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。     

性别-年龄-肺功能分期与复合生理指数对特发性肺纤维化患者死亡风险的预测价值比较研究

背景　性别-年龄-肺功能（GAP）分期和复合生理指数（CPI）均作为预测特发性肺纤维化（IPF）患者死亡风险的工具,常被国内外学者使用,而哪一种模型更具有优势或临床应用价值,目前鲜见报道。目的　探讨GAP分期与CPI对IPF患者死亡风险的预测价值。方法　选取2012-2019年在同济大学附属上海市肺科医院确诊的有完整临床数据及回访记录的200例IPF患者为研究对象,其中男181例（90.5%）,女19例（9.5%）;年龄41~85岁,平均年龄（66.0±7.6）岁。分别使用GAP分期与CPI评分对患者进行分组,GAP Ⅰ期109例（54.5%）,GAPⅡ期75例（37.5%）,GAPⅢ期16例（8.0%）;CPI评分≤41分99例（49.5%）,CPI评分>41分101例（50.5%）。对不同GAP分期及CPI分组下IPF患者的临床、影像学、肺功能等特征进行比较,发现其符合GAP分期与CPI的模型分布特征。使用Cox比例风险回归模型对IPF患者的预后因素进行分析,并绘制两模型预测IPF患者死亡率的受试者工作特征曲线（ROC曲线）计算两模型ROC曲线下面积（AUC）,利用Medcalc 软件分析两模型在总体以及不同时间点上对IPF死亡风险的预测能力。结果　Cox比例风险回归模型结果显示,GAP评分高〔HR=1.038,95%CI（1.023,1.054）〕、CPI评分高〔HR=1.509,95%CI（1.286,1.771）〕、GAP Ⅱ期〔HR=2.622,95%CI（1.536,4.475）〕、GAP Ⅲ期〔HR=4.002,95%CI（1.947,8.226）〕是IPF患者预后的独立危险因素（P<0.05）。GAP分期预测IPF患者1年内死亡率、2年内死亡率、3年内死亡率、总体死亡率的AUC分别为0.685〔95%CI（0.616,0.749）〕、0.675〔95%CI（0.606,0.740）〕、0.642〔95%CI（0.571,0.708）〕、0.668〔95%CI（0.598,0.733）〕,CPI预测IPF患者1年内死亡率、2年内死亡率、3年内死亡率、总体死亡率的AUC分别为0.750〔95%CI（0.684,0.809）〕、0.745〔95%CI（0.679,0.804）〕、0.735〔95%CI（0.669,0.795）〕、0.745〔95%CI（0.679,0.804）〕。GAP分期与CPI预测IPF患者2年内死亡率、3年内死亡率、总体死亡率的AUC比较,差异均有统计学意义（Z=2.193,P=0.028 3;Z=2.918,P=0.003 5;Z=2.529,P=0.011 4）;GAP分期与CPI预测IPF患者1年内死亡率的AUC比较,差异无统计学意义（Z=1.799,P=0.072 1）。结论　CPI与GAP分期对于IPF预后均是非常有效的预测指标,且CPI在总体死亡率以及2年、3年内死亡率的预测上明显优于GAP分期,但AUC仅为0.64~0.75,其准确预测能力有限,仍需探索建立更为实用有效的风险预测模型。     

区分T1-2与T3-4期胃癌CT影像组学模型的建立与验证

目的:探讨基于CT影像组学构建的模型术前鉴别T1-2与T3-4期胃癌的价值。方法:回顾性分析465例术前行腹部CT增强扫描且经切除术后T分期明确的胃癌患者,将其分为T1-2期及T3-4期两组,采用分层抽样方法按7∶3分为训练集及测试集。在其静脉期CT图像上进行感兴趣区(ROI)的勾画及影像组学特征的提取。采用LASSO回归筛选出与T分期相关性最高的特征,分别利用逻辑回归、支持向量机及决策树建立影像组学模型。基于影像组学特征建立影像组学标签,基于临床特征建立临床模型,结合影像组学标签及临床特征构建影像组学诺模图。使用受试者工作特征(ROC)曲线评价各模型鉴别T分期的效能;Delong检验比较最优影像组学模型与临床模型的ROC曲线下面积(AUC)的差异性及诺模图与二者中效能更好的模型之间AUC的差异性;采用校准曲线评价模型评估与实际病理结果的匹配性,决策曲线评价模型的临床净收益。结果:影像组学模型中,逻辑回归模型的预测效能最好,在训练集和测试集上的AUC分别为0.864、0.836,均高于临床模型;结合影像组学标签及临床特征生成的影像组学诺模图预测效能优于3种影像组学模型和临床模型,在训练...     

联合Nomogram模型预测卵巢囊腺瘤分类的价值

目的通过对比增强CT图像的影像组学分析,寻找客观量化判断卵巢浆液性与黏液性囊腺瘤分类的新参数,并联合囊腔数建立联合Nomogram模型,探讨这一模型的诊断价值。方法回顾性分析经病理学检查证实的卵巢囊腺瘤83例,其中浆液性囊腺瘤44例,黏液性囊腺瘤39例。经分层抽样将病例随机分组为训练集58例（70%）,测试集25例（30%）,通过增强CT图像提取病灶影像特征和影像组学参数,经LASSO回归分析得到具有统计学差异的影像组学参数并构建影像分数Radscore,联合囊腔数建立Nomogram模型,并进行受试者工作特征（ROC）曲线分析,ROC曲线下的面积(AUC)验证其诊断效能。结果本研究经降维算法后得到5个最优影像组学参数构建Radscore,建立联合Nomogram模型（训练集为AUC0.94,测试集AUC为0.85）,优于单一的影像特征及影像组学参数的诊断效能。结论Nomogram模型能有效量化卵巢囊腺瘤的异质性,并可作为定量影像生物标志物预测卵巢囊腺瘤分类。     

构建CT影像组学模型预测肺鳞状细胞癌肿瘤突变负荷

目的 探讨基于CT影像组学特征建立的模型对肿瘤突变负荷（TMB）状态的预测价值。方法 从癌症影像数据库（TCIA）下载37例肺磷状细胞癌（简称鳞癌）患者资料,在首次CT图像中勾画感兴趣区,再用医学图像处理软件（3D Slicer）提取影像组学特征并筛选出与TMB高度相关的特征,构建影像组学特征预测模型,进一步构建nomogram图,并评价其预测效能。结果 通过LASSO回归共筛选出与TMB相关的9个影像学特征,采用logistic回归,进一步筛选出TMB预测模型的3个影像学特征。该模型曲线下面积（AUC）为0.882,提示模型的预测效能良好。结论 基于CT影像组学特征建立的模型对肺鳞癌TMB状态有较好的预测价值。     

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。     

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....     

基于乳腺X线摄影影像组学列线图预测BI-RADS 4～5类钙化病灶恶性风险

目的 探讨基于乳腺X线摄影（MG）影像组学列线图在预测乳腺影像报告与数据系统（BI-RADS）4～5类钙化恶性风险中的价值。方法 回顾2017年1月至2020年12月浙江省立同德医院和蚌埠医学院第一附属医院经病理检查证实的292例MG表现为乳腺影像报告与数据系统（BI-RADS）4～5类钙化患者的临床及影像资料,其中良性121例,恶性171例。所有患者以7∶3比例分成训练集（204例）及验证集（88例）,对头尾位（CC）和内外斜位（MLO）图像进行手工分割并提取影像组学特征,并应用最小冗余最大相关（mRMR）及最小绝对值收敛和选择算子（LASSO）回归筛选最有价值的特征。采用logistic回归构建影像组学模型,从临床因素中筛选差异有统计学意义的危险因素并建立临床模型,再联合临床-影像组学特征建立联合模型,基于联合模型勾画列线图。采用ROC曲线评价各模型的效能,应用决策曲线比较各模型的临床应用价值。结果 分别从CC、MLO图像中提取并筛选出4个和6个影像组学特征构建影像组学模型,其验证集中的AUC为0.714,灵敏度为0.792,特异度为0.600,准确度为0.705。年龄和BI-RA...     

基于影像组学的煤工尘肺结节分析联合临床因素预测肺癌发生的价值

目的 研究影像组学、临床因素与煤工尘肺结节恶变间的关系,构建煤工尘肺结节恶变的最佳预测模型。方法 收集2015年1月—2019年6月在重庆市九龙坡区第二人民医院就诊的425例煤工尘肺患者的临床资料及共628个结节CT图像,以7∶3的比例随机分成训练集和验证集,每组数据内分为恶变组和未恶变组。对结节进行基本影像特征判读并勾画感兴趣区,提取影像组学特征。利用影像组学关键特征构建Radscore公式,通过logistic回归对临床特征、影像组学特征、临床特征和Radscore建立预测模型并使用AUC及Delong检验比较模型的预测效能。结果 3年随访过程中病理证实恶性结节54枚,直径为（1.70±0.63）cm,未发生恶变结节574枚,直径为（1.68±0.76）cm,2组直径比较差异无统计学意义（t=0.468,P=0.642）;2组接触煤尘工龄、家族史、吸烟史、饮酒史、毛刺征与空泡征比较,差异有统计学意义（均P<0.05）;年龄、结核史、COPD病史比较,差异无统计学意义（均P>0.05）。LASSO筛选出11个影像组学特征。在验证集中混合模型取得最佳效果,AUC为0.895...     

基于临床特征及平扫CT影像组学特征模型预测早期脑出血血肿扩大的价值

目的：探讨基于临床特征和平扫CT影像组学特征机器学习模型预测早期脑出血血肿扩大（HE）的价值。方法：收集2018年1月至2020年5月温州医科大学附属第二医院急性早期自发性脑出血患者261例,根据是否存在早期HE分为HE组和非HE组,并将所有样本按7:3随机分为训练集（182例）和验证集（79例）。采用3D Slicer软件对病灶感兴趣区进行勾画。提取影像组学特征并收集患者的临床特征（人口统计学特征、CT影像学特征）。使用最小绝对值收缩和选择算子（LASSO）对影像组学特征进行筛选,保留非零系数特征;采用单因素分析及多因素Logistic回归分析筛选独立危险因素。根据筛选出的特征分别构建临床、影像组学及混合逻辑回归（LR）模型以预测早期脑出血血肿是否扩大。采用受试者工作特征曲线（ROC）及曲线下面积（AUC）对模型的预测效能进行评估。结果：从CT影像中共提取396个影像组学特征,经LASSO算法降维后筛选出7 个具有鉴别意义的影像组学特征。收集临床特征共计10 个,经单因素分析及多因素Logistic回归分析后,发现漩涡征、黑洞征、形状不规则是HE的独立危险因素（P ＜0.05）。影像组学模型、临床模型及混合模型预测效能：训练集中AUC分别为0.924、0.836和0.968,特异度分别为91.4%、81.0%和95.2%,敏感度分别为81.8%、78.4%和84.4%;验证集中AUC分别为0.919、0.796 和0.929,特异度分别为81.8%、77.5%和88.1%,敏感度分别为76.1%、64.5%和80.4%。结论：基于临床及CT影像组学特征构建的LR模型对HE具有一定的预测效能。     

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。     

CT影像组学预测胃癌不同预后组织学分型的可行性

目的: 探讨CT影像组学在胃癌不同预后组织学分型预测中的应用价值。方法: 回顾性分析570例胃癌患者的临床资料,按组织学分型分为预后较差组和预后较好组,按照2 ∶1的比例随机分为训练组和验证组。采用软件ITK SNAP从CT图像中分割胃癌原发病灶。采用多因素分析筛选出与胃癌不同预后组织学分型最大相关性的临床特征,并以此构建临床特征模型。从所有分割图像中提取特征,再使用最大相关最小冗余(mRMR)、最小绝对收缩和选择算子(LASSO)回归和逐步回归筛选出有效特征,并以此建立影像组学标签。最后,拟合影像组学标签与临床特征,构建影像组学模型,并用受试者工作特征（ROC）曲线下面积（AUC）进行性能评估。结果： 提取了985个二维图像特征,包括一阶统计量、形状特征、纹理特征等。通过去冗余特征筛选,得到5个最有效特征构建影像组学标签。3个临床特征（年龄、性别、CT M分期）作为构建临床特征模型的参数。相较于临床特征模型和影像组学标签,影像组学模型的预测性能表现最佳,影像组学模型AUC在训练组和验证组分别为0.726 2(95%CI：0.676~0.776),0.707(95%CI：0.632~0.781)。结论： CT影像组学在术前无创预测胃癌不同预后组织学分型方面具有一定的应用潜力。     

18F-FDG PET/CT影像组学预测晚期非小细胞肺癌化疗预后的价值

目的：探讨¹⁸F-FDG PET/CT影像组学特征预测晚期非小细胞肺癌(non-small cell lung cancer,NSCLC)化疗预后的价值。方法：本项目回顾性研究了146例治疗前行¹⁸F-FDG PET/CT检查的Ⅲ期、Ⅳ期NSCLC病例，全部病例在PET/CT检查后都进行了规范化化疗，按8∶2比率将病例随机分为训练组和测试组，并提取影像组学特征。在训练组中应用最小绝对收缩和选择算子(LASSO)算法和Cox风险比例回归模型分别筛选预测无进展生存(Progression-free survival,PFS)的影像组学特征和临床特征，分别建立影像组学模型、临床模型及二者结合的复合模型，计算影像组学评分(Rad-score)、临床评分及复合评分，并在测试组中进行检验。结果：LASSO算法最终筛选出4个影像组学特征，ROC结果表明：影像组学模型在训练组中预测PFS的AUC为0.746，测试组AUC为0.622。COX多因素分析共纳入了3种与PFS相关的临床特征，分别是病理类型、临床分期及MTV30。临床模型、影像组学模型及复合模型预测...     

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 ...     

基于增强CT影像组学联合临床特征预测肝细胞癌病理分化程度的应用研究

目的 探讨增强CT影像组学模型联合临床特征对术前预测肝细胞癌(HCC)的病理分化程度的应用价值。方法 回顾性分析经手术切除或病理穿刺证实为HCC的196例患者的病理学及术前增强CT影像学资料。按照WHO标准将患者分为高分化组及中-低分化组,按照7:3比例将患者随机分为训练组(137例)和验证组(59例),保存增强CT动脉期(AP)、静脉期(VP)及延迟期(DP)影像学图像,在医准-达尔文科研平台中提取并筛选各期图像的影像组学特征,应用“最大值归一化法、最优特征筛选、最小绝对收缩和选择算子(LASSO)回归”进行降维、筛选,构建动脉期+静脉期、动脉期+延迟期、静脉期+延迟期及三期联合的影像组学模型。应用单因素及多因素分析方法从临床资料中筛选具有统计学差异的危险因素并建立临床模型。用逻辑回归(Logistic)方法分析影像组学模型、临床模型及影像组学联合临床模型,使用受试者工作特征曲线(ROC)评估各模型预测肝癌病理分化程度的效能,并计算曲线下面积(AUC)、准确度、特异度及敏感度等。结果 1.在影像组学模型中,三期联合模型预测肝癌病理分化程度效能最佳,训练组及验证组曲线下面积(AUC)分...     

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。     

不同影像组学标签诊断早期肺腺癌侵袭性的比较研究

目的 探讨多视图下影像组学标签在肺腺癌侵袭性诊断的价值。方法 回顾性分析2013年11月—2018年9月经手术病理证实的220例肺腺癌患者的CT图像。从矢状面、冠状面和水平面3个视图分别提取了163个影像组学特征用于构建肺腺癌侵袭性影像组学标签。结果 不同视图下,69个影像组学特征差异具有统计学意义（P值均<0.05）。同一视图下,梯度提升决策树模型构建的影像组学标签在全集和训练集的AUC面积与LASSO模型、朴素贝叶斯模型构建的影像组学标签的AUC面积差异具有统计学意义（P<0.001,P=0.006,P=0.049,P=0.013）。结论 相较于LASSO和朴素贝叶斯模型,梯度提升决策树构建的影像组学标签诊断效能更好。梯度提升决策树联合矢状面构建的影像组学标签诊断效能高于冠状面构建的影像学组标签。