基于靶扫描和常规扫描CT图像的影像组学模型预测肺磨玻璃结节的2年生长

 目的 比较基于靶扫描CT（targeted CT,T-CT）和常规扫描CT（conventional CT,C-CT）图像建立的CT影像组学特征集预测肺磨玻璃结节（ground-glass nodules,GGN）2年生长的价值,并建立影像组学列线图以帮助管理GGN。方法 回顾性收集2018年10月—2019年1月间414个随访肺GGN的T-CT、C-CT图像和临床资料,并按7∶3分为训练组（n=290）和验证组（n=124）。分别采用最小绝对收缩与选择算法逻辑回归、多因素逻辑回归筛选GGN 2年生长相关的影像组学特征及临床特征,构建影像组学特征集、临床特征集,结合成影像组学列线图。采用Delong检验比较基于T-CT和C-CT图像建立的CT影像组学特征集,并分别用C-CT和T-CT数据进行交叉预测。分别采用受试者工作特征曲线下面积（AUC）和临床决策曲线评估各模型效能和临床实用性。结果 T-CT和C-CT图像分别筛选出7个和6个特征用于构建影像组学特征集,两者AUC差异无统计学意义。筛选出年龄、性别和毛刺征3个临床特征构建临床特征集,结合C-CT影像组学特征集构建影像组学列线图。影像组学列线图在训练组和验证组中的AUC分别为0.948和0.933。临床特征的纳入未能显著提高模型预测效能（训练组和验证组P值分别为0.168和0.160）,影像组学列线图较影像组学特征集获得更高临床净收益。结论 T-CT和C-CT影像组学特征集均能有效预测GGN的2年生长,且差异无统计学意义。影像组学列线图较影像组学特征集获得更高临床净收益,有助于管理GGN。     

MRI增强序列列线图预测脑胶质瘤IDH1基因突变的研究

目的 探讨T1WI MRI增强序列的临床–影像组学列线图预测脑胶质瘤异柠檬酸脱氢酶1（isocitrate dehydrogenase 1,IDH1）基因突变的价值。方法 回顾性分析2016年2月至2022年2月宁波市医疗中心李惠利医院收治的98例经手术病理证实的脑胶质瘤（Ⅱ~Ⅳ级）T1WI MRI增强图像。其中,26例IDH1基因突变型（IDH1-M）、72例IDH1基因野生型（IDH1-W）,以7∶3比例划分为训练集（n=69）和测试集（n=29）,使用逻辑回归方法筛选特征并建立临床模型。勾画并测量脑胶质瘤的实质区及坏死区参数,建立Logistic回归影像组学模型,计算Radscore,生成列线图。采用校准曲线和受试者操作特征（receiver operating characteristic,ROC）曲线评价3个模型对脑胶质瘤IDH1基因突变状态的预测效能,进行决策曲线分析,评估列线图临床实用性。结果 训练集经过特征筛选,最终选择6个影像组学特征和2个临床特征用于构建列线图。临床模型在训练集和测试集中的曲线下面积（area under the curve,AUC）分别为0.834和0.718,影像组学模型分别为0.902和0.831,临床–影像组学组合模型最高,分别为0.906和0.857。校准曲线表明,临床–影像组学列线图在训练集中IDH1基因型的预测值和观察值之间具有较好的一致性（P=0.751）。决策分析曲线表明,组合模型的净收益在几乎整个Pt值范围内均高于临床模型及影像组学模型。结论 基于MRI T1WI增强序列的临床-影像组学列线图能较精准地预测IDH1基因突变状态。     

急性脑卒中血管内治疗后恶性脑水肿风险的列线图预测模型构建

目的 基于多模态MRI影像组学及临床危险因素构建列线图模型,探讨其预测急性脑卒中血管内治疗后恶性水肿风险的临床价值。方法 回顾性分析在南京市第一医院神经内科接收血管内治疗的急性脑卒中患者128例。将患者分为恶性脑水肿组和无恶性脑水肿组。对患者多模态MRI图像病变区进行影像组学特征提取及筛选,构建影像组学标签。应用多变量Logistic回归构建列线图模型,并对模型预测水肿的效能进行评价。结果 经筛选后与急性卒中恶性脑水肿高度相关的特征10个。ROC显示联合影像组学标签、年龄、入院NIHSS评分、DWI梗死体积、Tmax>6s体积构建的列线图模型预测训练集恶性脑水肿的AUC为0.959(敏感度和特异度：0.906、0.938),预测测试集恶性脑水肿AUC为0.889(敏感度和特异度：0.953、0.850)。该列线图模型的一致性指数为0.913(95%CI:0.881～0.942,P<0.01)。结论 多模态MRI影像组学联合临床特征的列线图模型可准确预测急性脑卒中血管内治疗后恶性脑水肿风险。     

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。     

基于乳腺X线摄影影像组学列线图预测BI-RADS 4～5类钙化病灶恶性风险

目的 探讨基于乳腺X线摄影（MG）影像组学列线图在预测乳腺影像报告与数据系统（BI-RADS）4～5类钙化恶性风险中的价值。方法 回顾2017年1月至2020年12月浙江省立同德医院和蚌埠医学院第一附属医院经病理检查证实的292例MG表现为乳腺影像报告与数据系统（BI-RADS）4～5类钙化患者的临床及影像资料,其中良性121例,恶性171例。所有患者以7∶3比例分成训练集（204例）及验证集（88例）,对头尾位（CC）和内外斜位（MLO）图像进行手工分割并提取影像组学特征,并应用最小冗余最大相关（mRMR）及最小绝对值收敛和选择算子（LASSO）回归筛选最有价值的特征。采用logistic回归构建影像组学模型,从临床因素中筛选差异有统计学意义的危险因素并建立临床模型,再联合临床-影像组学特征建立联合模型,基于联合模型勾画列线图。采用ROC曲线评价各模型的效能,应用决策曲线比较各模型的临床应用价值。结果 分别从CC、MLO图像中提取并筛选出4个和6个影像组学特征构建影像组学模型,其验证集中的AUC为0.714,灵敏度为0.792,特异度为0.600,准确度为0.705。年龄和BI-RA...     

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。     

基于CT影像组学对食管鳞状细胞癌病理分化程度的预测

目的：探讨CT影像组学在预测食管鳞状细胞癌分化程度中的价值。方法：回顾性分析2008年1月到2016年8月经手术病理切片证实为食管鳞状细胞癌,临床资料完善和术前行CT增强扫描并获得完整图像的160例,随机分成训练集(103例)和验证集(57例),运用Matlab软件对图像进行特征提取并进行筛选,建立影像组学标签。结合获得的影像组学标签和临床资料建立多变量logistic回归分析,建立影像组学模型(radiomics predictive mode)并进行验证。运用受试者操作特征(receiver operator characteristic,ROC)曲线评价模型术前预测食管鳞状细胞癌分化程度的效能。结果：影像组学标签为食道癌病理分化程度显著的独立预测因素。影像组学预测模型在训练组中的曲线下面积(area under curve,AUC)值为0.791,敏感度为81.6%,特异度为72.3%;在验证集中的AUC值为0.757,敏感度为70.0%,特异度为73.0%。结论：基于CT影像提取的影像组学特征构建的模型,对于术前预测食管癌分化程度具有一定的效能。     

基于DCE-MRI影像组学和常规MRI特征的列线图预测乳腺癌淋巴血管侵犯

目的：研究基于动脉对比增强磁共振成像（DCE-MRI）影像组学和常规MRI特征的列线图用于术前预测浸润性乳腺癌（IBC）患者的淋巴血管侵犯（LVI）状态。方法：回顾性分析2016 年7月至2021年5月间,经术后病理证实的300例IBC患者,并按照8:2比例随机分为训练组（n =238）和验证组（n =62）。对所有患者第二期DCE-MRI图像中的病灶区进行手动分割,并提取影像组学特征。采用方差阈值、select k best、LASSO回归进行影像组学特征筛选并计算影像组学评分（rad-score)。使用Logistic回归分析筛选常规MRI特征建立常规特征模型,并结合影像组学和常规MRI特征中的独立危险因素构建联合预测模型,并绘制列线图。使用受试者工作特征（ROC）曲线和校准曲线评估模型的效能,使用决策曲线分析评估模型的临床价值。结果：共提取到1 409个影像组学特征,经筛选得到15个影像组学特征与乳腺癌LVI状态相关,参与计算rad-score值。所有常规MRI特征中,最大直径（OR =1.743,P ＜0.001）和毛刺征（OR =6.304,P ＜0.001）是预测LVI阳性的独立危险因素。在训练组及验证组中,影像组学模型的ROC曲线下面积（AUC）分别为0.831和0.811;常规特征模型的AUC分别为0.779和0.770;联合预测模型的AUC分别可提高到0.889（95%CI =0.844～0.934）和0.856（95%CI =0.759～0.952）。校准曲线表明列线图预测值和实际值吻合较好,决策曲线显示列线图有较高的临床应用价值。结论：基于DCE-MRI影像组学和常规MRI特征构建的列线图用于术前预测IBC患者LVI状态具有良好的应用价值,可为临床治疗提供参考。     

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。     

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...     

基于增强CT影像组学的列线图模型在预测胸腺上皮性肿瘤WHO简化分型中的应用研究

目的 探讨基于增强CT图像的列线图模型在预测胸腺上皮性肿瘤(TETs)WHO简化分型中的应用价值。方法 回顾性分析术前行胸部增强CT检查并经手术病理证实的165例TETs,按照8:2的比例随机划分为训练集132例与验证集33例。于静脉期图像手动勾画感兴趣区(ROI)并提取影像组学特征,经数据降维筛选出有效特征并建立影像组学公式,计算每位患者的得分(radscore)并构建影像组学模型。纳入多个CT特征,经多因素逻辑回归筛选出具有独立预测价值的特征并构建CT特征模型。联合具有独立预测价值的CT特征及radscore构建列线图模型。采用受试者工作特性曲线(ROC)评估模型的诊断效能,校正曲线及决策曲线(DCA)评估模型的预测准确性及临床应用价值。结果 在训练集中,纵隔脂肪浸润与radscore共同构建了列线图模型,模型在训练集的曲线下面积(AUC)值为0.902(95%CI:0.838～0.947),在验证集的AUC值为0.824(95%CI:0.652～0.934)。结论 基于增强CT影像组学的列线图模型对于TETs WHO简化分型有较高的预测价值,可作为一种无创的术前评估工具辅助临床决...     

基于胸部CT影像组学的列线图对非小细胞肺癌表皮生长因子受体基因突变的预测价值

目的通过基于胸部CT影像组学的列线图对非小细胞肺癌（NSCLC）表皮生长因子受体（EGFR）基因突变进行鉴别和预测。方法回顾杭州市第一人民医院2019年1月至2020年8月经病理检查证实为NSCLC的153例患者胸部CT图像及EGFR基因检测结果,将所有患者分为基因突变组90例及野生组63例,通过7︰3比例的分层抽样将所有患者分为训练组108例和验证组45例,提取所有CT图像影像组学特征并筛选,得到影像组学特征参数分数（Rad-score）,同时建立影像组学特征模型。通过纳入Rad-score、图像语义特征及患者的临床资料,用多因素二元logistic回归建立联合模型,得到联合模型的列线图,实现模型可视化,并进行模型验证。绘制ROC曲线评价影像组学特征模型、临床-语义特征模型及联合模型对NSCLCEGFR基因突变的预测效能。结果联合模型对于鉴别NSCLCEGFR基因突变具有较好的预测效能,训练组AUC=0.77,95%CI：0.68~0.85,准确度为70.0%,灵敏度为0.67,特异度为0.76,阳性预测值为79.3%,阴性预测值为61.8%;验证组AUC=0.77,95%CI：0.63~0.91,准确度为71.1%,灵敏度为0.79,特异度为0.62,阳性预测值为70.4%,阴性预测值为72.2%。Rad-score、结节分型、吸烟史均为独立预测因子。结论通过基于胸部CTRad-score、图像语义特征及临床特征资料建立的的联合模型所得到的列线图,对预测NSCLCEGFR基因突变具有一定价值。     

基于多参数磁共振成像的影像组学列线图在识别脑白质高信号半暗带中的应用研究

目的探讨使用T2WI联合FLAIR序列成像的影像组学列线图识别脑白质高信号半暗带的临床可行性。方法回顾性分析2012年至2017年我院收治的57例白质高信号进展患者和57例健康体检者的资料并分为训练组(n=80)和验证组(n=34)。对每例患者和健康体检的白质高信号半暗带区分别对T2WI和FLAIR图像提取纹理特征,然后对训练组使用最小绝对收缩与选择算子算法进行降维并建立影像组学标签,同时结合临床危险因素作为Logistic回归分析的潜在预测因子构建识预测模型并制作模型列线图。通过验证组数据评估影像组学列线图的性能和临床应用价值。结果列线图预测白质高信号半暗带的准确率在训练组和验证组中分别为0.881和0.862。Hosmer-Lemeshow检验在训练和验证集间差异均无统计学意义(P>0.05)。使用受试者工作特征曲线评估列线图、影像组学标签和糖尿病因素的AUC分别为0.829、0.819和0.64。结论基于多参数磁共振成像的影像组学列线图可作为一种量化工具帮助临床医生识别白质高信号半暗带,从而进行早期的干预治疗。     

基于MRI影像组学列线图预测脑膜瘤术后脑水肿分级的价值

目的 探究基于多序列MRI影像组学列线图预测脑膜瘤术后脑水肿严重程度的临床应用价值。方法 回顾性分析2019年1月至2022年4月在蚌埠医学院第一附属医院经手术病理证实为脑膜瘤患者170例的术前MRI图像、术后CT图像及临床资料,轻度脑水肿患者101例、重度脑水肿患者69例。随机的将病例按照7:3分为训练组(119例)和验证组(51例)。采用医准-达尔文AI平台获得T₁WI、T₂WI及T₁WI+C图像的10个影像组学特征。根据最大绝对值归一化和选择算子回归进行特征降维、最优特征筛选(个数)最后采用逻辑回归建立模型,在此模型基础上绘制列线图。三种不同模型预测脑膜瘤术后水肿程度的诊断效能用特征曲线(ROC)下的面积(AUC)评估。结果 基于临床特征构建的临床模型、基于影像特征构建的影像模型及联合临床资料和影像特征构建的临床-影像组学模型在训练组和验证组的AUC均大于0.80,具有一定的预测效能。其中基于临床资料和影像特征构建的临床-影像组学模型在训练组(AUC=0.90)和验证组(AUC=0.91)均高于临床模型和影像组学模...     

基于增强CT影像组学术前预测胃癌淋巴结转移

目的 探讨基于增强CT图像的影像组学术前预测胃癌淋巴结转移的价值。方法 回顾性分析经手术后病理证实的胃癌患者259例,将其随机分为训练集(n=183)和验证集(n=76)。在CT增强静脉期图像上对肿瘤区域进行分割,使用AK软件计算提取396个影像组学特征,在训练集中采用最小冗余最大相关方法 (mRMR)及最小绝对收缩和选择算子(LASSO)来选择最有预测价值的影像组学特征,使用多元逻辑回归分析构建影像组学预测模型,最后使用受试者工作特征(ROC)曲线,在训练集和验证集中分别通过曲线下面积(AUC)评估该模型预测胃癌淋巴结转移的效能。结果 在提取的396个影像组学特征中,最终筛选出12个对胃癌淋巴结转移最有预测价值的影像组学特征构建影像组学模型,其在训练集和验证集中的AUC分别为0.82和0.78,其准确度、敏感度、特异度分别为0.79、0.74、0.83及0.76、0.63、0.85。结论 基于增强CT图像的影像组学对术前预测胃癌淋巴结转移具有潜在的价值。     

食管鳞癌淋巴结转移的影像组学与预后的关联

目的 探讨使用卷积神经网络(CNN)提取的食管鳞癌(ESCC)淋巴结转移相关的影像组学特征与ESCC预后的关联。方法 回顾性分析308例ESCC患者的临床资料,其中154例有淋巴结转移、154例无淋巴结转移,按2∶1比例将其分为训练集和验证集。通过MRIcroGL软件标记CT影像中的淋巴结,使用CNN分割提取ESCC淋巴结影像特征,通过LASSO回归和随机森林筛选与ESCC淋巴结转移相关的影像组学特征并构建预测模型,采用Cox回归进行特征选择,建立影像组学标签,分析其与ESCC预后的关联,进而构建列线图评价模型预测能力。结果 使用CNN自动提取到999个影像组学特征值;使用LASSO回归筛选出的19个特征,在全模型、训练集和验证集中构建模型的曲线下面积(AUC)(95%CI)分别为0.747(0.694,0.801)、0.751(0.686,0.817)和0.766(0.672,0.860);使用随机森林筛选出9个特征的预测模型中AUC (95%CI)分别为0.692(0.633,0.751)、0.683(0.610,0.755)和0.723(0.624,0.822)。多因素Cox回归...     

基于DCE-MRI影像组学和临床特征的列线图在乳腺MRI BI-RADS 4类病灶中的诊断价值

目的：探讨联合动态增强磁共振（DCE-MRI）影像组学及临床特征的列线图在乳腺MRI BI-RADS 4类病灶中的诊断价值。方法：回顾性分析2017 年1月至2019 年6月在温州医科大学附属第一医院经病理证实的189个MRI BI-RADS 4类乳腺病灶,其中良性71个,恶性118个。所有患者在病理检查前均接受了DCEMRI扫描和血生化检查。计算DCE-MRI参数图并提取病灶的相应影像组学特征。经特征选择后,通过对所选特征按其系数加权求和来计算影像组学评分（rad-score）。采用单因素和多因素logistic回归分析寻找乳腺癌的临床危险因素。最后使用多因素logistic回归构建基于临床危险因素和影像组学评分的组合模型,绘制列线图。使用ROC曲线评估模型的诊断性能。结果：单因素和多因素分析显示,年龄、低密度脂蛋白胆固醇和总胆红素水平是乳腺癌的临床危险因素,其构建的临床模型在测试集的ROC曲线下面积（AUC）为0.73（0.58～0.87）。经过特征筛选,11个影像组学特征参与计算影像组学评分,其在测试集的AUC为0.80（0.68～0.92）。将其与临床模型进一步结合,AUC提高到0.88（0.79～0.97）,差异有统计学意义（P =0.037）。结论：基于DCE-MRI影像组学和临床危险因素构建的列线图用于鉴别诊断乳腺磁共振BI-RADS 4类病灶良恶性有较高价值。     

基于KUB、低剂量CT影像组学列线图预测攀枝花泌尿系统结石成分价值

目的探讨基于X线腹部平片(KUB)、低剂量CT影像组学列线图预测攀枝花泌尿系统结石成分价值,以期为临床明确结石成分、制定治疗方案提供依据。方法选取2019年6月至2022年6月我院96例泌尿系统结石患者作为研究对象,均行KUB、低剂量CT检查,根据术后结石成分红外光谱检测法定性结果分为尿酸结石组(n=83)和非尿酸结石组(n=13),采用A.K.软件提取CT影像组学特征并构建影像组学标签,Logistic回归方程筛选泌尿系统结石成分预测因子,构建列线图模型,ROC曲线评估模型预测效能,行内外部验证。结果尿酸结石组和非尿酸结石组BMI、血UA、尿pH值、血Scr、高血压、糖尿病比较存在显著差异(P<0.05);血UA、尿pH值、高血压、糖尿病、影像组学标签评分是泌尿系统结石成分影响因素(P<0.05);ROC曲线显示,列线图模型在训练集和验证集人群中AUC分别为0.915、0.915,该模型预测在训练集和验证集人群中结果与实际观察结果之间有很好相关性,DCA曲线显示在范围0.8～0.9、0.3～0.9内,该模型在训练集和验证集人群中净获益值较好。结论 基于KUB、低剂量CT影...     

基于超声影像组学及临床特征构建乳腺癌列线图的预测模型

目的：通过整合临床危险因素和术前超声影像组学评分,建立一个基于超声影像组学的列线图预测乳腺癌。方法：回顾性收集2020年10月—2023年2月有明确病理结果的525例患者的525个乳腺肿块（其中良性241例,恶性284例）的超声图像,按照7∶3比例随机分为训练组（368例）、验证组（157例）。根据肿块轮廓勾画出肿瘤的感兴趣区域（Region of interest,ROI）,并提取影像组学特征。采用最小绝对收缩和选择算子（Least absolute shrinkage and selection operator, LASSO）对超声影像组学特征进行降维分析,选择Logistic回归分类器将结果输出转换为影像组学评分（Radiomics score,Rad-Score）,作为Rad-Score模型。此外,采用Logistic回归方法将影像组学评分与临床危险因素进行整合,构建联合模型并绘制列线图。绘制ROC曲线及校准曲线以评价模型效能。结果：提取的851个影像组学特征中筛选出13个非零特征用于建立模型,多因素分析中,乳腺癌患者的独立危险因素是年龄,基于患者年龄及Rad-Score构建...