肺结节超高分辨率CT靶扫描影像组学联合机器学习在原位腺癌与微浸润腺癌鉴别中的价值

目的 基于肺结节超高分辨率CT(UHRCT)靶扫描影像组学特征,分别采用Logistic回归（LR）和支持向量机（SVM）构建机器学习模型,以鉴别磨玻璃结节（GGN）中的原位腺癌（AIS）和微浸润腺癌（MIA）。方法 回顾性分析手术病理证实肺腺癌的198例患者（AIS 56例;MIA 142例）,按分层抽样将患者随机分为训练组（n=138）和验证组（n=60）。手动分割GGN,从中提取影像组学特征。采用最小冗余最大相关性算法和套索算法对影像组学特征进行降维,分别使用LR和SVM构建预测模型。采用受试者操作特征（ROC）曲线评价模型的预测性能。结果 在训练组中,LR和SVM曲线下面积（AUC）分别为0.787(95%CI:0.712～0.863)和0.896(95%CI:0.842～0.951)。在验证组中,LR和SVM的AUC分别为0.824(95%CI:0.713～0.936)和0.839(95%CI:0.734～0.945)。结论 基于肺结节UHRCT靶扫描影像组学结合机器学习能较好鉴别AIS与MIA,为患者GGN个性化分析提供潜在方法。     

机器学习鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌

目的 探讨基于影像组学特征构建的机器学习模型鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌的可行性。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌患者，其中浸润性腺癌32例，非浸润性腺癌55例（原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾画ROI，A.K.软件提取影像组学特征。筛选有意义的特征参数，以Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数，分别构建支持向量机（SVM）、随机森林（RF）及逻辑回归（LR）3种机器学习模型，采用十折交叉验证法得到最优模型，绘制ROC曲线，评价3种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、LR 3种机器学习模型可有效鉴别浸润性腺癌与非浸润性腺癌，准确率分别为93.30%、86.70%和83.30%，AUC分别为0.94、0.92和0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，可于术前有效鉴别肺浸润性腺癌与非浸润性腺癌。     

机器学习在鉴别肺纯磨玻璃结节浸润性腺癌与非浸润性腺癌中的应用

目的 研究基于影像组学特征构建的机器学习模型对鉴别肺纯磨玻璃结节浸润性腺癌与非浸润性腺癌的价值。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌，其中浸润性腺癌32例，非浸润性腺癌55例（包括原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾化感兴趣区（ROI），A.K.软件（Artificial Intelligent Kit，GE health）进行影像组学特征提取。采用单因素方差分析、秩和检验及t检验筛选有意义的特征参数，Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数分别构建支持向量机（SVM）、随机森林（RF）、逻辑回归（LR）三种机器学习模型，采用十折交叉验证法得到最优模型，并绘制ROC曲线用于评价三种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、logistics回归三种机器学习模型可以有效鉴别两组病变，准确率（Accuracy）依次为93.30%、86.70%、83.30%，曲线下面积（AUC）分别为0.94、0.92、0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，说明利用机器学习的方法可以在术前有效的鉴别浸润性腺癌与非浸润性腺癌。     

基于常规MRI图像的不同影像组学模型在脑胶质瘤术前分级中的应用

目的拟采用不同核磁共振图像、不同机器学习模型来建立胶质瘤术前分级的影像组学模型,探究影像组学模型在胶质瘤术前分级中的可行性。材料与方法回顾性分析术前行常规MRI检查的脑胶质瘤患者93例,分为低级别胶质瘤(LGG组)和高级别胶质瘤(HGG组)。将DICOM格式图像导入GE-AK软件,对T2WI和T1增强(T1CE)图像进行感兴趣区(region of interest,ROI)勾画,将提取得到的直方图特征和纹理特征导入R语言软件包进行特征预处理和降维,选择三种函数建立六种机器学习模型,将全部数据按照7︰3比例,分为训练集与测试集,利用10倍交叉验证对六种模型进行训练,然后通过测试集进行验证,并绘制ROC曲线,计算其分类LGG与HGG的敏感度、特异度、AUC。结果 LGG组平均年龄低于HGG组,差异有统计学意义(P0.01)。LGG组与HGG组性别组成差异无统计学意义(P0.05)。六种影像组学模型的AUC值均大于0.8,基于T1CE图像的影像组学模型的AUC值均大于基于T2WI图像模型的AUC,其中基于T1CE图像的RF模型的AUC最高,达到0.97。结论影像组学诊断模型对胶质瘤的病理分级具有较好的诊断价值,六种影像组学模型的诊断效能均较高,其中基于T1CE图像的RF模型诊断效能最高。     

基于弥散加权成像的影像组学和机器学习预测急性缺血性脑卒中预后

目的:基于弥散加权成像(diffusion weighted imaging,DWI)探讨急性缺血性脑卒中患者影像组学特征与预后的关系。方法:选取2018年1月—2020年12月在云南省滇南中心医院就诊的232例急性脑梗死患者,收集并记录入院时患者的ASPECTS评分、24 h内磁共振DWI序列图像、经机械取栓或溶栓治疗后90d病人的改良Rankin量表(modified rankin scale,mRS)评分。使用3D slicer软件勾画梗死灶所有层面的ROI,使用SlicerRadiomics获得影像组学特征。经过独立样本t检验、单因素Logistics回归分析、LASSO回归和5折交叉验证选择预测效能最高的影像特征。使用支持向量机算法(support vector machine,SVM)建立、优化预测模型。结果:107个影像组学特征经降维筛选后选出11个预测效能最高的特征参数。基于DWI预测模型训练集曲线下面积(area under curve,AUC)、特异度分别为0.901、0.914。基于DWI预测模型测试集AUC、特异度分别为0.854、0.939。结论:基于DWI的...     

基于颅脑T1WI对比增强图像构建卷积神经网络模型鉴别肺癌与乳腺癌脑转移

目的 分析基于对比增强颅脑T1WI(T1CE)构建的卷积神经网络(CNN)模型鉴别肺癌与乳腺癌脑转移的效能。方法 回顾性分析97例经手术病理证实的乳腺癌脑转移(39例)与肺癌脑转移(58例)患者，于颅脑T1CE中手动勾画病灶ROI并提取其影像组学特征，采用单因素分析及最小绝对收缩和选择(LASSO)算法进行特征降维，筛选最优特征；分别构建传统机器学习支持向量机(SVM)、随机梯度下降(SGD)、K邻近(KNN)、决策树(DT)、随机森林(RF)、极端随机树(ET)、逻辑回归(LR)模型及深度学习CNN模型，将按7∶3数据分为训练集和验证集，采用受试者工作特征(ROC)曲线评估8种模型鉴别验证集中肺癌与乳腺癌脑转移的效能。结果 共纳入202个脑转移癌，含乳腺癌、肺癌脑转移各101个。基于颅脑T1CE提取1 050个特征，经单因素分析及LASSO算法降维后得到5个最优特征；以之构建的SVM、SGD、KNN、DT、RF、ET、LR及CNN模型鉴别验证集肺癌与乳腺癌脑转移的曲线下面积(AUC)分别为0.88、0.83、0.87、0.74、0.84、0.86、0.88及0.90,其中CNN模型的...     

3种机器学习算法构建的CT影像组学模型对非小细胞肺癌纵隔淋巴结转移的预测价值

目的 采用3种机器学习算法建立非小细胞肺癌(NSCLC)患者纵隔淋巴结转移的CT影像组学预测模型,探讨其预测价值。方法 2022年4月—2023年4月河南省人民医院诊治NSCLC患者80例,其中33例有纵隔淋巴结转移者为转移组,47例无纵隔淋巴结转移者为非转移组,比较2组临床病理特征。应用ITK-SNAP软件(Version 3.8.0)沿肿瘤边界手动、逐层勾画感兴趣区,对影像组学特征做Z分数归一化、标准化处理,采用lasso回归进行特征降维、筛选最具预测性的影像组学特征,采用随机森林、支持向量机和逻辑回归3种算法构建NSCLC患者发生纵隔淋巴结转移的预测模型,计算评估纵隔淋巴结转移的影像组学评分阈值。绘制ROC曲线评价3种算法模型预测NSCLC患者发生纵隔淋巴结转移的效能,采用Delong检验比较3种算法模型的AUC差异。选择最优算法模型,应用Bootstrap(1 000次重采样)校准曲线和临床决策曲线进行验证。结果 (1)转移组肿瘤直径[2.00(1.40, 2.80)cm]小于非转移组[3.30(2.50, 5.10)cm](U=-4.224,P<0.001),腺癌比率(...     

两个以下前哨淋巴结转移的乳腺癌：MR影像组学预测非前哨淋巴结转移的应用价值

目的 探讨基于机器学习的MRI影像组学在预测两个以下前哨淋巴结（SLN）阳性乳腺癌非前哨淋巴结（NLSN）转移的应用价值。方法 回顾性分析2016年1月—2022年12月间在温州医科大学附属第五医院经术后病理证实的乳腺癌患者408例,均经前哨淋巴结活检证实有两个以下SLN阳性。采用Radcloud平台提取动态增强MRI (DCEMRI)图像肿瘤内部的影像组学特征,并通过降维获得最优特征。随后,建立6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）、线性判别分析（LDA）和极端梯度提升（XGBoost）。选择验证集中曲线下面积（AUC）最高的作为最佳影像组学模型,并将其结果转换输出为影像组学评分（Rad-score）。将P<0.05的临床病理特征纳入到多因素Logistic回归分析中,以筛选影响NSLN转移的独立危险因素,并建立临床模型。进一步建立基于Rad-score和临床危险因素的联合模型,并绘制列线图。采用AUC、校准曲线和决策曲线分析（DCA）评价模型的预测性能。结果 通过降维得到14个与NSLN转移显著相关的影像组学特征。在验...     

基于DWI的影像组学和机器学习预测急性脑卒中机械取栓后预后

目的 基于弥散加权成像(diffusion weighted imaging,DWI)的影像组学特征进行机器学习,构建预测急性脑卒中机械取栓后预后的模型.材料与方法 回顾性分析在本院接受机械取栓治疗的急诊脑卒中患者,按随机数字表法分为训练集(n=252)和测试集(n=108).采用A.K.软件提取DWI梗死区影像组学特征并应用最低绝对收缩和选择算子回归模型筛选最佳影像组学特征,基于所选特征通过支持向量机分类器建立急性脑卒中机械取栓后预后的预测模型,利用受试者操作特征(receiver operating characteristic,ROC)曲线评价模型的预测效能.结果 每例患者的DWI图像提取1136个影像组学特征,降维后筛选出21个与预后高度相关的特征.ROC分析显示基于DWI模型预测训练集卒中患者机械取栓后预后的曲线下面积(area under curve,AUC)为0.956,敏感度和特异度分别为0.965、0.948,准确度达0.954;基于DWI模型预测测试集卒中患者机械取栓后预后的AUC为0.801,敏感度和特异度分别为0.818、0.816,准确度达0.828.结论 基于治疗前DWI的影像组学特征和机器学习构建模型对急性脑卒中机械取栓后预后的预测具有较高的预测效能.     

基于非增强MRI的影像组学术前预测肝细胞癌微血管浸润的研究

目的建立基于非增强MRI的影像组学模型对肝细胞癌(hepatocellular carcinoma,HCC)的微血管侵犯(microvascularinvasion,MVI)进行术前预测。材料与方法回顾性分析经手术病理证实是否有MVI的HCC病人129例。所有患者术前2周内行3.0 T MRI。在T2WI-FS及ADC图中逐层勾画病灶区域提取影像组学特征。使用三步降维方法Variance Threshold、SelectKBest、LASSO算法依次进行降维来进行特征选择。分别使用六种分类器包括逻辑回归(logistic regression,LR)、支持向量机(supportvectormachine,SVM)、K近邻(K-NearestNeighbor,KNN)、决策树(decision tree,DT)、随机森林(random forest,RF)、极限梯度增强树(extreme gradient boosting,XGBoost)对提取的特征进行机器学习。通过绘制ROC曲线下面积(areaundercurve,AUC)、敏感度(sensitivity)、特异度(specificity)三个指标来评价各分类器所构建模型的效能。结果从T2WI-Fat suppressed (FS)及ADC图中分别提取出1409个影像组学特征。经过降维,最终从T2WI-FS图中筛选出12个以及从ADC图中选出8个最优特征来分别构建两个组学模型。两种分类器SVM、LR基于T2WI-FS特征所构建的模型性能最佳,对应的受试者工作特征AUC值分别为0.869、0.801,准确度为0.78、0.81。结论使用T2WI-FS的12个组学特征,可以获得较高的AUC值和准确度。因此,认为基于T2WI-FS的三维成像组学特征可以作为潜在的生物标志物来对肝细胞癌的微血管浸润进行术前非侵入性预测。     

基于超声造影影像组学预测局部进展期直肠癌新辅助放化疗病理完全缓解的应用研究

目的评估基于超声造影的影像组学模型对局部进展期直肠癌(LARC)患者新辅助放化疗(nCRT)后病理完全缓解(pCR)的预测效能。方法本研究回顾性纳入2018年4月至2023年4月在广西医科大学第一附属医院接受nCRT后行全直肠系膜切除的106例LARC患者, 以6∶4随机划分为训练集63例(pCR者14例)和验证集43例(pCR者12例)。基于PyRadiomics从超声造影图像肿瘤感兴趣区域提取影像学特征。采用类内相关系数、Mann-WhitneyU检验、最小绝对收缩和选择算子算法对特征进行降维。最后选取7个与pCR相关的影像学特征, 基于R语言使用弹性网络回归构建超声造影影像组学模型, 并与临床特征融合构建一个联合模型。采用ROC曲线下面积(AUC)评估模型的诊断效能。结果训练集中, 超声造影影像组学模型的AUC为0.695(95%CI=0.532～0.859), 联合模型的AUC为0.726(95%CI=0.584～0.868)。验证集中, 超声造影影像组学模型的AUC为0.763(95%CI=0.625～0.902), 联合模型的AUC为0.790(95%CI=0.653～0....     

基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。 方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例，以2018年8月31日为节点将其分为训练集（526例）和验证集（302例），提取肿块的超声影像组学特征并进行特征筛选，运用k最近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）5种机器学习算法分别建立预测模型，使用重复交叉验证方法做内部验证，计算比较各模型的敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV），并实施外部验证，绘制ROC曲线并比较ROC曲线下面积（AUC）以评价模型的鉴别诊断性能，绘制校准曲线评价模型校准度。 结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中，5种模型的敏感度、特异度、PPV、NPV比较，总体差异均有统计学意义（P均＜0.001）。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778，3项指标均高于其他4种模型；敏感度中位数为0.824，高于kNN、RF和SVM模型。此外，SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759，虽均低于LR模型，但均高于其他3种模型。在外部验证中，LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703，其中LR与SVM的AUC差异有统计学意义（P=0.012）；此外，各模型在校准性能上表现并不一致，LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。 结论以超声影像组学特征为基础，运用不同机器学习算法建立的乳腺癌超声预测模型，均表现出较高的诊断性能，其中LR模型表现最为突出；选择合适的机器学习算法有助于进一步提高预测模型的诊断性能，提供更加准确的量化预测结果。     

基于多序列MRI影像组学模型预测脑膜瘤组织学分型的价值

目的 探究基于常规多序列MRI的影像组学模型在术前预测纤维型和非纤维型脑膜瘤的价值,以助于临床术前准备及预后评估。方法 回顾性分析了自2013年3月至2022年12月经手术后病理证实的共317例脑膜瘤患者的临床及多序列MRI(包括T1WI、T2WI、T2WIFLAIR、T1WI增强)资料。手动勾画获得脑膜瘤强化区作为感兴趣区域(EnHROI),并分别将勾画区域向外周各自膨胀3 mm、5 mm得到EnH3mmROI、EnH5mmROI,对每个MRI序列的三种ROI分别提取影像特征,分别采用5折交叉验证法和留一法交叉验证(LOOCV)分别进行特征筛选、模型验证及比较。使用相关系数法和最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)算法进行特征选择,随后使用支持向量机的机器学习算法(AVM)构建模型,最后评估不同预测模型的效能。结果 利用受试者工作特征曲线(receiver-operating characteristic curve, ROC)评估预测脑膜瘤分型的影像组学模型中,基于EnH3mmROI的预...     

基于CT的全肝影像组学模型评价乙型肝炎肝纤维化分期的价值

目的 以X线计算机体层摄影术(CT)为基础,构建全肝影像组学模型,并对乙型肝炎肝纤维化分期进行评估。方法 收集100例乙型肝炎肝脏纤维化患者的临床及影像资料,按7:3比例分为训练组与验证组,训练组71例,验证组29例。应用AK分析软件提取患者肝脏平扫图像的纹理属性,然后对训练组提取纹理特征展开特征降维操作,再构建出影像组学纤维化指数(RFI)模型。基于RFI模型使用ROC曲线分别用于评估不同纤维化分期的诊断效能,并评价其在验证组中的效能。结果 降维后共剩余8个特征用于构建RFI模型,ROC曲线分析显示RFI模型在训练组和测试组中均表现出良好的预测效能,AUC分别为0.81和0.80,特异度分别为0.74和0.71,敏感度分别为0.81和0.75。结论 应用肝脏CT构建出来的影像组学模型,能够对肝纤维化分期进行定量分析,有望为临床提供一种无创性评价工具。     

基于表观扩散系数图像的影像组学联合PSA值对前列腺癌侵袭性的诊断价值

目的:研究基于磁共振表观扩散系数(ADC)图像的影像组学联合PSA值对前列腺癌Gleason分级的诊断价值。资料与方法:回顾性分析经手术切除或穿刺活检病理证实的77例前列腺癌患者的临床及影像资料,将患者分为低危组(Gleason评分≤3+4)和高危组(Gleason评分≥4+3)两组。其中高危组57例,低危组20例。基于ADC图像勾画感兴趣区(ROI),测取平均ADC值,另基于ADC图像利用MRIcroGL软件勾画全容积感兴趣区(VOI)提取影像组学特征,经曼惠尼检验及最小绝对值收敛和选择算子(LASSO)降维,结合平均ADC值及临床PSA值,利用Logistic回归建立临床模型,影像组学模型,联合模型(临床-影像组学模型),采用受试者工作曲线(ROC)及曲线下面积(AUC)来评价各种模型的诊断效能。结果:联合模型(临床-影像组学模型)的诊断效能最高(训练组AUC=0.87,测试组AUC=0.91),高于临床模型(训练组AUC=0.76,测试组AUC=0.73)及影像组学模型(训练组AUC=0.85,测试组AUC=0.87)。结论:基于表观扩散系数(ADC)图的影像组学特征对前列腺Gl...     

基于CT皮质期影像组学预测肾细胞癌亚型的研究

目的：探讨基于CT皮质期影像组学鉴别肾透明细胞癌(ccRCC)和非透明细胞癌(non-ccRCC)的价值。方法：回顾性分析2017年1月—2022年12月经病理证实的122例肾细胞癌患者的资料,其中ccRCC 82例,non-ccRCC 40例,并以随机数表法按7∶3的比例将患者分成训练集(n=85)和验证集(n=37)。在CT皮质期手工逐层勾画肿瘤感兴趣区(ROI)后提取影像组学特征,使用特征间线性相关检查和F检验依次进行特征筛选,采用逻辑回归分类器构建影像组学模型。采用t检验、χ²检验及Logistic回归分析筛选CT影像特征,建立常规影像模型。综合影像组学评分和常规影像模型建立联合模型。绘制ROC曲线评估各模型的预测效能,AUC比较采用Delong检验。结果：影像组学模型在训练集和验证集中的AUC分别为0.990(95%CI 0.976～1.0)和0.890(95%CI 0.774～1.0)。在训练集和验证集中,影像组学模型和联合模型的预测效能均优于常规影像模型,差异有统计学意义(P均<0.05);相比联合模型,在验证集中影像组学模型的预测效能略高,但...     

X线影像组学在鉴别乳腺良恶性病变中的应用价值及3种模型效能比较

目的探讨X线影像组学在鉴别乳腺良恶性病变中的应用价值,并比较3种预测模型的效能。方法回顾性分析296例乳腺病变患者的临床资料,包括恶性病变149例,良性病变147例。对病变头足位(CC)及内外斜位(MLO)的感兴趣区(ROI)进行手动分隔并最终提取影像组学特征,采用支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)进行分类学习,最后运用受试者工作特征(ROC)曲线下面积(AUC)比较不同模型的效能。结果经过特征筛选最后共纳入9个最优特征,分别为形态特征(球形、长轴长度)、一阶特征(均匀性、均值绝对偏差)和高阶特征[灰度级大小区域矩阵(大面积低灰度比)、相邻灰度色调差矩阵(强度)、灰度共生矩阵(对比度、集聚突变、群集趋势)]。SVM、LR、RF诊断效能的AUC分别为0.820、0.758、0.805。SVM与LR的AUC值比较,差异有统计学意义(P 0.05)。结论影像组学特征中一阶特征和高阶特征是由计算机分析提取,其中对比度、集聚突变、群集趋势均描述图像纹理粗糙程度,能更好地反映乳腺肿瘤的异质性,能够提高诊断的准确度、特异度。     

基于MRI影像组学预测肝泡型包虫病边缘微血管侵犯

目的 评估基于MR T2WI影像组学模型预测肝泡型包虫病（HAE）病灶边缘微血管侵犯的价值。方法 回顾性分析89例经术后病理证实的HAE患者,其中32例病灶边缘存在微血管侵犯、57例无侵犯。提取病灶MR T2WI影像组学特征,以方差阈值法和单变量选择法筛选最优特征,以随机森林（RF）、极限梯度增强树（XGBoost）和逻辑回归（LR）三种分类器构建预测HAE病灶边缘微血管侵犯的机器学习（ML）模型。按8：2比例将患者分为训练集（n=70）和测试集（n=19）,验证模型的预测效能;绘制受试者工作特征（ROC）曲线,计算其曲线下面积（AUC）。结果 共提取1 409个影像组学特征,经特征降维选出7个最优影像组学特征,并以之构建模型。ROC曲线显示,XGBoost模型在训练集及测试集中的AUC分别为0.96和0.89。结论 基于MR T2WI影像组学XGBoost模型可有效预测HAE病灶边缘微血管侵犯。     

基于超声影像组学及临床特征的可解释性机器学习模型预测乳腺癌新辅助化疗疗效

目的 探讨基于乳腺癌原发灶超声影像组学特征联合临床病理因素构建的机器学习模型预测乳腺癌新辅助化疗(NAC)病理完全缓解的临床价值。方法 回顾性纳入272例术前接受NAC治疗且有病理检查结果的乳腺癌患者,从超声图像中提取并筛选影像组学特征后构建影像组学评分,基于多因素Logistic回归分析、XGBoost、决策树、随机森林、支持向量机等机器学习算法,评分联合临床病理特征构建乳腺癌患者NAC疗效的预测模型并对模型性能加以验证。结果 受试者工作特征曲线显示,基于随机森林算法构建的联合模型预测性能最佳(训练集AUC:0.855,测试集AUC:0.844)。决策曲线分析表明,随机森林模型具有更高的临床获益。SHAP分析显示,对模型预测结果贡献程度最大的3个变量依次为影像组学评分值、Her-2、ER。结论 基于超声影像组学特征构建的机器学习模型可协助评估乳腺癌患者NAC疗效,随机森林模型在诊断性能和临床实用性方面表现最佳。     

对比增强液体衰减反转恢复序列MRI影像组学评估成人弥漫性低级别胶质瘤1p/19q状态

目的 观察对比增强液体衰减反转恢复(CE-FLAIR)序列MRI影像组学模型判断成人弥漫性低级别胶质瘤(DLGG)1p/19q状态的价值。方法 纳入135例成人DLGG患者、含81例1p/19q共缺失,经分层抽样按7∶3比例将其分为训练集(n=95)及验证集(n=40)。基于训练集CE-FLAIR数据提取、筛选DLGG 1p/19q共缺失影像组学特征,构建支持向量机(SVM)、随机森林(RF)、极限梯度提升(XGBoost)、轻量梯度提升机(LightGBM)及逻辑回归(LR)模型;绘制受试者工作特征曲线,计算曲线下面积(AUC),评价影像组学模型判断训练集及验证集DLGG 1p/19q状态的价值,并以DeLong检验进行比较。结果 共提取851个影像组学特征,以Mann-Whitney U检验筛选出74个差异有统计学意义者,再经5折交叉验证的最小绝对收缩和选择算子选出12个与1p/19q状态显著相关者;以之构建的SVM、RF、XGBoost、LightGBM及LR模型评价训练集DLGG 1p/19q状态的AUC分别为0.89、0.97、0.97、0.96及0.85,评估验证集的AUC...