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。     

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。     

肝纤维化无创诊断模型的建立与评价

目的利用临床常规指标建立慢性肝炎肝纤维化预测模型，寻找肝穿活检的非创性替代手段。方法采用Logistic回归等方法分析208例慢性肝炎患者的临床常规指标与肝组织活检结果（S0-S1为轻度肝纤维化，S2-S4为明显肝纤维化）的关系，建立肝纤维化诊断模型，受试者工作特征曲线（ROC）、敏感性、特异性等验证模型的预测价值。结果⑴血清透明质酸（HA， OR=1.027，95%CI：1.016-1.039）、血小板（PLT，OR=0.961，95%CI：0.946-0.977）和血清白蛋白（ALB，OR=0.834，95%CI：0.759-0.915）是预测肝纤维化严重程度的独立指标。⑵诊断模型：预报概率（PS2-S4）=。⑶模型的ROC曲线下面积（0.877）大于HA（0.769）、PLT（0.738）和ALB（0.734）三个单独指标的任一指标。PS2-S4、HA、PLT和ALB预测明显肝纤维化的敏感性分别是0.807、0.807、0.726和0.578，特异性分别是0.781、0.671、0.685和0.822。结论 HA、PLT和ALB是诊断慢性肝纤维化的非创伤性指标，以此3个指标建立的预测模型能较准确地区分轻度肝纤维化和明显肝纤维化。     

基于术前脾脏CT影像组学列线图预测胃癌的浆膜浸润

目的：联合临床检验指标及影像学特征构建一种能够术前识别胃癌浆膜浸润的模型。方法：选取2015年1月至2019年12月温州医科大学附属第一医院经病理证实的656例胃癌患者,采用随机数字表法分为建模组（394例）和验证组（262例）。收集建模组患者的脾脏影像学资料,对收集的数据进行套索回归并选取差异有统计学意义的特征来构建浆膜浸润预测模型。在最大约登指数下取肿瘤浸润风险评分截断值将患者分为高危组（238例）和低危组（418例）,然后与其他浸润相关因素如BMI、年龄、性别、高血压、糖尿病等进行单变量和多变量Logistic回归分析,结合显著的独立影响因素共同建立可视化的浆膜浸润预测列线图。结果：将患者以肿瘤浸润评分≤-0.335分为低危组,＞-0.335为高危组,经验证组验证,建模组和验证组的诊断准确性较为一致（P＜0.001）。经浸润影响因素的单变量和多变量Logistic回归分析发现,影像组学肿瘤浸润评分（OR=2.9,95%CI=2.1～4.2,P＜0.001）、术前低白蛋白（OR=1.3,95%CI=1.2～3.1,P=0.003）、血小板与淋巴细胞比值（OR=1.8,95%CI=1.2～2.7,P=0.004）、肿瘤分化程度（OR=2.6,95%CI= 1.8～3.7,P＜0.001）是浆膜浸润的独立影响因素。基于这4个指标建立的预测模型能够较为准确地预测浆膜浸润风险,其AUC值为0.733。结论：基于脾脏影像的肿瘤浸润评分联合其他临床因素可准确预测胃癌浆膜浸润与否,提高诊断精度。     

基于影像组学参数评估376例幕上自发性脑出血患者的功能状态

目的 探讨基于首次平扫CT的影像组学列线图模型对幕上自发性脑出血患者90 d功能状态的预测价值。方法 回顾性分析幕上自发性脑出血(sICH)患者376例,根据90 d改良Rankin量表(mRS)评分结果将患者分为预后不良组121例(mRS评分为4～6分)和预后良好组255例(mRS评分为0～3分)。从首次平扫CT提取影像组学特征,计算影像组学评分(Rad-score)并构建影像组学模型。分析筛选临床因素用于构建临床模型,并结合Rad-score构建列线图模型。分析比较上述3种模型的预测效能。结果 最终筛选出20个特征用于构建影像组学模型,临床模型由年龄(OR=1.045,95%CI:1.023～1.066)、格拉斯哥昏迷评分GCS≤8(OR=4.128,95%CI:2.161～7.887)、血肿破入脑室(OR=3.071,95%CI:1.744～5.408)和血肿体积>30 mL(OR=5.802,95%CI:3.327～10.117)构成。在训练集,列线图模型的曲线下面积(0.892)高于临床模型(0.814)及影像组学模型(0.862),差异有统计学意义(Z值分别为3.35...     

CT影像组学识别非酒精性脂肪性肝炎的应用研究

目的 构建并验证基于CT的全肝影像组学模型用于识别非酒精性脂肪性肝炎（non-alcoholic steatohepatitis,NASH）。方法 回顾性选取2018年6月至2022年12月浙江省人民医院收治的122例非酒精性脂肪性肝病患者,其中NASH患者52例。将纳入患者按7：3比例随机分为训练组（n=85）和测试组（n=37）,选取每例患者的肝脏平扫图像提取影像组学特征,对训练组提取的特征进行降维并建立影像组学标签,之后联合相关临床特征构建联合预测模型用于识别NASH患者,使用受试者操作特征曲线及测试组数据评估模型的诊断效能。结果 联合预测模型基于年龄和影像组学标签构建,该模型在训练组和测试组中识别NASH患者的诊断效能分别为0.899和0.880,特异性分别为91.2%和88.1%,敏感度分别为86.7%和88.2%。校准曲线在训练组和测试组中也显示出良好的校准性能。结论 基于肝脏CT的影像组学模型可定量评估NASH,有望为临床提供一种无创性评价工具。     

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影像组学模型在小细胞肺癌与非小细胞肺癌鉴别的价值

目的 探讨肺癌CT影像组学特征用于鉴别小细胞肺癌(small cell lung cancer,SCLC)和非小细胞肺癌(non-small cell lung cancer,NSCLC)的价值.方法 回顾性分析经2010-01/2020-12年来自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的89例肺癌患者的临床和影像资料的病理证实,其中SCLC 24例,NSCLC 65例.采用Python语言PyRadiomics软件包提取影像组学特征,使用最大相关-最小冗余(max-relevance and minredundancy,mRMR)算法和最小绝对收缩和选择算法(least absolute shrinkage and selection operator,LASSO)回归分析筛选影像组学特征.利用多变量Logistic回归构建预测模型,应用受试者工作特征曲线(receiver operating characteristic curve,ROC)评价预测模型的诊断效能,联合影像组学标签与临床特征构建列线图.结果 从所提取的788种影像组学特征中,最终筛选了其中8种重要特征用于构建影像组学模型.训练组、测试组影像组学模型鉴别SCLC与NSCLC的ROC曲线下面积(area under the curve,AUC)分别为0.93(95％CI:0.85～1.00)、0.92(95％CI:0.80～1.00).联合诊断模型在测试组的诊断效能(AUC=0.93,95％CI:0.84～1.00)高于临床预测模型(AUC=0.73,95％CI:0.52～0.93)和影像组学模型(AUC=0.92,95％CI:0.80～1.00).结论 基于CT平扫的影像组学模型鉴别SCLC与NSCLC有较高的诊断效能,结合患者临床资料的联合模型较影像组学模型有更高的诊断效能.     

基于临床及影像组学构建中轴性脊柱关节病支持向量机预测模型

目的：基于临床及影像组学采用支持向量机（SVM）构建中轴性脊柱关节病（ax Sp A）的预测模型。方法：回顾性收集2012年10月至2019年2月在温州医科大学附属第一医院就诊的568例腰背痛患者,最终诊断axSpA 319例,非axSpA 249例。按7:3将患者随机分为训练组与验证组。于骶髂关节CT上手动勾画三维感兴趣区（VOI）并提取影像组学特征,应用最小冗余最大相关性（mRMR）及最小绝对收缩和选择算子（LASSO）算法进行降维及选择最优影像组学特征;采用单因素和多因素Logistic回归分析寻找诊断axSpA的临床危险因素。最后使用SVM分别构建临床、影像组学及临床-影像组学联合模型,利用受试者工作特征（ROC）曲线及Delong检验评估模型的诊断效能。结果：临床-影像组学联合模型在验证组中具有最佳诊断效能,诊断准确性为0.83,灵敏度和特异度分别为85.2%、79.7%,其ROC曲线下面积（AUC=0.91）高于临床模型（AUC=0.81）及影像组学模型（AUC=0.83）,差异均有统计学意义（P<0.05）。结论：基于临床和影像组学构建SVM模型对诊断axSpA具有...     

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。     

影像组学在预测非小细胞肺癌分子标志物P63中的应用价值

目的：建立基于非小细胞肺癌(non-small cell lung cancer,NSCLC)肿瘤CT图像的影像组学模型,预测NSCLC 分子标志物P63的表达状态。方法：回顾性分析2014年1月至2018年3月接受CT扫描的245例NSCLC患者。患者均经组 织病理学检查确诊,并在CT检查后2周内进行P63表达状态检测。通过MaZda软件提取CT平扫图像的影像组学特征, 并且定义肿瘤CT图像的主观影像征象。使用Lasso-logistic回归模型进行特征筛选并分别建立影像组学模型、主观影像 征象模型及融合诊断模型。通过受试者操作特征(receiver operator characteristic,ROC)曲线评估每个模型的预测性能, 并采用Delong检验进行比较。结果：在245例患者中,P63阳性96例,P63阴性149例。主观影像征象模型由6个影像征 象组成。通过特征选择,影像组学模型包括8个影像组学特征。主观影像征象模型和影像组学模型预测P63表达状态 的ROC曲线下面积分别为0.700和0.755,二者差异无统计学意义(P>0.05)。融合诊断模型较另2种模型具有最佳预测能 力,ROC曲线下面积为 0.817(P<0.01)。结论：基于CT图像的影像组学模型可以预测NSCLC分子标志物P63的表达状 态;融合影像组学特征和主观影像征象的诊断模型可以显著提高模型的预测性能,有助于无创性了解肺癌细胞分子 水平信息。     

术前营养状况对胆道闭锁Kasai术后自体肝生存的影响

目的:评估胆道闭锁（BA）患儿的营养状况,探讨术前营养不良对Kasai术后自体肝生存的影响。方法:回顾性收集93例行Kasai手术BA患儿临床资料并进行营养状况评估。采用多因素回归分析筛选影响Kasai术后24个月自体肝生存的因素,评估营养不良对24个月自体肝生存的预测价值。结果:93例患儿出现营养不良23例（24.7%）,多因素回归模型显示肝纤维化分级（OR=10.803）、术前总胆红素（TB）（OR=1.005）、术后1周γ-谷氨酰转肽酶(γ-GT）（OR=1.002,95%CI:1.000～1.003）、营养不良（OR=4.026,95%CI:2.091～7.751）、肝功能恢复（OR=0.124,95%CI:0.050～0.307）及黄疸清除（OR=0.334,95%CI:0.147～0.757）为24个月自体肝生存的独立影响因素（均P<0.05）。术前营养不良对24个月自体肝生存的特异度最高（94.9%）,但敏感性较低（38.9%）。结论:BA患儿术前营养不良可能与Kasai术时日龄大及肝脏纤维化分级高相关,并影响Kasai术后的自体肝生存时间。     

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。     

维持性血液透析病人衰弱发生风险列线图模型的构建

目的：分析维持性血液透析病人衰弱发生的影响因素,并建立衰弱发生风险的列线图模型。方法：采用便利抽样法选取维持性血液透析病人222例,根据是否发生衰弱分为衰弱组(n=85)和非衰弱组(n=137)。采用单因素与多因素logistic回归模型筛选影响维持性血液透析病人衰弱的危险因素。采用Bootstrap进行模型内部验证。使用受试者工作曲线、Homster-Lemeshow拟合度检验合并校准曲线图、临床决策曲线图分别对模型进行性能评价。结果：222例维持性血液透析病人中发生衰弱共85例,衰弱发生率为38.3%。logistic回归分析表明,年龄≥60岁(OR=3.460,95%CI:1.775～6.747)、透析并发症个数(OR=1.644,95%CI:1.192～2.268)、白蛋白水平(OR=0.904,95%CI:0.838～0.976)、锻炼(OR=0.567,95%CI:0.430～0.748)、夜间睡眠时间(OR=0.488,95%CI:0.325～0.731)均是维持性血液透析病人衰弱发生的独立危险因素(P<0.05～P<0.01)。基于5项独立危险因素建立MHD...     

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。     

基于钆塞酸二钠增强磁共振成像影像组学定量评估肝硬化患者肝脏储备功能的应用价值

目的利用影像组学技术探究基于钆塞酸二钠增强磁共振成像(MRI)肝胆期图像的影像组学特征与肝硬化Child-Pugh分级的相关性,创建列线图预测模型并评价其对肝硬化患者肝脏储备功能的预测价值。方法收集符合纳入标准的100例肝硬化患者,按照Child-Pugh分级标准分成52例Child-Pugh A级患者和48例Child-Pugh B+C级患者,并分别按照7∶3的比例随机分成训练集和测试集。采用AK软件提取训练集患者的钆塞酸二钠增强MRI肝胆期图像的影像组学特征,采用最小绝对收缩与选择算子算法特征选择算法对数据进行降维、特征选择和构建影像组学标签。根据影像组学标签创建预测肝脏储备功能Child-Pugh B+C级的列线图预测模型,将该模型分别应用于训练集和测试集中,并利用受试者工作特征(ROC)曲线定量评估其诊断效能。结果经过对利用AK软件提取的396个纹理特征参数进行降维筛选,最终得到7个影像组学特征参数。根据以上特征建立构建影像组学标签并创建列线图预测模型。通过Wilcoxon秩和检验统计分析训练集和测试集中的Child-Pugh A级和Child-Pugh B+C级的影像组学标签...