多模态颅脑MRI影像组学特征在预测胶质母细胞瘤患者生存风险分层中的应用研究

目的探讨多模态颅脑MRI影像组学特征在预测胶质母细胞瘤（GBM）患者生存期风险分层中的作用。方法回顾性分析BRATS2018数据库中经手术病理证实的GBM患者163例,按入组时间分为训练组114例,测试组49例。提取所有患者术前MRI图像影像组学特征,评估传统影像视觉特征,然后对训练组数据使用最大相关-最小冗余算法和梯度提升决策树算法进行降维后建立影像组学标签模型,计算患者的影像组学标签分数,最终结合影像视觉特征和临床因素,使用多元逻辑斯回归构建总生存期联合预测模型并绘制列线图。基于测试组数据使用ROC曲线评估模型的诊断效能,并用决策曲线分析验证。结果从每例患者的4个MRI序列图像、5个感兴趣区共提取纹理特征7920个,经降维后筛选出26个最优价值特征构建影像组学标签。使用多元逻辑斯回归构建包含了深部白质、年龄和影像组学标签的联合诊断模型,并生成列线图,该模型在训练组和测试组中预测长短生存期的准确率分别为0.848和0.800。列线图、联合影像、影像组学标签、深部白质受累和年龄在所有患者中的诊断准确率分别为0.941、0.908、0.873、0.663和0.655。基于模型区分的高危组与低危组中的GBM患者数差异有统计学意义（P＜0.05）。结论影像组学标签、深部白质和年龄是GBM患者的独立预测因子,基于三者的联合模型而绘制的列线图可用于预测GBM患者总生存期,有助于进行生存风险分层。     

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。     

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。     

基于双模态MRI影像组学术前预测浸润性乳腺癌腋窝淋巴结转移

目的探讨T2WI联合DCE-MRI的影像组学特征术前预测浸润性乳腺癌腋窝淋巴结转移的价值。方法回顾性分析经手术病理证实的168例浸润性乳腺癌病人的临床病理资料及MRI图像资料。根据手术病理结果,将其分为淋巴结转移组（n=64）和无淋巴结转移组（n=104）,并按8:2的比例将病人随机分为训练组（n=134）与验证组（n=34）。在T2WI和DCE两个序列手动勾画ROI进行图像分割和影像组学特征提取,利用Select K Best、LASSO回归及迭代筛选特征对高维组学特征进行降维,保留与腋窝淋巴结转移高度相关的特征。采用logistic回归建立T2WI、DCE和T2WI联合DCE三个影像组学预测模型,利用ROC曲线下面积（AUC）评估模型的效能,并以最优模型生成列线图。结果T2WI、DCE和T2WI联合DCE的影像组学预测模型在训练组的AUC分别为0.75、0.75和0.80;验证组的AUC分别为0.75、0.73和0.79。T2WI联合DCE模型的预测效能最佳。结论T2WI联合DCE影像组学预测模型在术前对浸润性乳腺癌腋窝淋巴结转移的预测具有一定的价值,能够无创、准确地预测腋窝淋巴结转移状态。     

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...     

CT影像组学识别非酒精性脂肪性肝炎的应用研究

目的 构建并验证基于CT的全肝影像组学模型用于识别非酒精性脂肪性肝炎（non-alcoholic steatohepatitis,NASH）。方法 回顾性选取2018年6月至2022年12月浙江省人民医院收治的122例非酒精性脂肪性肝病患者,其中NASH患者52例。将纳入患者按7：3比例随机分为训练组（n=85）和测试组（n=37）,选取每例患者的肝脏平扫图像提取影像组学特征,对训练组提取的特征进行降维并建立影像组学标签,之后联合相关临床特征构建联合预测模型用于识别NASH患者,使用受试者操作特征曲线及测试组数据评估模型的诊断效能。结果 联合预测模型基于年龄和影像组学标签构建,该模型在训练组和测试组中识别NASH患者的诊断效能分别为0.899和0.880,特异性分别为91.2%和88.1%,敏感度分别为86.7%和88.2%。校准曲线在训练组和测试组中也显示出良好的校准性能。结论 基于肝脏CT的影像组学模型可定量评估NASH,有望为临床提供一种无创性评价工具。     

急性期脑梗死患者CT及MRI影像学特点分析

目的分析急性期脑梗死患者电子计算机断层扫描(computerized tomography,CT)及磁共振成像(magnetic resonance imaging,MRI)的影像学特点。方法按纳入排除标准选取我院自2016年1月-2018年4月收治的800例急性期脑梗死患者为研究对象,其中288例自发病至入院检查时间6h(超急性期)、6-24h 240例(急性期)、1d-14d 272例(亚急性期);回顾性分析其CT、MRI影像学资料及临床病历,比较CT、MRI对急性期脑梗死的诊断价值,并分析其影像学特征。结果 MRI在急性期脑梗死任意时段,脑梗死检出率均显著高于CT(P0.05);且超急性期CT常无明显异常表现,急性期及亚急性期可出现早期低密度影,皮质、白质边界不清,豆状核和脑岛带征,脑沟回、脑室及脑池改变,并在大血管闭塞后出现大脑中动脉或基底动脉高密度征等影像表现;超急性期MRI可见病变在弥散加权成像(diffusion weighted image,DWI)上呈明显高信号,但TIWI、T2WI、FLAIR均无明显异常信号;急性期MRI亦可见DWI高信号,且TIWI低信号,T2WI、FLAIR高信号,T2WI、FLAIR信号强度弱于DWI;亚急性MRI可见DWI高信号,TIWI低信号,T2WI、FLAIR高信号,且T2WI、FLAIR信号强度较DWI信号强。结论急性期脑梗死任意时间段行CT及MRI均可为其临床诊治提供更完整的影像学依据,值得临床重视。     

基于MRI平扫的影像组学模型鉴别软骨肉瘤与内生软骨瘤

目的 探讨基于MRI平扫构建的影像组学模型用于鉴别诊断软骨肉瘤与内生软骨瘤的价值。方法 回顾性分析68例软骨源性肿瘤（软骨肉瘤27例,内生软骨瘤41例）,将其随机分配到训练组（n=46）与验证组（n=22）。首先由2名放射科医师独立提取平扫T1WI和T2WI-FS序列中肿瘤所有层面的影像组学特征,采用组内相关系数（ICC）评价2名医师提取组学特征的一致性;然后使用方差选择法、单变量特征选择、最小绝对收缩与选择算子算法（LASSO）对组学特征进行筛选和降维,使用多因素逻辑回归分析构建基于T1WI和T2WI-FS序列的组学模型,采用受试者工作特征曲线（ROC）评估组学模型的诊断效能, 并与放射科医师采用常规MR序列的诊断效能进行对比。结果 2名放射科医师独立提取患者T1WI和T2WI-FS序列影像组学特征的一致性良好（ICC值范围为0.779~0.923）。在T1WI序列筛选出10个组学特征,在T2WI-FS序列筛选出11个组学特征,两个序列的组 学模型在训练组中AUC分别为0.990和0.925;在验证组中AUC分别0.915和0.855,模型之间的诊断效能差异均无统计学意义（P>0.05）。在所有病例中,T1WI、T2WI-FS序列组学模型与常规MRI诊断的AUC分别为0.955、0.901、0.569,基于两个序列的组学模型诊断准确性均高于放射科医生的诊断效能（P<0.001）。结论 基于MRI平扫T1WI和T2WI-FS序列构建的影像组学模型能用于鉴别诊断软骨肉瘤与内生软骨瘤。     

基于T2W-MRI影像组学标签术前预测浸润性乳腺癌组织学分级

目的：构建并验证基于磁共振T2加权像(T2 weighted MRI,T2W-MRI)压脂序列图像术前预测浸润性乳腺癌组织学分级(I/II级、III级)的影像组学标签。方法：回顾性收集2011年6月至2017年2月在广东省人民医院行MRI检查并经病理诊断证实的浸润性乳腺癌患者202例,并进一步将其分为训练组152例(I/II级91例, III级61例)和验证组50例(I/II级30例, III级20例)。通过导出T2加权成像(T2 weighted imaging,T2WI)压脂序列中肿瘤最大层面图像并手动勾画肿瘤感兴趣区、提取影像组学特征后,应用最小绝对收缩和选择算子(the least absolute shrinkage and selection operator,LASSO)-logistic回归模型筛选特征并构建影像组学标签。使用Mann-Whitney U检验分析影像组学标签与浸润性乳腺癌组织学分级之间的关系;应用受试者工作特征(receiver operating characteristic,ROC)曲线并计算曲线下面积(area under curve,AUC)、敏感度、特异度及准确度以评价影像组学标签术前预测浸润性乳腺癌组织学分级的效能;并在验证组中验证其效能。 结果：在训练组中提取并筛选出8个特征用于构建影像组学标签,其在术前预测浸润性乳腺癌组织学分级的效能在训练组中AUC值为0.802(95% CI：0.729~0.875),敏感度、特异度和准确度分别为78.7%,70.3%和73.7%;在验证组中,AUC值为0.812(95% CI：0.686~0.938),敏感度、特异度及准确度分别为80.0%,73.3%和76.0%。结论：基于T2W-MRI压脂序列图像的影像组学标签可术前预测浸润性乳腺癌组织学分级,有望协助临床决策。     

基于MRI增强T1WI影像组学预测模型鉴别高级别胶质瘤IDH 1突变型与野生型的价值

目的：探讨基于术前增强T1WI构建的影像组学模型预测高级别胶质瘤患者异柠檬酸脱氢酶-1（IDH 1）突变型与野生型的价值。方法：回顾性分析2012 年6 月至2020 年12 月在温州医科大学附属第五医院行颅脑增强T1WI图像的高级别胶质瘤患者89 例,IDH 1突变型32 例（WHO III级15 例,WHO IV级17例）,IDH 1野生型57例（WHO III级12例,WHO IV级45例）,按7:3随机分为训练组和验证组。使用A.K软件对原始增强T1WI图像进行影像特征提取,Kruskal-Wallis非参数检验、Spearman相关性分析、LASSO回归及10 倍交叉验证进行特征降维,筛选出最具特征的参数。采用受试者操作特征（ROC）曲线评价模型对高级别胶质瘤IDH 1突变型和IDH 1野生型识别的预测效能。决策曲线分析（DCA）评价模型的获益情况。结果：每位患者增强T1WI图像共提取396个不同的纹理参数,通过LASSO降维及10倍交叉验证筛选,最终得到5个最具特征性纹理参数,并计算得到相应放射值,构建训练组和验证组的预测模型,训练组模型的ROC曲线下面积为0.902（95%CI：0.826～0.978）,灵敏度和特异度分别为84.6%和81.8%,验证组模型的ROC曲线下面积为0.844（95%CI：0.676～1.000）,敏感度为77.8%,特异度为80.1%。DCA显示影像组学模型在风险阈值0.1～1.0间较大范围内的净收益优于不作处理模型和全部处理模型。结论：基于MRI增强T1WI构建的影像组学模型可有效识别高级别胶质瘤的IDH 1突变型和野生型。     

术前预测胃癌Lauren分型的CT影像组学诺模图的构建和验证

目的: 探讨基于CT图像的影像组学诺模图术前预测胃癌Lauren分型的可行性。方法: 回顾性分析经病理检查确认的539例胃癌患者的临床资料,按照7 ∶3的比例随机分为训练集和验证集,利用ITK SNAP软件对门脉期CT图像进行勾画,从瘤内及瘤周提取两组影像组学特征。利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归筛选出最优特征组合,分别构建了基于瘤内的模型、基于瘤周的模型及联合瘤内及瘤周特征的影像组学标签,基于临床特征构建了临床模型1和临床模型2,最后结合临床特征和影像组学标签构建了影像组学模型。利用受试者工作特征（receiver operator characteristic, ROC）曲线下面积（area under curve,AUC）评估模型的预测能力。采用Delong检验比较各个模型间的预测性能。采用校准曲线验证模型预测概率与实际病理结果的匹配性,决策曲线评估临床信息的有效性。结果： 影像组学标签在训练集与验证集的AUC分别为0.715 (95%CI：0.663～0.767),0.714(95%CI：0.636～0.792)。结合了临床特征及影像组学标签的影像组学模型性能优于其他模型,在训练集与验证集的AUC分别为0.745(95%CI：0.696～0.795),0.758（95%CI：0.685～0.831）。此外,校准曲线和决策曲线证明了影像组学诺模图具有良好的匹配性以及临床实用性。结论： 结合了影像组学标签及临床特征的影像组学模型有助于区分Lauren分型中的弥漫型及肠型胃癌,为合理制定临床治疗策略提供了依据。     

脑转移瘤的MRI诊断

目的研究脑转移瘤的MRI表现,探讨其对脑转移瘤的诊断价值。方法回顾分析经临床及病理证实的脑转移瘤50例,所有的病例均行颅脑MRI平扫及增强扫描,都包括T1WI、T2WI、FLAIR及DWI。结果 50例脑转移瘤中单发12例,多发38例;其中MRI平扫T1WI发现病灶95个,平扫FLAIR发现病灶120个,增强T1WI发现病灶156个,增强FLAIR发现病灶192个。结论 MRI增强扫描比平扫能发现更多的脑转移瘤病灶,尤其是增强FLAIR序列;脑转移瘤MRI表现具有一定的特征性,结合临床病史大部分能做出正确诊断。     

基于急诊CT平扫影像组学在预测腹主动脉综合征中的价值

目的：探讨基于急诊CT平扫影像组学在腹主动脉综合征（AS）中的诊断价值。方法：收集2012年8 月至2020 年10 月于温州医科大学附属第二医院行腹部CT平扫和增强的急诊患者145 例。根据是否患有腹部AS,将所有患者按分层抽样法以7:3分为训练集和验证集。逐层手动勾画CT平扫图像上的腹主动脉并从中提取影像组学特征。经特征筛选后构建影像组学标签,并以此计算每位患者的影像组学评分（Radscore）。采用单因素和多因素Logistic回归分析寻找预测腹部AS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Rad-score的联合模型,绘制列线图。使用受试者工作特征（ROC）曲线评估模型的诊断性能。结果：单因素和多因素Logistic回归分析显示,腹痛（OR =0.48,95%CI =0.19～1.22,P =0.12）、钙化斑内移（OR =8.76,95%CI =3.27～23.45,P ＜0.001）是腹部AS的危险因素,其构建的临床模型在验证集的ROC曲线下面积（AUC）为0.79。8个影像组学特征被选择用于构建影像组学标签,其在验证集的AUC为0.88。将该标签与临床模型结合获得联合模型,其在验证集的AUC为0.89。临床决策曲线显示,联合模型的临床实用性最优。结论：基于腹部CT平扫影像组学和临床危险因素构建的列线图能较好地预测急诊患者是否患有腹部AS。     

基于T2WI与RS-EPI DWI影像组学特征的自动化机器学习模型预测直肠癌术前T分期的价值

  目的  探讨基于磁共振T2加权成像（T2 weighted image, T2WI）和分段读出平面回波成像（readout-segmented EPI, RS-EPI）与扩散加权成像（diffusion weighted image, DWI）的影像组学特征,通过开发和验证自动化机器学习模型,预测直肠癌术前病理T分期的价值。  方法  回顾性分析2016年10月?2018年12月经手术病理结果证实为直肠癌且在我院行术前直肠磁共振的患者131例。采用ITK-SNAP软件从T2WI和RS-EPI DWI图像中手动分割出肿瘤区域。使用PyRadiomics包提取出200个特征〔100个特征来自于T2WI,100个特征来自RS-EPI DWI的表观弥散系数（apparent diffusion coefficient, ADC）图〕。使用mwmote与neater重采样均衡数据,加入13例T_1-2期模拟数据。根据3∶1的比例将总体数据分割成训练集111例和测试集37例。在训练集上使用Tree-based Pipeline Optimization Tool（TPOT）最优化模型参数并选取最重要的组学特征建模,得到5个互相独立的T分期模型。使用准确率和受试者工作特征（ROC）曲线下面积（area under the curve, AUC）筛选出最优模型。在测试集和原数据集上预测直肠癌T分期。  结果  自动化机器学习推荐的5个T分期模型,在训练集上的准确率为0.802～0.838,敏感度为0.762～0.825,特异度为0.833～0.896,AUC范围为0.841～0.893,average precision（AP）范围为0.870～0.901。经过对比后,最终选择的模型的敏感度、特异度、AUC,在训练集上为0.810、0.875、0.893,在测试集上为0.810、0.813、0.810,在原始数据集上为0.810、0.830、0.860。  结论  基于T2WI和RS-EPI DWI的影像组学数据,通过自动化机器学习建立的模型在预测直肠癌T分期上有较高的准确率。     

基于钆塞酸二钠增强磁共振成像影像组学定量评估肝硬化患者肝脏储备功能的应用价值

目的 利用影像组学技术探究基于钆塞酸二钠增强磁共振成像(MRI)肝胆期图像的影像组学特征与肝硬化Child-Pugh 分级的相关性,创建列线图预测模型并评价其对肝硬化患者肝脏储备功能的预测价值。方法 收集符合纳入标准的100例肝硬化患者,按照Child-Pugh分级标准分成52例Child-Pugh A级患者和48例Child-Pugh B+C级患者,并分别按照7∶3的比例随机分成训练集和测试集。采用AK软件提取训练集患者的钆塞酸二钠增强MRI肝胆期图像的影像组学特征,采用最小绝对收缩与选择算子算法特征选择算法对数据进行降维、特征选择和构建影像组学标签。根据影像组学标签创建预测肝脏储备功能Child-Pugh B+C级的列线图预测模型,将该模型分别应用于训练集和测试集中,并利用受试者工作特征(ROC)曲线定量评估其诊断效能。结果 经过对利用AK软件提取的396个纹理特征参数进行降维筛选,最终得到7个影像组学特征参数。根据以上特征建立构建影像组学标签并创建列线图预测模型。通过Wilcoxon秩和检验统计分析训练集和测试集中的Child-Pugh A级和Child-Pugh B+C级的影像组学标签分数值的差异均具有统计学意义(P=0.000,P=0.001)。列线图预测模型预测肝脏储备功能Child-Pugh B+C级的诊断效能在训练集及测试集中的ROC曲线下面积分别为0.88和0.86。结论 根据不同肝脏储备功能的肝硬化患者影像组学标签创建的列线图预测模型可以作为肝脏储备功能的较为准确可靠的辅助检测工具,为临床医生更加准确评估肝硬化患者的肝脏储备功能提供一种新手段。