影像组学模型对自发性脑出血早期血肿扩大的预测及与常规影像征象的比较

目的:探讨基于CT平扫图像的影像组学模型在预测自发性脑出血患者早期血肿扩大时的价值,并与常规影像征象预测效能进行比较.方法:回顾性分析2015年6月至2019年2月苏北人民医院209例自发性脑出血患者,发病6 h以内均行首次头颅CT检查及24 h内头颅CT复查,根据复查CT结果变化分为血肿扩大组(71例)和未扩大组(1...     

脑血管CTA预测高血压脑出血患者血肿扩大的临床分析

 目的 分析脑血管CTA检查中造影剂外渗与急性期高血压脑出血血肿扩大的关系。 方法 63例急性期高血压脑出血患者入院后行头颅CT及脑血管CTA检查,24 h后复查头颅CT,观察造影剂外渗情况,分析脑 血管CTA检查过程中造影剂外渗与血肿扩大的关系。 结果 血肿扩大组11例(17.46%),血肿无扩大组52例 (82.54%)。血肿扩大11例患者中造影剂外渗者9例,CTA阳性预测血肿扩大准确率81.82%,造影剂外渗患者血肿量增加（27.63 ±11.52）ml,造影剂无外渗患者血肿量增加（3.12±1.48）ml（ P =0.006）,血肿扩大组血肿量增加（20.18±12.27） ml,血肿无扩大组出血量增加（1.59±1.05） ml（ P =0.027）。 结论 在脑血管CTA检查中,造影剂外 渗与急性期高血压脑出血血肿扩大有明显相关性,可预测高血压脑出血血肿扩大情况。     

临床及CT平扫特征列线图预测幕上脑实质出血早期血肿扩大的价值

目的:评价临床及CT平扫特征构建的列线图模型预测幕上脑实质出血早期血肿扩大(HE)的价值。方法:回顾性分析291例幕上脑出血患者的临床资料及CT征象。根据HE的发展,将患者分为HE组(n=131)和非HE组(n=160),按7∶3比例采用随机分层抽样将患者分为训练集(n=204)和验证集(n=87),比较两组患者的临床资料和CT征象,采用单因素及多因素Logistic回归分析筛选独立危险因素,并构建列线图预测模型。分别使用受试者操作特征(ROC)曲线及曲线下面积(AUC)、校准曲线和临床影响曲线(CIC)评估模型的区分度、校准度和临床实用性。结果:空腹血糖、黑洞征、漩涡征、混杂征是HE的独立危险因素(P均<0.05)。列线图模型在训练集、验证集AUC分别为0.787(95%CI:0.723～0.851)、0.716(95%CI:0.594～0.839)。Hosmer-Lemeshow拟合优度检验显示,模型的预测结果与实际结果差异无统计学意义(χ²=9.007,P=0.342,R²=0.328)。校准曲线显示模型的拟合效果较好。CIC显示...     

基于CT放射组学的机器学习模型预测肺腺癌气腔播散的研究

目的 探讨基于术前CT放射组学的机器学习模型预测肺腺癌气腔播散(STAS)的价值。方法 回顾性分析829例病理证实为肺腺癌并且术前3个月行CT检查的患者资料。在中心Ⅰ的709例患者中，采用单因素分析比较STAS状态与临床及放射组学特征间的差异(P<0.05)。随机从中心Ⅰ的578例STAS阴性患者中，选取25%(150例)与131例STAS阳性患者构建放射组学信号。采用10折叠交叉验证(10-fold cross-validation)套索回归(LASSO)进一步特征筛选并用多元Logstic回归建立放射组学信号。将中心Ⅰ患者按0.7∶0.3比例分为训练集及内部验证集。在训练集中用利用放射组学信号和差异有统计学意义的临床特征采用多因素Logstic回归建立预测模型并绘制列线图(Nomogram)。以中心Ⅱ的120例患者作为测试集检验模型的预测效能。结果 多因素Logistics回归结果表明性别和组学分数为独立危险因素。联合模型的在训练集曲线下面积(AUC)为0.84(90%CI:0.80～0.88),在内部验证集和外部测试集的AUC分别为0.83(95%CI:0.78～0.90)...     

“渗漏征”预测脑出血早期血肿扩大的临床应用

目的 探讨颅脑CT增强扫描渗漏征对预测脑出血(intracerebral hemorrhages,ICH)早期血肿扩大的临床应用价值。方法 选取6 h内ICH基线CT平扫血肿内存在混合征、岛征血肿扩大危险因素患者,行CT增强动脉期及延迟3min扫描,根据是否存在渗漏征分为阳性组和阴性组;检验两位医师影像特征判读一致性;收集临床资料进行组间比较及差异性分析;对早期血肿扩大影响因素进行Logistic回归分析;分析渗漏征预测血肿扩大的临床价值。结果 两位医师对影像特征的判读结果有较高的一致性;渗漏征阳性组和阴性组患者入院GCS评分有统计学意义;血肿扩大在GCS评分、混合征、岛征、渗漏征差异有统计学意义; Logistic回归分析显示混合征、岛征及渗漏征均为早期血肿扩大的主要危险因素;渗漏征阳性组复诊血肿体积显著高于初诊血肿体积;渗漏征预测血肿扩大的敏感性为95. 74%,特异性为98. 00%。结论 渗漏征预测ICH早期血肿扩大具有较高临床应用价值。     

基于卷积神经网络的深度学习算法对颅内出血的类型识别及血肿分割一致性的研究

目的:开发一种可以检测不同类型颅内出血并自动计算血肿体积的基于卷积神经网络的深度学习算法,探讨其识别的准确性及血肿分割的一致性.方法:数据集1纳入9594例颅脑CT平扫图像,随机选取223例颅内出血阳性患者作为颅内出血类型识别的测试集,剩余CT图像作为其训练集,评估测试集中算法识别五种不同类型颅内出血的效能.数据集2选...     

影像学预测自发性脑出血血肿扩大的研究进展

【摘要】自发性脑出血具有起病急骤、病情凶险、预后不良且死亡率高的特点,血肿扩大是脑出血患者预后不良的主要因素之一,预测早期血肿扩大可以为临床制订合理的治疗决策提供支持。近年来预测血肿扩大的相关研究逐渐增多,主要涉及基于CT平扫、脑血管CTA和MRI征象、以及基于影像组学模型来进行预测。本文对血肿扩大的机制、影像特征及影像组学的研究进展进行综述。     

CT低剂量灌注成像“动态点征”对急性脑出血血肿扩大的预测价值

目的探讨320排CT低剂量灌注成像"动态点征"对急性脑出血血肿扩大的预测价值。方法 48例发病在6h内的急性脑出血患者行基线CT平扫以及320排CT低剂量灌注成像检查,24h内复查CT,根据血肿体积变化分为血肿扩大组和无血肿扩大组,由两位有经验的影像科医师对"动态点征"进行观察,比较两组间"动态点征"比例的差异。结果48例急性脑出血患者中有18例出现血肿扩大,低剂量CT灌注成像发现16例"动态点征",其中有13例出现血肿扩大,3例无血肿扩大。两组间"动态点征"比例的差异有统计学意义(χ~2=16.9,P0.001)。"动态点征"预测急性脑出血血肿扩大的灵敏度为72.2%、特异度为90.0%、阳性预测值81.3%、阴性预测值84.4%。结论 320排CT低剂量灌注成像"动态点征"可以预测急性脑出血血肿扩大的风险,为临床治疗方案的选择提供更为丰富信息。     

高血压脑出血CT影像与临床预后关系的前瞻性研究

目的 探讨CT影像在高血压脑出血风险预测及预后评估中的价值.方法 前瞻性录入42例连续的急性高血压脑出血患者入院时临床资料及颅脑CT影像特征,随访患者发病3个月的生存质量(做mRS评分)和总体认知功能(做MMSE评分),对CT影像特征与临床预后的关系进行单因素和多因素分析.结果 血肿体积、血肿周围水肿体积是发病14 d神经功能缺损程度的预测因素;年龄、血肿体积和首次NIHSS评分是发病3个月预后不良的独立风险预测因素;出血量超过10 ml神经组织的损伤程度及对预后的影响将明显增加;发病年龄是认知功能障碍的预测因素.结论 CT影像特征可作为高血压脑出血疾病转归的评价指标,可为高血压脑出血早期治疗及预后评估提供影像学依据.     

CT导引下超早期引流与开颅治疗高血压脑出血的对比研究

目的:回顾性分析CT导引下超早期细孔钻颅引流术和开颅术2种不同术式治疗高血压脑出血的疗效。方法:收集2007年4月²012年8月在我院分别接受CT导引下血肿细孔钻颅引流尿激酶溶解术67例和开颅血肿清除术64例的高血压脑出血患者资料(出血量在102012年8月在我院分别接受CT导引下血肿细孔钻颅引流尿激酶溶解术67例和开颅血肿清除术64例的高血压脑出血患者资料(出血量在10¹60ml),对2组的年龄、出血量、死亡率、肢体瘫痪、语言障碍、植物状态进行比较。结果:2组年龄、脑出血量差异无统计学意义(P>0.05),肢体瘫痪、语言障碍、死亡率、植物状态有明显差异。结论:高血压脑出血CT导引下钻孔引流尿激酶溶解术的疗效明显优于开颅术。     

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...     

高血压性脑出血患者发病24h内血肿扩大的危险因素分析:一项单中心256例回顾性研究

目的研究发病24h内的急性高血压性脑出血(AHCH)患者发生血肿扩大的危险因素。方法回顾性分析2008年3月-2013年3月广东省中医院符合纳入排除标准的AHCH患者256例的病例资料。收集患者的一般情况、既往病史、个人史、临床特点、CT检查结果、实验室检查指标、活血化瘀类中药使用情况。根据血肿扩大与否分为血肿扩大组与非血肿扩大组。首先对各项指标进行单因素分析,然后将经过单因素分析有统计学意义的因素作为自变量,血肿扩大结果作为因变量,采用多因素logistic回归分析法分析脑出血患者早期血肿扩大的独立相关因素。将各危险因素和血肿扩大作为自变量,3个月随访时以m RS(modified Rankin Scale)量表作为因变量,采用logistic回归分析急性期血肿扩大是否影响患者3个月的预后。m RS 0~2级为恢复良好,3~6级为严重致残或死亡。检验水准取α=0.05。结果 256例患者中,有43例发生了血肿扩大,血肿扩大发生率为16.80%。单因素分析结果显示,男性、入院GCS评分、入院NIHSS评分、病程、天冬氨酸转氨酶(AST)是导致血肿扩大的危险因素,而多因素分析则显示,仅男性、病程是导致血肿扩大的独立危险因素。此外,logistic回归分析结果显示血肿扩大是影响患者结局的独立危险因素,入院时血肿体积、病程、NIHSS评分也是影响患者3个月随访结局的独立危险因素。结论男性、发病到入院时间较短(2h内)的患者应警惕血肿扩大的风险,而出血量大、血肿再次扩大、高NIHSS评分、发病时间短则提示患者预后不良。     

脑出血早期血肿扩大危险因素分析

目的：探讨脑出血后早期血肿扩大的各种危险因素的相关性。方法前瞻性登记四川省人民医院就诊的所有神经内科、神经外科的脑出血患者。纳入发病24h以内入院接受治疗的自发性脑出血患者,详细收集所有与早期血肿扩大相关的指标,根据血肿是否扩大,将患者分为血肿扩大组（HE）及非血肿扩大组（non-HE,NHE）。结果多因素回归分析结果显示,血肿形态是自发性脑出血患者血肿扩大的独立危险因素,而发病6h内CT检查结果则是判断血肿扩大危险因素的重要依据。结论自发性脑出血患者发病6h内CT检查提示血肿形态越不规则,发生血肿扩大的几率越高。     

非小细胞肺癌患者预后生存时间范围的机器学习预测模型研究

【摘要】目的：开发并验证一种基于CT影像组学及形态学特征对非小细胞肺癌患者预后生存时间范围进行预测的机器学习分类模型。方法：在癌症影像数据库（TCIA）中下载lung1数据集,选取符合条件的243例周围型非小细胞肺癌患者,根据截止生存时间将患者分为两组（1组为生存期≤3年,2组为生存期＞3年）。在每个病灶中提取1037个影像组学特征,采用最小绝对收缩和选择算子（LASSO）算法进行特征筛选。记录每个病灶的形态学特征,运用t检验和卡方检验进行筛选。将两者结合起来,运用Logistic回归、随机森林、AdaBoost、高斯朴素贝叶斯、神经网络这5种机器学习分类方法建立预测模型,采用受试者工作特征（ROC）曲线评价5种预测模型的效能,并选出最优模型。最后使用广州中医院大学第一附属医院搜集的77例患者数据进行外部验证。结果：高斯朴素贝叶斯分类预测模型是本研究中最好的模型,稳定性相对较好,在所有模型中,运用此模型的AUC值在训练集和验证集中均较高。经过外部验证,该模型在训练集的AUC值为0.735,敏感度为0.685,特异度为0.700;测试集AUC值为0.771,敏感度为0.571,特异度为0.898。结论：CT影像组学结合形态学特征的机器学习分类模型能较准确地对NSCLC患者的预后生存时间范围进行预测。     

基于增强CT影像组学模型预测膀胱尿路上皮癌组织学分级

目的 构建基于增强CT影像组学模型用于术前预测膀胱尿路上皮癌（BUC）的组织学分级。资料与方法 回顾性分析2016年11月—2020年9月广州市第一人民医院127例经病理证实的高级别尿路上皮癌和低级别尿路上皮癌,随机分为训练集89例和验证集38例。在平扫、动脉期、静脉期CT图像上提取病灶影像组学特征。使用Logistic回归构建影像组学预测模型,绘制受试者工作特征曲线,并计算曲线下面积评价模型预测BUC组织学分级的效能,采用决策曲线评价模型鉴别高级别尿路上皮癌和低级别尿路上皮癌的净获益。结果 基于每例患者的三期CT图像共提取出5 202个影像组学特征,经过特征筛选后最终得到20个特征用于构建预测模型。模型在训练集及验证集中诊断BUC组织学分级的曲线下面积分别为0.90(95%CI0.83～0.96)和0.93(95%CI 0.85～1.00)。结论 基于增强CT影像组学构建的模型术前预测BUC组织学分级具有良好的诊断效能。     

基于多尺度层级化注意力模型的脑血肿分割算法

目的 针对脑组织结构影像研究可准确、稳定识别和分割出潜在脑血肿图像的自动分割算法.方法 提出了一种多尺度层级化注意力U型网络(MHA-Unet),嵌入空间金字塔池化层级化注意力(SPP-HA)模块.采用来自452例患者的大脑CT图像数据集,其中训练数据集7727张,测试数据集496张,分别用于网络训练、验证和测试.此外...     

不同平扫CT征象在预测脑出血血肿扩大中价值的比较研究

目的 比较平扫CT“漩涡征”、“黑洞征”、“混杂征”、“海岛征”、“卫星征”及联合征象在脑出血患者血肿扩大中的预测价值，筛选出应用价值更大的平扫CT征象。方法 选择2016年1月至2019年12月在苏州大学附属第二医院神经外科或神经内科首诊并住院治疗的544例脑出血患者纳入研究。根据有无出现血肿扩大将患者分为血肿扩大组与血肿未扩大组并进行组间比较，将组间比较差异有统计学意义的变量纳入多因素Logistic回归分析，明确血肿扩大的独立预测因素；根据征象的有无再将患者分为征象阳性组与征象阴性组，分别比较不同组别患者的影像学特征。运用受试者工作特征(ROC)曲线分析“漩涡征”,“黑洞征”,“混杂征”,“海岛征”,“卫星征”及其联合征象预测血肿扩大的准确性。结果 167例血肿扩大的患者中，出现“漩涡征”94例(56.3%),“黑洞征”28例(16.8%),“混杂征”40例(24.0%),“海岛征”33例(19.8%),“卫星征”58例(34.7%),“联合征象1”40例(23.9%),“联合征象2”30例(17.9%);377例血肿未扩大的患者中，“漩涡征”152例(40.3%),“黑洞征”5...     

结合瘤周影像组学建立磨玻璃结节手术切除预测模型

目的 融合肺磨玻璃结节(GGN)瘤内及瘤周影像组学特征,并与临床模型相结合建立GGN手术切除预测模型。方法 回顾性搜集311例肺GGN患者CT图像,包括良性/腺体前驱病变121例,肺腺癌(微浸润腺癌/浸润性肺腺癌)190例。对GGN行手动分割获得瘤内ROI,使用膨胀算法外扩3 mm获得瘤周ROI,分别提取影像组学特征。按照7∶3比例随机划分训练集(217例)与验证集(94例),使用支持向量机构建瘤内组学模型、瘤周组学模型及融合组学模型。选取其中表现最好的模型与临床模型相结合,建立GGN手术切除预测模型。使用曲线下面积(AUC)、准确率、敏感度、特异度评价各模型预测效能,DeLong检验用于比较各模型AUC差异,使用决策曲线评估各模型的临床应用。结果 瘤内组学模型训练集AUC值为0.805(95%CI:0.745～0.866),验证集AUC值为0.787(95%CI:0.696～0.878);瘤周组学模型训练集AUC值为0.727(95%CI:0.655～0.799),验证集AUC值为0.759(95%CI:0.653～0.866);融合组学模型训练集AUC值为0.827 (95%CI:...     

肿瘤分割策略对机器学习预测肾透明细胞癌病理分级影响的研究

目的 探究肿瘤边缘分割策略对基于CT的机器学习预测肾透明细胞癌(ccRCC)病理分级的影响。方法 回顾性分析2009年1月至2019年12月经病理证实的ccRCC患者三期CT图像数据及临床病理学资料共546例,分为建模及内部验证集(n=311)、独立外部验证集(n=235)。按以下肿瘤图像分割策略进行分组：聚焦肿瘤边缘分割(MF组);边缘范围分别扩大1 mm(E1组)、3 mm(E3组);边缘范围分别缩小1 mm(S1组)、3 mm(S3组)。基于三期CT图像并利用CatBoost建立ccRCC病理分级(高/低级别)的机器学习预测模型。对比分析各组所提取的纹理特征及权重因子、预测模型的敏感度(SEN)、特异度(SPC)、阳性预测值(PPV)、阴性预测值(NPV)、准确率(ACC)、受试者工作特征曲线(ROC)及曲线下面积(AUC)。结果 分割边缘范围与所提取的纹理特征权重因子大小成正比,权重因子随着肿瘤图像分割边缘收缩而减小。采用如上述肿瘤图像分割策略的ccRCC病理分级预测模型的AUC分别为：MF 0.8037、E1 0.8161、E3 0.8165、S1 0.8010、S3 0.7...     

基于血清miRNA水平的非瓣膜性房颤患者消融术后复发风险预测列线图模型的构建与评价

目的 构建基于血清miRNA水平的非瓣膜性房颤(NVAF)患者消融术后复发风险预测列线图模型并对其效能进行评价。方法 选择2018年8月-2020年12月在福建医科大学附属第二医院接受消融治疗的389例NVAF患者作为研究对象,随机选取272例(70.0%)作为训练集,78例(20.0%)作为测试集,39例(10.0%)作为验证集。随访观察1年,绘制Kaplan-Meier累积复发风险曲线,根据随访期间患者复发情况分为复发组与未复发组。通过单因素及多因素分析探求训练集NVAF患者消融术后复发风险的影响因素;构建NVAF消融术后复发风险列线图预测模型,通过一致性指数(C-index)和受试者工作特征(ROC)曲线检验该模型的预测效能,再进一步对测试集的模型效能进行验证。结果 截至2021年12月21日,共30例失访(训练集18例,测试集10例,验证集2例),最终纳入359例(训练集254例,测试集68例、验证集37例)NVAF患者。其中训练集中58例出现复发,复发率为22.8%。复发组基线心外膜脂肪组织(EAT)体积大于与未复发组(P<0.05);与未复发组比较,复发组消融治疗前、...