肺腺癌气腔播散的研究现状与影像学诊断

气腔播散的概念是在2015年由世界卫生组织提出的一种新的肺腺癌侵袭方式,大量研究表明CT特征对于预测气腔播散的阳性与否有着重要临床意义,本文就气腔播散的研究现状和进展作一综述。     

基于CT的形态学和影像组学预测肺癌气腔播散的研究进展

肺癌气腔播散（STAS）类似于内脏胸膜和血管的侵袭,是一种新的肺腺癌浸润方式,对病人的手术方式选择及预后有重要影响。肺癌CT形态学和影像组学对预测STAS具有良好效能。就STAS的定义及分类、CT的形态学和影像组学在STAS中的应用等研究进展予以综述。     

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。     

CT图像放射组学分析鉴别诊断磨玻璃结节肺腺癌的浸润性

目的 通过CT图像放射组学分析鉴别诊断磨玻璃结节(GGN)肺腺癌的浸润性,为侵袭性肺腺癌(IPA)制定诊断诺模图模型.方法 回顾性选取经手术确诊的88例患者,共100个亚实性结节.选取增强CT动脉期图像进行三维结节感兴趣区(ROI)的分割并计算定量放射组学特征.使用逻辑回归分析将一组常规临床风险因素和放射医生视觉评估的...     

分层分析影像组学模型在肺腺癌诊断中的价值

目的:建立并验证可高效鉴别肺腺癌及其浸润程度的预测模型,并根据结节/肿块性质分层分析模型的预测效能.方法:回顾性分析本院2011年10月-2018年12月经病理证实的肺结节/肿块患者2105例.根据肿瘤性质,分为磨玻璃组(A组,1711例)和实性组(B组,394例),组内以2017年10月为界,分为训练集和测试集.收集...     

CT影像组学预测磨玻璃结节肺腺癌浸润性的研究

目的 探讨CT影像组学预测磨玻璃结节肺腺癌浸润性的价值。方法 搜集南通大学附属医院2021年1月至2022年6月经病理证实为非典型腺瘤样增生、原位腺癌、微浸润性腺癌和浸润性腺癌的患者资料,CT表现为磨玻璃结节且最大径≤3 cm,其中非典型腺瘤样增生和原位腺癌为非浸润组,微浸润性腺癌和浸润性腺癌为浸润组。共295例患者纳入研究,非浸润组86例,浸润组209例。按照7∶3比例分为训练集和验证集,用卡方检验、独立样本t检验及非参数秩和检验评价非浸润组和浸润组的临床、影像特征差异。利用3D-slicer软件勾画VOI、提取影像组学特征,利用R语言软件进行特征筛选、建立模型。绘制受试者工作特征曲线(ROC),用曲线下面积(AUC)、敏感度、特异度评估模型的预测性能。绘制临床决策曲线(DCA)评估模型的临床价值。结果 年龄、支气管充气征、最大截面长径、实性成分长径、肿瘤实变率(CTR)在非浸润组和浸润组中具有统计学差异(P<0.05)。多因素Logistic回归分析显示,最大截面长径是肺腺癌浸润性的独立预测因子(P<0.05),最佳截断值为11.545 mm。CT影像组学共提取851个...     

基于机器学习的放射组学特征预测儿童肾母细胞瘤临床分期

目的 初步探讨基于机器学习建立并验证放射组学特征预测儿童肾母细胞瘤(WT)临床分期划分模型.方法 回顾性分析2014年10月至2020年9月共计107例病理证实的WT患者,对其术前腹部增强CT门静脉期的图像进行感兴趣区(ROI)勾画,之后进行放射组学特征提取,每例提取1781个放射组学特征;采用支持向量机(SVM)建立...     

基于放射组学的机器学习预测盆腔调强放疗剂量验证的γ通过率

目的利用放射组学特征构建不同的机器学习分类模型, 预测盆腔肿瘤调强放疗剂量验证的γ通过率, 并探讨最佳预测模型。方法回顾性分析196例盆腔肿瘤调强放疗计划, 采用基于模体测量方式的三维剂量验证结果, γ通过率标准为3%/2 mm、10%剂量阈值。提取基于剂量文件的放射组学特征构建预测模型。分别采用随机森林、支持向量机、自适应增强和梯度提升决策树4种机器学习算法, 计算曲线下面积(AUC)值、敏感度和特异度, 评估4种预测模型的分类性能。结果随机森林、支持向量机、自适应增强、梯度提升决策树模型的灵敏度和特异度分别为0.93、0.85, 0.93、0.96, 0.38、0.69, 0.46、0.46。随机森林模型和自适应增强模型的AUC值分别为0.81和0.82, 支持向量机和梯度提升决策树模型的AUC值为0.87。结论针对盆腔肿瘤调强放疗计划, 可以采用基于放射组学特征的机器学习方法来构建γ通过率的预测模型。支持向量机模型和梯度提升决策树模型的分类性能要优于随机森林模型、自适应增强模型。     

CT影像组学机器学习模型鉴别肺炎型黏液腺癌与机化性肺炎

【摘要】目的：评估CT影像组学结合机器学习方法鉴别原发肺炎型黏液腺癌（PTMA）与机化性肺炎（OP）的价值。方法：回顾性分析2010年1月－2020年1月在本院经病理证实的51例PTMA患者与50例OP患者的临床及影像学资料。分别在平扫及CT增强图像上提取病灶的影像组学特征,通过线性相关性分析和L1正则化方式进行特征的筛选和降维。对两组的临床特征、CT形态学特征及影像组学特征进行统计学分析,将3类特征中有统计学意义者分别或联合构建机器学习预测模型,共获得4个预测模型（临床、CT形态学征象、影像组学合联合模型）。采用ROC曲线分析评估各类模型的诊断效能。结果：临床特征中的性别、咳白黏痰、癌胚抗原和糖类抗原153、CT形态学征象中的小结节、空泡/假空洞征、血管造影征和重力分布在PTMA组与OP组之间的差异均有统计学意义（P<0.05）。二元logistic回归分析显示性别、小结节、空泡/假空洞征和血管造影征是鉴别PTMA与OP的独立预测因素（P<0.05）。在训练集和验证集中各类机器学习模型的AUC：影像组学模型为0.997和0.946,临床模型为0.869和0.814,CT形态学特征模型为0.919和0.797,联合模型为0.999和0.972。Delong检验显示影像组学模型的诊断效能显著优于临床模型及CT形态学特征模型（P均<0.05）,与联合模型无显著差异（P>0.05）。结论：CT影像组学结合机器学习方法提取并分析多维度影像数据,可以有效鉴别PTMA与OP,辅助临床治疗决策。     

基于术前CT影像组学特征预测肺腺癌患者EGFR突变状态的研究

目的 探讨术前CT影像组学特征在预测肺腺癌患者EGFR突变中的价值。方法 回顾性搜集经病理证实为肺腺癌且检测EGFR突变状态的患者共286例,其中,EGFR突变126例,野生型160例。按7∶3的比例随机分为训练集和验证集。从每个患者的感兴趣区内分别提取1468个组学特征,采用Wilcoxon检验、最小绝对收缩和选择算子(LASSO)回归和Logistic回归筛选影像组学特征。在训练集中采用Logistic回归的方法构建预测模型,并在验证集中评估其性能。通过ROC曲线评价模型的预测性能,并计算曲线下面积(AUC)、敏感度、特异度和准确性。DeLong检验用于比较各模型AUC之间的差异。结果 两个临床因素(性别和吸烟史)与EGFR突变独立相关(P<0.05),而年龄、CEA和肿瘤位置在两组之间差异无统计学意义(P>0.05)。9个影像组学特征在两组之间有显著差异(P<0.05)。训练集中,临床模型、组学模型和综合模型的AUC分别为0.692、0.762和0.814,而在验证集中分别为0.712、0.779和0.827。训练集中,综合模型与临床模型、组学模型AUC的差异具...     

基于CT影像组学列线图预测肺腺癌EGFR突变的研究

目的 探讨基于胸部平扫CT的影像组学列线图术前预测肺腺癌表皮生长因子受体(EGFR)基因突变状态的价值。方法 回顾性分析经病理证实的183例肺腺癌的临床及胸部平扫CT影像资料,包括EFGR突变型(110例)及EGFR野生型(73例)。评估每位患者的病灶CT特征。勾画整个病灶的三维容积感兴趣区(VOI)。将所有患者的重建肺窗图像及病灶的VOI上传至“医准-达尔文”智能科研平台,按照7∶3比例分成训练组(128例)及验证组(55例)。采用最大绝对值归一化、最小收缩、最优特征筛选、迭代筛选及选择算子(LASSO)算法对数据进行降维处理,计算影像组学分数(Rad-score),建立影像组学模型。运用单因素及多因素Logistic回归分析,筛选具有显著预测价值的临床-影像独立影响因素,建立临床模型。将具有显著预测价值的临床-影像独立影响因素及Rad-score通过Logistic回归,得到影像组学列线图模型。通过ROC曲线和校准曲线评估3个模型的诊断效能。结果 最终筛选出11个影像组学特征构建影像组学分数。多因素Logistic回归分析结果显示吸烟史、胸膜牵拉及影像组学评分是肺腺癌患者EGFR基...     

基于人工智能和影像组学的胸部CT在早期肺腺癌中的研究进展

【摘要】随着高分辨率CT（HRCT）在临床的普及,胸部CT已成为临床筛查早期肺癌、降低肺癌死亡率的重要手段。随影像组学、基因组学、人工智能系统的开发和优化,使HRCT在准确诊断早期肺腺癌侵袭性、预测相关特殊分子生物学信息方面成为了可能。本文就胸部CT在预测早期肺腺癌浸润性、生物学特性、预后等方面的研究进展进行相关综述。     

基于放射组学的不同机器学习模型对儿童肾母细胞瘤临床分期能力的研究

目的 儿童肾母细胞瘤(WT)的分期对于治疗计划和预后预测非常重要,本研究拟利用放射组学特征进行机器学习来预测WT的临床分期.方法 将2014年10月至2020年10月共计108例经病理证实的WT患者纳入研究,对患者术前腹部增强CT门静脉期的图像进行回顾性分析,勾画肿瘤感兴趣区(ROI)并进行放射组学特征提取,每例提取1...     

基于增强CT影像组学模型预测肺腺癌ALK突变

目的 探讨基于增强CT影像组学特征建立的模型对肺腺癌间变性淋巴瘤激酶(ALK)基因突变状态的预测价值.资料与方法 回顾性分析经病理学检查证实的210例肺腺癌患者,在术前增强CT图像中勾画感兴趣区,再用A.K.软件提取影像组学特征并筛选出与ALK突变高度相关的特征,构建影像组学特征预测模型.联合具有独立预测效能的一般特征...     

高分辨率CT影像组学联合传统影像学征象预测肺腺癌微血管浸润的价值

目的 探讨高分辨率CT（HRCT）影像组学联合传统影像学征象的综合模型预测肺腺癌微血管浸润的价值。 方法 回顾性分析2015年6月至2019年4月于青岛大学附属医院就诊的微血管浸润状态明确的肺腺癌患者65例（微血管浸润阳性30例、阴性35例）,其中,男性33例、女性32例,年龄34~83（60.7±10.3）岁。以患者HRCT检查时间为编号,通过系统随机抽样方法将患者按约3∶1等距抽样分为2组：训练组46例,验证组19例。训练组用于模型的建立,验证组用于模型的效能评价。通过两独立样本t检验、χ2检验或Fisher确切概率法筛选训练组中微血管浸润阳性与阴性患者间差异有统计学意义的传统影像学征象。勾画2组患者的肿瘤三维感兴趣区并提取影像组学特征,通过单因素方差分析和Lasso-Logistic回归分析筛选训练组中有鉴别价值的最优影像组学特征,计算影像组学得分。通过Logistic回归分析构建联合影像组学得分和传统影像学征象预测肺腺癌微血管浸润的综合模型,并绘制列线图,进行效能评价。 结果 共提取影像组学特征1308个,最终得到6个最优影像组学特征。传统影像学征象中仅肿瘤最大径在微血管浸润阳性与阴性患者间的差异有统计学意义[（28.10±11.39）mm对（22.32±6.26） mm;t=5.580,P=0.035],其在训练组中的曲线下面积（AUC）为0.648(95%CI：0.493~0.783)、灵敏度为38.1%、特异度为88.0%;在验证组中的AUC为0.783(95%CI：0.538~0.936)、灵敏度为88.9%、特异度为70.0%。预测肺腺癌微血管浸润的综合模型在训练组中的AUC为0.880(95%CI：0.750~0.957),灵敏度为90.5%,特异度为72.0%;在验证组中的AUC为0.811(95%CI：0.568~0.951),灵敏度为88.9%,特异度为80.0%。 结论 基于HRCT影像组学联合传统影像学征象的综合模型对肺腺癌微血管浸润具有较高的预测价值,有助于肺腺癌患者的术前评估。     

基于MRI的放射组学评分和临床病理影像参数预测垂体瘤复发的Nomogram模型研究

目的:本研究拟联合多序列MRI的放射组学评分和临床、病理学等危险因素,构建预测垂体腺瘤术后复发的模型。方法:回顾性分析2012年6月-2017年6月128例确诊为垂体腺瘤(复发58例,未复发70例,随访5～10年)的临床病理和术前MRI资料。对术前图像进行分割并提取特征。经过降维后,最终选取6个与复发相关的组学特征构建linear-SVM、rbf-SVM、KNN、LR、RF和XGBoost机器学习模型及R-score。随后将R-score与病理、影像学变量相结合建立联合Nomogram模型。评价和比较模型的预测性能并通过校准曲线和决策曲线分析其临床价值。结果:在临床病理学及影像学特征中,Ki-67和肿瘤最大直径是垂体腺瘤复发的独立预测因子,linear-SVM是性能最好机器学习模型。相较于单一模型而言,联合Nomogram模型则在训练集(AUC=0.907,95%CI:0.843～0.972)和测试集(AUC=0.883,95%CI:0.769～0.996)中表现出了更好的预测性能。决策曲线也显示联合Nomogram显示出更好的预测性能和临床应用价值。结论:联合Nomogram模型在预...