、动脉期、静脉期、延迟期、平扫+动脉期、平扫+动脉+静脉期及平扫+动脉+静脉+延迟期图像建立7个影像组学模型,各模型鉴别甲状旁腺腺瘤或增生与颈部淋巴结的诊断效能均较高（训练组AUC为0.949~0.962,验证组为0.869~0.904）。在验证集中,基于静脉期的影像组学模型的AUC最大（0.904）,相应的鉴别诊断敏感度为0.886、特异度为0.785、符合率为0.835。结论：基于4D-CT平扫和多期增强扫描建立的影像组学模型对鉴别甲状旁腺腺瘤或增生与颈部淋巴结的准确性较高,其中以基于静脉期图像的影像组学模型的诊断效能最佳。     

基于磁共振表观扩散系数图的影像组学模型对前列腺癌Gleason分级的诊断价值

目的:探讨基于磁共振ADC图的影像组学模型对诊断前列腺癌侵袭度的价值。方法:回顾性分析2018年1月至2019年5月在建湖医院,经手术病理证实且能确定Gleason分级的42例患者的ADC图像,将癌灶分为高危组(Gleason评分≥8)和低中危组(Gleason评分≤7)2组。其中中低危21例、高危21例。应用ITK-SNAP软件勾化感兴趣区(ROI),将ADC图像导人Analysis-Kinetics分析软件,进行影像特征提取。采用Lasso回归分析进行特征降维。通过LASSO降维筛选出的特征和相应加权系数乘积的线性组合来建立鉴别中低危、高危前列腺癌的模型,绘制ROC曲线评价模型鉴别中低危、高危前列腺癌的预测效能。结果:共提取396个影像组学特征,通过特征筛选后最后筛选出7个影像组学特征。建模后影像组学特征对鉴别中低危、高危前列腺癌具有较好的预测效能,预测模型在训练组中鉴别效能的曲线下面积、准确度、敏感度、特异度、阳性预测值和阴性预测值分别为0.97、93.3%、93.3%、93.3%、0.93和0.93;在验证组中的曲线下面积、准确度、敏感度、特异度、阳性预测值和阴性预测值分别为0.97、91.7%、83.3%、100.0%、1和0.86;结论:基于磁共振ADC图的影像组学模型对前列腺癌Gleason分级具有诊断价值。