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...     

CT影像组学在肝细胞癌联合治疗后短期疗效的应用

  目的   探讨增强CT的影像组学模型在预测肝细胞癌（hepatocellular carcinoma,HCC）经导管肝动脉化疗栓塞（transcatheter arterial chemoembolization,TACE）联合索拉菲尼治疗后短期疗效（6个月内）中的价值。  方法   回顾性分析159例TACE联合索拉菲尼治疗的肝癌患者的临床、病理及术前CT图像,根据改良后实体瘤疗效评价标准（modified response evaluation criteria in solid tumors,mRECIST）对介入术后 6 个月肿瘤局部控制率进行评估。提取动脉期和门脉期的影像组学特征并构建影像组学模型。根据术前一般临床危险因素、基本影像特征,建立术前临床模型。将影像组学模型加入术前临床模型,组成联合模型。分别绘制3个模型的受试者工作特征曲线（ROC）,并分别计算曲线下面积（AUC）。  结果  从1 708个影像组学特征中共筛选出11个影像组学特征值建立影像组学模型,训练组及验证组模型AUC分为0.945、0.918。临床因素除了肿瘤最大径线和肿瘤数目外,差异有统计学意义（P < 0.05）,其余差异无统计学意义（P > 0.05）,二者构建的临床模型训练组及验证组的AUC分别为0.811、0.857。联合模型训练组及验证组AUC分别为0.958、0.95。  结论  影像组学模型是预测TACE联合索拉菲尼短期疗效的一个强有力的独立预测因素,能明显提高术前临床模型的预测能力,可在TACE联合索拉菲尼治疗前筛选出进展危险性较高的患者,帮助临床医生制定个性化的治疗及随访方案,改善患者预后。     

肝细胞肝癌患者首次经动脉化疗栓塞术后中重度腹痛预测模型的构建及验证

目的：分析肝细胞肝癌（hepatocellular carcinoma,HCC）患者首次经动脉化疗栓塞术（transarterial chemoembolization, TACE）治疗后发生中重度腹痛的危险因素,并构建预测模型。方法：选取2021年1月—2023年6月首次接受TACE治疗的219例 HCC患者。依据接受TACE治疗的时间先后顺序,按照7∶3将患者分为训练集（154例）和验证集（65例）。依据TACE术后是否发生中重度腹痛将训练集患者分为中重度腹痛组和无中重度腹痛组,比较两组的人口学及临床特征。采用Logistic回归分析 HCC患者首次TACE治疗后发生中重度腹痛的危险因素,并构建预测模型。采用受试者工作特性（receiver operator characteris- tic,ROC）曲线法评估模型在训练集和验证集中对 TACE 术后出现中重度腹痛的预测效能。结果：训练集 154 例中,42 例 （27.3%）HCC 患者 TACE 术后出现中重度腹痛。Logistic 回归显示,肿瘤距肝包膜距离≤1 cm（P=0.001）、碘油使用量>10 mL （P < 0.001）和使用无水酒精栓塞（P=0.007）是HCC患者首次TACE术后发生中重度腹痛的独立危险因素。预警模型为2.199× 肿瘤距肝包膜距离+2.252×碘油使用量+1.637×使用无水酒精-3.829。模型在训练集和验证集中预测中重度腹痛的ROC曲线下面积分别为0.895和0.853。结论：肿瘤距肝包膜距离≤1 cm、碘油使用量>10 mL和使用无水酒精栓塞是HCC患者首次TACE 术后发生中重度腹痛的危险因素。预测模型可为HCC患者首次TACE术后中重度腹痛管理提供依据。     

超声造影结合异常凝血酶原Ⅱ预测老年肝细胞癌患者TACE术后非完全缓解的价值探讨

目的 探讨超声造影结合异常凝血酶原Ⅱ（PIVKA-Ⅱ）预测老年肝细胞癌患者经动脉化疗栓塞(TACE）术后非完全缓解（CR）的价值。方法 选取2019年5月—2022年3月太原钢铁集团有限公司总医院收治的97例老年肝细胞癌患者为研究对象。患者接受TACE术治疗,术后7 d测定血清PIVKA-Ⅱ水平,术后3个月接受超声造影检查。根据患者TACE术后疗效情况分为CR组与非CR组。比较两组超声造影特征、血清PIVKA-Ⅱ水平及临床资料。采用多因素逐步Logistic回归模型分析老年肝细胞癌患者TACE术后非CR的影响因素。绘制受试者工作特征（ROC）曲线,以曲线下面积（AUC）评估超声造影结合PIVKA-Ⅱ的预测价值。结果 术后3个月,97例患者中33例CR,发生率34.02%,64例非CR,发生率65.98%。非CR组动脉期增强率、延迟期增强率、门静脉期增强率高于CR组（P<0.05）。非CR组肿瘤直径>5 cm例数占比高于CR组（P<0.05）。多因素逐步Logistic回归分析结果显示,动脉期增强■、延迟期增强■、门静脉期增强■、血清PIVKA-Ⅱ升高■、肿瘤直径>...     

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。     

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...     

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。     

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影像组学鉴别儿童腹膜后神经母细胞瘤和节细胞神经母细胞瘤的价值

目的 基于平扫和增强CT的影像组学分析在鉴别儿童腹膜后神经母细胞瘤（NB）和节细胞性神经母细胞瘤（GNB）中的价值。方法 纳入172例NB和48例GNB患儿,按7∶3的比例分层随机抽样划分为训练集和测试集。分别从平扫期、动脉期和静脉期CT图像中提取并筛选影像组学特征,基于最优特征子集采用多变量回归模型建立各期以及三期复合的影像组学模型,绘制模型ROC曲线,计算并比较各期模型的AUC、准确度、灵敏度及特异性等评价指标。结果 从平扫期、动脉期和静脉期CT图像中分别提取了1218个影像组学特征,最终筛选出平扫期模型4个特征、动脉期模型3个特征、静脉期模型2个特征以及三期复合模型 5 个特征。平扫期模型在训练集中的 AUC 为 0.840（95%CI: 0.778~0.902）,测试集中 AUC 为 0.804（95%CI: 0.699~ 0.899）。动脉期模型在训练集中的AUC为0.819（95%CI: 0.759~0.877）,测试集中AUC为0.815（95%CI: 0.697~0.915）。静脉期模型在训练集中的AUC为0.730（95%CI: 0.649~0.803）,测试集中AUC为0.751（95%CI: 0.619~0.869）。三期复合模型在训练集中的AUC为0.861（95%CI: 0.809~0.910）,测试集中AUC为0.827（95%CI: 0.726~0.915）。结论 基于平扫和增强CT的影像组学特征有助于区分儿童腹膜后NB和GNB,纹理特征相对于一阶直方图特征能更好的反映病灶的差异。平扫期、动脉期和静脉期影像组学模型均可较好鉴别儿童腹膜后NB和GNB。三期复合模型与平扫期、动脉期模型效能相似,但优于静脉期模型。     

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。     

基于动脉瘤形态学及影像组学特征模型预测大脑中动脉镜像动脉瘤破裂的价值

目的：探讨基于动脉瘤形态学及影像组学特征Logistic回归模型预测大脑中动脉镜像动脉瘤的价值。方法：回顾性分析2010年5月至2020年10月温州医科大学附属第一医院收治的38例大脑中动脉镜像动脉瘤患者（一侧破裂,一侧未破裂）。在破裂和未破裂的镜像动脉瘤的配对中,使用头颅CT血管造影（CTA）测量了7个形态学参数,并使用Pyradiomics提取了12个影像组学衍生形态学参数。采用单因素分析筛选动脉瘤破裂的相关因素,根据筛选出的特征构建形态学、影像组学及混合模型以预测大脑中动脉瘤是否破裂,采用受试者工作特征曲线（ROC曲线）及曲线下面积（AUC）对模型的预测效能进行评估。结果：采用单因素分析后,筛选出7个形态学参数（动脉瘤大小、垂直高度、动脉瘤高度、瘤颈、AR、SR及形状）及6个影像组学参数（Maximum3DDiameter、Maxium2DDiameterSlice、Maximum2DDiameterColumn、Maximun2DDiameterRow、SurfaceArea及SurfaceVolumeRatio）。ROC曲线分析结果表明,混合模型的AUC为0.85,高于形态学模型（AUC=0.83）及影像组学模型（AUC=0.71）。结论：基于动脉瘤形态学及影像组学特征构建的Logistic回归模型可能有助于独立于患者个体特征而评估大脑中动脉镜像动脉瘤破裂的风险。     

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。     

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...     

影像组学在混合型肝癌与肝内胆管细胞癌鉴别诊断中的价值

目的探讨影像组学(radiomics)在鉴别诊断混合型肝癌与肝内胆管细胞癌中的价值。方法回顾性分析混合型肝癌(58例)与肝内胆管细胞癌(117例)的资料。筛选临床危险因素并建立临床模型。从动脉期CT影像提取radiomics特征,建立radiomics模型。用多因素logistic回归方法,将radiomics特征与临床危险因素纳入综合模型。依据鉴别效能和临床有用性,选择最佳模型。结果 radiomics模型的曲线下面积(AUC)低于临床模型。包含radiomics特征与临床因素的综合模型鉴别效能最佳(训练组:AUC=0.925;验证组:AUC=0.901)。结论 radiomics可以提高临床危险因素在鉴别混合型肝癌与肝内胆管细胞癌中的效能。     

基于增强CT不同影像组学模型术前预测食管鳞状细胞癌分化的应用

目的采用增强CT图像、不同机器学习模型建立食管鳞状细胞癌术前病理分化的影像组学模型,探讨影像组学模型术前预测食管鳞状细胞癌分化的可行性及价值。方法回顾性分析172例术后病理结果为食管鳞状细胞癌病例,分为分化良好组和分化不良组。将其增强CT图像以DICOM格式导入医准-达尔文系统,按3∶1随机分为训练集和测试集,提取静脉期CT图像的影像组学特征,应用最小最大值归一化法、最优特征筛选和最小绝对收缩和选择算子(LASSO)回归对其进行降维、筛选,分别构建支持向量机、随机森林和Logistic回归模型,利用5倍交叉验证对三种模型进行训练,绘制三种模型训练集和测试集ROC曲线,评估其诊断效能。结果三种影像组学模型的AUC均大于0.7,支持向量机模型AUC最高,AUC为0.88。不同分化组的临床炎性指标差异无统计学意义(P0.05)。训练集和测试集临床特征差异无统计学意义(P0.05)。结论基于增强CT三种影像组学模型可用于术前预测食管鳞状细胞癌病理分化程度。     

肝细胞癌与肝局灶性结节性增生螺旋CT多期动态增强扫描表现对比分析

目的:探讨肝细胞癌与肝局灶性结节性增生(FNH)CT鉴别诊断。方法:回顾性分析经病理证实的肝细胞癌20例,FNH 10例,对螺旋CT多期动态(动脉期、门脉期及延迟期)增强扫描的CT表现进行对照分析。结果:肝细胞癌在增强扫描过程中为动脉期不均匀强化,而门脉期较周围正常肝组织密度低,无延迟强化(16/20)。FNH为动脉期除瘢痕外呈明显均一强化,门脉期强化幅度降低,延迟期呈等密度为主;中央瘢痕在动脉期及门静脉期未见明显强化呈低密度,而在延迟期强化(6/10)。结论:螺旋CT多期动态增强扫描是鉴别诊断肝细胞癌和FNH的关键技术,两种病理基础强化方式的差别是其影像诊断的重要依据。     

预测浸润性乳腺癌无病生存期的临床影像融合模型研究

目的 构建术前临床影像组学融合模型,探讨其预测浸润性乳腺癌无病生存期的效能。方法 收集2015年7月至2017年5月浙江中医药大学附属第一医院术前接受乳腺动态增强MRI检查的浸润性乳腺癌女性患者131例。按照7∶3的比例随机分为训练集91例与内部验证集40例。从肿瘤和瘤体向外扩5mm区域分别提取原始肿块和瘤内加瘤周的影像组学特征。运用F检验及logistic回归分析对影像组学特征进行缩减后,分别建立影像组学模型。采用多因素Cox比例风险模型分析临床病理风险因素与无病生存期的关系,并确定有效的预测因素建立临床模型。将最优影像组学模型的影像组学评分（Radscore）和独立临床病理风险因素结合建立融合模型。采用ROC曲线评估影像组学模型和融合模型的预测效能。结果 在验证集中,临床模型、原始肿块影像组学模型、瘤内加瘤周影像组学模型及融合模型的AUC(95%CI)分别为0.791(0.690～0.893)、0.898(0.839～0.956)、0.930(0.878～0.983)、0.969(0.941～0.996),灵敏度分别为0.789、0.895、0.842、0.947,特异度分别为0....     

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。     

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。