18F-FDG PET影像组学在术前预测肺腺癌脉管浸润及脏层胸膜侵犯中的应用价值

目的评估基于18F-FDG PET的影像组学模型在术前预测肺腺癌(LAC)脉管浸润(LVI)及脏层胸膜侵犯(VPI)的价值。方法对2018年8月至2022年8月期间在南京医科大学附属泰州人民医院经手术病理确诊的87例LAC患者[男42例、女45例, 年龄为(64.6±9.0)岁;共90个病灶]进行回顾性分析, 基于PET图像提取、筛选影像组学特征, 使用支持向量机(SVM)、逻辑回归(LR)、决策树(DT)和K-最近邻(KNN)算法构建机器学习模型;采用分层抽样法(Python中的StratifiedkFold函数)将数据按8∶2分成训练集和测试集, 使用5折交叉验证法验证模型性能的稳定性并绘制ROC曲线, 计算并比较AUC(Delong检验), 评价影像组学模型预测LAC LVI及VPI的价值。结果 SVM、LR、DT、KNN模型预测LAC患者LVI的训练集AUC分别为0.91、0.90、0.91、0.91, 测试集AUC为0.85、0.87、0.77、0.78;在预测VPI时, 训练集AUC分别为0.86、0.86、0.84、0.81, 测试集分别为0.82、0.80、0.69、0...     

基于胸部增强CT影像组学评估培美曲塞二钠+铂类对晚期肺腺癌化疗疗效的可行性分析

目的 探究基于晚期肺腺癌患者治疗前胸部增强CT图像构建的影像组学模型预测培美曲塞二钠+铂类化疗疗效的可行性。方法 回顾性搜集本院2018年1月至2022年11月经穿刺病理确诊仅选取培美曲塞二钠+铂类化疗的131例肺腺癌患者的临床及增强CT资料,按照7∶3的比例分层抽样法将病例分为训练集92例和测试集39例。根据实体肿瘤疗效评价标准(RECIST),将患者分为缓解组68例,未缓解组63例。提取并筛选治疗前CT图像的组学特征,并基于最终特征值采用支持向量机(SVM)、逻辑回归(LR)及高斯过程(GP)三种分类器构建影像组学模型。采用受试者工作特征曲线(ROC)和决策曲线分析(DCA)评估比较三种模型的预测能力、诊断效能及临床应用价值。结果 三种模型训练集曲线下面积(AUC)分别为0.821、0.812、0.827,测试集AUC分别为0.664、0.714、0.709,差异没有统计学意义;DCA示GP及SVM的净收益均高于LR;而训练集及测试集中GP及SVM的净收益无明显区别。结论 基于胸部增强CT的影像组学模型对培美曲塞二钠+铂类治疗晚期肺腺癌患者的化疗疗效具有可行性,且GP及SVM在一定...     

基于临床及CT影像组学特征预测肺腺癌结节北大核心CSCD

目的:探讨基于临床及影像组学特征构建机器学习模型对预测肺腺癌结节的准确性。方法:回顾性收集186例病理类型明确的肺结节患者,按病理类型分为腺体前驱病变组与腺癌组,按照7∶3比例将其分为训练集和测试集。采用3D Slicer软件对病灶容积感兴趣区(ROI)进行逐层手动勾画,通过Python软件提取影像组学特征。提取临床特征,包括人口统计学特征、临床表现、肿瘤标志物及CT影像学语义特征。选用单因素分析、最小绝对收缩和选择算子(LASSO)和逐步logistic回归分析进行特征筛选。在训练集中分别构建基于影像组学特征(模型1)及临床与影像组学特征相结合(模型2)的随机森林(LR)肺腺癌结节预测模型。通过ROC曲线及计算曲线下面积(AUC)对模型进行验证。结果:训练集130例,测试集56例。提取影像组学特征和临床特征数量分别为688个和25个。经特征筛选,共保留11个影像组学特征。临床特征中年龄、结节成分、结节最大径在训练集中组间差异显著(P<0.05)。训练集中模型1和模型2的AUC分别为0.991和0.960;测试集中模型1和模型2的AUC分别为0.913和0.884,准确率分别为0.875和0.839,精确度分别为0.872和0.824,召回率分别为0.976和1.0,F1分数为0.921和0.903。结论:基于临床及CT影像组学特征构建的RF模型能够准确预测肺腺癌结节。     

多序列MRI影像组学预测局部晚期宫颈鳞癌同步放化疗早期治疗反应的价值

目的探讨MRI影像组学模型预测局部晚期宫颈鳞癌同步放化疗早期治疗反应的价值。方法回顾性收集2013年1月至2019年6月辽宁省肿瘤医院经病理证实的367例局部晚期宫颈鳞癌(国际妇产科联合会分期为ⅡB～ⅣA期)患者, 因无法手术而接受完整的同步放化疗, 于治疗前2周内及治疗第4周末行盆腔平扫MRI、DWI及动态增强MRI, 根据实体瘤疗效评价标准1.1进行评价, 将患者分为完全缓解(CR)组(247例)和非CR组(120例)。采用随机拆分法, 按7∶3比例分为训练集(256例)和验证集(111例)。由2名医师在治疗前DWI、T2WI和增强T1WI(延迟期)图像上勾画感兴趣区, 最终形成三维容积感兴趣区。于3个单序列图像分别提取1 906个影像组学特征, 并利用特征相关分析和树模型筛选特征。使用逻辑回归(LR)、支持向量机(SVM)和随机森林(RF)3种分类器学习算法进行机器学习, 获得最佳分类器。基于最佳分类器, 建立3个单序列影像组学模型, 并采用多因素LR分析得到多序列联合模型。通过DeLong检验比较3个单序列模型与多序列联合模型的受试者操作特征曲线下面积(AUC)差异。通过决策分...     

基于肺癌放化疗前增强CT图像影像组学方法对非小细胞肺癌放化疗敏感性评估

目的 探讨基于肺癌放化疗前增强CT图像的影像组学方法对非小细胞肺癌(NSCLC)放化疗敏感性评估的价值。方法 回顾性分析自2010年11月至2019年12月北部战区总医院经病理证实为NSCLC,具有完整的放化疗前肺部增强CT影像数据的125例(共236个病灶)患者的临床资料。实体瘤疗效评价标准1.1(RECIST 1.1)作为放化疗敏感性评估的“金标准”。采用Dr.Wise多模态科研平台软件提取影像组学特征,进行特征筛选并建立影像组学标签。以随机分配原则将患者按照1∶4比例分为验证组及训练组(每组各25例),纳入其临床资料及影像组学标签,并分别采用决策树(DT)、支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)、线性支持向量(LSVM)5种分类器方法建立模型。从准确度、灵敏度、特异度及受试者工作特征曲线下面积(AUC)对5种分类器的性能进行比较并进行模型优化及验证。结果 5种分类器方法分别在五折交叉验证中建模,所建模型中最终以SVM分类器方法的AUC最高。SVM分类器模型训练组的准确度为0.82,灵敏度为0.74,特异度为0.87,AUC为0.90(95%可信区间：0.860～...     

基于MRI影像组学预测宫颈癌Ki-67表达水平

目的:开发并验证基于多参数MRI图像特征的影像组学特征预测模型对术前宫颈癌症患者的Ki-67指数状态的预测。方法:回顾性分析来自两个不同机构的91例宫颈癌患者的MRI影像及病理结果。根据术后免疫组化结果，将Ki-67指数分为高表达组(>60%)及低表达组(≤60%)。从每位患者的T₂/SPAIR、ADC和CE T₁WI图像中共提取3390个影像学特征。单变量分析和最小绝对收缩选择算子(LASSO)对影像组学特征进行降维处理，最终筛选出关键特征。采用Logistic回归、决策树、支持向量模型(SVM)方法构建模型。采用受试者操作特征(ROC)曲线分析影像组学特征的预测准确性，计算曲线下面积(AUC)。结果:91例患者中，27例Ki-67低表达，64例Ki-67高表达。最终从T₂/SPAIR、CE T₁WI、ADC图像中分别筛选出4、6、5个影像学特征。对Ki-67状态的预测，三个序列对应的模型构建方法为Logistic回归、SVM、Logistic模型，最终获得的训练组AUC分别为0.801、0...     

联合CT影像组学与深度学习特征建立列线图预测食管鳞癌放疗近期疗效

目的:探讨基于CT影像组学特征与深度学习特征建立列线图对食管癌放疗近期疗效的预测价值。方法:回顾性分析137例食管鳞癌患者的临床及影像资料。从CT图像中提取影像组学特征和深度学习特征。通过最小绝对收缩和选择算子方法分别对影像组学特征和深度学习特征进行降维并计算得到影像组学得分(Radscore)和深度学习得分(Deepscore)。采用多因素logistic回归分析建立预测模型,并绘制列线图。对列线图的校准度、诊断效能和临床价值进行评价。结果:筛选得到6个影像组学特征参与计算Radscore, 6个深度学习特征参与计算Deepscore。多因素logistic回归结果显示Radscore、Deepscore、TNM分期为联合模型的独立预测因子。联合预测模型在训练集中预测食管鳞癌患者放疗近期疗效的曲线下面积(AUC)为0.904,高于临床模型(AUC=0.662)和影像组学模型(AUC=0.814),且AUC差异均有统计学意义(P<0.001、P=0.004)。验证集中联合模型的AUC为0.938,高于临床模型(AUC=0.644)和影像组学模型(AUC=0.852),联合模型与临...     

预测DEB-TACE治疗肝细胞肝癌术后生存率的放射组学列线图

目的探讨CT放射组学列线图模型预测CalliSpheres药物洗脱微球-经导管动脉栓塞术(DEB-TACE)治疗肝细胞癌(HCC)生存期的价值。方法回顾性分析2016年1月至2018年12月经穿刺病理或临床诊断为HCC,且巴塞罗那临床肝癌B期(BCLC-B)行DEB-TACE的100例患者(训练组60例,测试组40例)。利用A.K.软件进行术前CT影像组学特征提取,并将选定的特征与相应的非零系数相乘的线性组合来计算每个患者的放射组学评分(Rad-score)。Cox回归分析与术后生存相关的独立危险因素。根据独立危险因素,共建立5个预测模型,并进行模型间AUC比较,选出最佳预测模型。以最佳预测模型生成影像组学列线图,并用校准图形法直观表示其预测符合度。结果 100例患者中,存活52例,死亡48例。肿瘤数目、GGT、Rad-score值是影响DEB-TACE治疗HCC术后生存期的独立危险因素,临床-静脉期影像组学联合模型在训练组和验证组中的AUC及准确率最高(训练组AUC=0.921,准确率84.4%;验证组AUC=0.904,准确率81.5%),为最佳模型。该模型在训练组和验证组中都显示...     

基于MRI影像组学构建新辅助放化疗后局部进展期直肠癌的预测模型

目的 探讨MRI影像组学模型、临床模型和综合模型对局部进展期直肠癌(LARC)新辅助放化疗(n CRT)疗效的预测价值。资料与方法 回顾性收集2017年1月—2021年12月在河南中医药大学第一附属医院行n CRT后行根治性手术的140例LARC患者的临床病理和影像资料,其中病理完全缓解(p CR)108例、无病理完全缓解(np CR)32例,以7∶3随机分为训练组99例和验证组41例。所有患者治疗前均行直肠MRI检查,收集、提取并筛选患者的：(1)临床特征,包括年龄、性别、癌胚抗原、糖类抗原199、血管通透性参数(K^trans、K_ep、V_e)等;(2)MRI影像组学特征;构建临床模型、影像组学模型及影像组学标签与临床特征相结合的综合模型。采用受试者工作特征曲线下面积(AUC)评估临床、影像组学和综合模型的预测效能,采用决策曲线分析法评价3种模型的临床获益情况,并构建疗效预测的诺模图。结果 训练组中,pCR和np CR患者的K_ep差异有统计学意义(t=3.862,P<0.000 1);验证组中...     

MR体素内不一致运动序列预测和评价宫颈癌放化疗效果

目的 探讨磁共振体素内不一致运动序列(IVIM)在预测和评价宫颈癌放化疗效果方面的价值.方法 对62例接受同步放化疗(放疗+同步顺铂化疗)的宫颈癌患者于治疗前、治疗后1个月分别行MRI常规序列和双指数模型的IVIM序列扫描.测量治疗前后肿瘤最大径并根据疗效进行分组,测量并比较治疗前不同疗效组间IVIM参数值差异和各组治疗前后参数值差异.结果 (1)肿瘤稳定(SD)组治疗后ADC、D值高于治疗前(P=0.016,0.001);(2)肿瘤部分缓解(PR)组治疗后ADC、D值高于治疗前(P=0.01,0.01),D*值低于治疗前(P=0.044);(3)肿瘤完全消失(CR)组治疗后ADC、D和f值均高于治疗前(P=0.000,0.000,0.03),D*值低于治疗前(P =0.011);(4)治疗前SD组ADC依次低于PR组和CR组(P =0.000,0.000),但PR组和CR组间差异无统计学意义(P =0.094);SD组D值依次低于PR组和CR组,三组间差异均有统计学意义(P =0.000,0.000,0.003);SD组D*值高于其他两组,但仅SD组和CR组间差异有统计学意义(P =0.003),SD组D*值高于PR组和CR组(P=0.000,0.004),PR组和CR组间差异无统计学意义(P =0.212).结论 宫颈癌治疗前IVIM序列有助于预测治疗效果,治疗前后IVIM参数值改变对评价治疗效果具有重要作用.     

增强MRI影像组学对肝癌微血管侵犯的预测价值

目的:探讨基于增强MRI影像组学方法对肝细胞肝癌微血管侵犯(MVI)的术前预测价值。方法:回顾性分析108例经手术病理证实为肝细胞肝癌病例的临床及增强MRI图像资料,其中MVI阳性45例,MVI阴性63例。对增强MRI动脉期(AP)、门静脉期(PVP)及延迟期(DP)图像进行影像组学特征提取,筛选最有价值的组学特征,采用五折交叉验证将样本量训练组和测试组,对训练组构建基于AP、PVP、DP及基于3期特征融合的影像组学联合逻辑回归模型,并对MVI的独立预测因子构建逻辑回归模型。选择最优影像组学模型并结合临床影像特征模型构建临床影像组学模型。所有模型结果均用五折交叉均值表示。模型采用受试者工作特征曲线(ROC)分析模型的有效性,并用测试组进一步验证。结果:MVI临床影像特征的独立预测因素包括甲胎蛋白、肿瘤最大径、瘤内动脉及包膜情况。临床影像特征模型在训练组的诊断效能ROC曲线下面积(AUC)值0.864,测试组AUC值0.843。AP、PVP、DP及3期联合模型在训练组的诊断效能AUC值分别为0.898、0.874、0.894及0.898,测试组AUC值分别为0.861、0.864、0.8...     

基于增强CT影像组学预测食管鳞癌淋巴血管侵犯状态的价值

目的:探讨基于增强CT影像组学预测食管鳞癌(ESCC)淋巴血管侵犯(LVI)的价值。方法:回顾性搜集行根治性切除术并经术后病理证实的224例食管鳞癌患者,其中包括66例LVI阳性和158例LVI阴性患者。所有患者均在术前2周内进行胸部增强CT扫描。将入组的患者按照7:3的比例随机分为训练集和测试集。使用3D Slicer软件逐层勾画全肿瘤感兴趣区(ROI),采用Python软件的Pyradiomics包提取肿瘤组织的影像组学特征,建立影像组学模型用于预测食管鳞癌的LVI状态并进行验证。采用受试者工作特征(ROC)曲线的曲线下面积(AUC)、敏感度、特异度、准确度、阳性预测值和阴性预测值来评价影像组学模型的诊断效能,使用校准曲线评价影像组学模型在训练集和测试集中的拟合程度。使用决策曲线分析(DCA)评价影像组学模型的临床应用价值。结果:从全肿瘤ROI中提取了1130个组学特征,经过筛选最终保留了7个影像组学特征,并使用多因素logistic回归建立影像组学预测模型。在训练集中,影像组学模型预测LVI的AUC值为0.930,敏感度为0.851,特异度为0.919,准确度为0.899,阳性预...     

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ADC图的影像组学模型在前列腺癌Gleason危险度分级中的诊断价值

目的 探讨基于ADC图的影像组学模型在鉴别前列腺癌Gleason危险度分级中的价值。方法 回顾性分析2019年9月至2021年12月行前列腺MRI检查并行手术或穿刺病理学证实为前列腺癌的59例患者资料(28例Gleason评分≤3+4分，31例Gleason评分≥4+3分),采用ITK-SNAP软件对患者的ADC图像进行感兴趣区(ROI)勾画，共勾画病灶73个，采用Pyradiomics方法提取纹理特征Spearman去除相关性较高的特征，最小绝对收缩和选择算法(LASSO)回归进行特征筛选，最终采用迭代的方式建立支持向量机(SVM)分类模型，筛选最优诊断模型，并进行验证，结果用曲线下面积(AUC)表示。结果 共提取94个特征，通过Spearman去除相关系数较高的72个特征后，经LASSO筛选出最佳特征10个，构建SVM最优模型，在训练集中其AUC为0.95(95%CI:0.90～1.00),经交叉验证后，在验证集中AUC为0.87(95%CI:0.72～1.00)。结论 基于ADC图的影像组学模型在鉴别前列腺癌Gleason低危组和高危组中有一定的诊断价值。     

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IDEAL-IQ的影像组学模型预测腰椎椎体低骨量的价值研究

目的 探讨基于MRI最小二乘法迭代水脂分离定量技术(IDEAL-IQ)序列的影像组学模型对识别腰椎椎体低骨量的价值。方法 搜集2019年1月至2022年2月经双能X线吸收测定法(DXA)诊断腰椎椎体低骨量的患者40例，为低骨量组，另纳入同期经DXA诊断腰椎椎体骨密度在正常参考值范围内，且年龄及性别与低骨量组相匹配的健康志愿者66名，为正常对照组，两组均接受IDEAL-IQ序列扫描。根据DXA结果，最终530个椎体符合研究标准，包括正常椎体330个椎体，低骨量椎体200个。应用MaZda软件在每个腰椎椎体上进行感兴趣区(ROI)勾画，然后提取279个影像组学特征，将530个椎体按照分层随机抽样方法以7∶3的比例分为训练集和验证集，采用两样本t检验、Mann-Whitney U检验进行特征降维，后通过LASSO回归分析从保留的特征中选择最优特征子集，建立Logistic回归(LR)、随机森林(RF)、支持向量机(SVM)模型，采用受试者工作特征曲线(ROC)、曲线下面积(AUC)、准确率、敏感度和特异度评估模型预测效能，Delong检验比较不同模型的效能。结果 在提取的279个影像组学特征...     

多序列3D-MRI影像组学对乳腺小肿块的鉴别价值

目的 基于动态增强磁共振(DCE-MRI)序列及扩散加权成像(DWI)序列构建影像组学模型,探讨其对直径≤2 cm的乳腺肿块良恶性的鉴别价值。方法 选取2019年1月至2022年8月就诊于本院122例患者,均接受MRI检查,且经测量肿块直径≤2 cm。将所有患者图像以DICOM格式上传至慧影大数据平台,使用双盲法在DWI及DCE第三期图像上逐层勾画感兴趣区(ROI),后将该病灶勾画的所有ROI融合成三维容积感兴趣区(3D-VOI)进行组学分析。按照4∶1将数据集随机分为训练集与测试集,采用逻辑回归(LR)分类器,构建DCE、DWI及DCE与DWI联合鉴别模型,以病理检查为金标准,评价三种影像组学模型的鉴别效能,并比较三种模型的曲线下面积(AUC)、准确率、特异度及敏感度。结果 根据病理结果将122例患者分为良性42例,恶性80例,以DCE构建组学模型鉴别乳腺小肿块的AUC值为0.83(0.65～1.00)、准确率67%、特异度81%、敏感度67%;以DWI构建组学模型鉴别乳腺小肿块的AUC值0.81(0.67～0.98)、准确率64%,特异度78%、敏感度75%;以DCE与DWI联合模...     

基于多参数MRI影像组学方法鉴别Ⅰ型和Ⅱ型上皮源性卵巢癌

目的 探究基于多参数MRI影像组学和机器学习方法在术前鉴别诊断Ⅰ型和Ⅱ型上皮性卵巢癌(EOC)中的价值。方法 回顾性搜集两个中心共181例EOC患者(中心一136例为训练集，中心二45例为外部验证集),其中Ⅰ型59例，Ⅱ型122例。从每例患者抑脂(FS)-T₂WI、DWI及ADC图像分别提取1130个影像组学特征。通过对四种机器学习算法的性能评价，确定了构建影像组学模型的理想算法。构建影像组学模型、临床模型和联合模型，并通过受试者工作特征(ROC)曲线分析评估诊断性能。采用DeLong检验比较曲线下面积(AUC)。结果随机森林(RF)算法是构建影像组学模型的最优算法。联合模型在外部验证集AUC为0.912(95%CI:0.820～1.000),显著优于临床模型(AUC=0.718,95%CI:0.552～0.884,P=0.036)和影像组学模型(AUC=0.810,95%CI:0.675～0.946,P=0.012)。结论 基于多参数MRI的影像组学和机器学习方法有潜力术前准确鉴别Ⅰ型和Ⅱ型EOC,并协助临床决策。     

基于MRI的临床-影像组学模型对前列腺癌根治术后生化复发的预测价值

目的构建基于MRI的临床-影像组学模型, 并探讨其对前列腺癌根治术后生化复发(BCR)的预测价值。方法回顾性分析2015年1月至2018年12月在苏州大学附属第一医院接受根治性前列腺切除术并具有完整随访数据的212例前列腺癌患者, 采用Python语言的random工具包对患者以7∶3的比例进行无放回随机采样, 分为训练集(149例)和测试集(63例)。对患者进行术后随访, 随访终点为发生BCR或至少3年, 训练集中50例患者发生BCR, 测试集中21例患者发生BCR。提取训练集患者术前T2WI、扩散加权像和表观扩散系数图中主病灶区域的影像组学特征, 采用无监督的Kmeans聚类算法进行特征筛选, 筛选出的特征采用多变量Cox回归模型进行模型拟合, 构建影像组学模型。应用单因素Cox回归分析筛选与BCR相关的术前临床资料, 联合影像组学标签(RadScore)构建临床-影像组学模型。在测试集中以患者术后3年是否发生BCR为界, 构建时间依赖性受试者操作特征(ROC)曲线, 计算曲线下面积(AUC), 评估影像组学模型、临床-影像组学模型以及根治术后前列腺癌风险评估(CAPRA-S)评分...     

基于ADC影像组学鉴别诊断儿童髓母细胞瘤与间变型室管膜瘤

【摘要】目的:基于ADC影像组学特征,结合临床基本资料、常规影像学特征,利用支持向量机（SVM）构建模型以提高儿童髓母细胞瘤与间变型室管膜瘤术前鉴别诊断准确率。方法:分析本院2011年-2020年经病理证实的髓母细胞瘤患者及间变型室管膜瘤患者临床基本资料及常规影像学特征,采用Mann-WhitneyU检验分析其年龄差异,采用Fisher精确检验比较性别及常规影像特征差异,筛选有统计学意义特征作为临床特征组。由2名经专业培训医师手动勾画肿瘤最大层面ROI,使用3dslice内部radiomicsmodel提取影像组学特征,采用一致性检验及最小绝对收缩与选择算子算法（LASSO）筛选组学特征作为组学特征组。将筛选所得的临床特征及影像组学特征作为综合组。采用SVM分别构建3个模型并利用留一法进行验证。通过受试者操作特征曲线下面积（AUC）及决策曲线（DCA）验证其鉴别诊断价值。结果:共搜集髓母细胞瘤24例,间变型室管膜瘤14例。临床特征组模型包括年龄、弥散受限及“融蜡征”（P＜0.05）,其AUC为0.920（95%CI:0.8312~1）,影像组学特征组模型AUC为0.938（95%CI:0.8666~1）,综合组模型AUC为0.979（95%CI:0.9438~1）。DCA结果显示当风险阈值＞23%时,综合组模型的临床应用价值最高。结论：基于ADC影像组学、结合发病年龄、弥散受限及“融蜡征”的SVM模型,能有效区分儿童髓母细胞瘤及间变型室管膜瘤,区分能力高达97.9%。