基于CT平扫影像组学鉴别≤2 cm甲状腺良恶性结节

目的观察基于CT平扫影像组学模型鉴别直径≤2 cm甲状腺良恶性结节的价值。方法回顾性分析97例经手术病理证实直径≤2 cm甲状腺结节患者,按7∶3比例将其随机分为训练组(n=67)及验证组(n=30)。提取训练组病灶的影像组学特征并进行预处理,采用最小绝对收缩和选择算子(LASSO)方法筛选最优影像组学特征;以二元Logistic回归方法建立鉴别甲状腺结节良恶性的影像组学模型,计算训练组中良恶性结节的影像组学评分,于验证组中进行验证。以ROC曲线法评估影像组学模型在训练组及验证组中的诊断效能。结果训练组25例良性病变和42例恶性病变;验证组10例良性、20例恶性病变。共于训练组病灶中提取848个影像组学特征,经预处理及筛选获得8个最优影像组学特征,建立鉴别直径≤2 cm甲状腺良恶性结节的影像组学模型。2组良性结节影像组学评分[-0.08(-1.96,0.78)、0.11(-0.96,0.65)]均低于恶性结节[1.20(0.80,2.56)、1.03(0.80,2.47),t=-3.29、-3.12,P均<0.01]。影像组学模型鉴别训练组及验证组甲状腺良恶性病变的敏感度分别为0.77、0.74,特异度分别为0.79、0.91,AUC分别为0.84、0.88(D=0.35,P=0.73)。结论基于CT平扫影像组学鉴别直径≤2 cm甲状腺良恶性结节具有较好的应用价值。     

CT影像组学联合CT特征预测肺亚实性结节侵袭性

目的 观察CT影像组学联合CT特征预测肺亚实性结节侵袭性的价值。方法 回顾性分析170例肺亚实性结节患者资料,包括6例非典型腺瘤样增生(AAH)、12例原位腺癌(AIS)、58例微浸润性腺癌(MIA)及94例浸润性腺癌(IAC),将AAH、AIS和MIA归为非侵袭组、IAC归为侵袭组。按7∶3比例将患者分为训练集(n=119,含5例AAH、9例AIS、36例MIA及69例IAC)和验证集(n=51,含1例AAH、3例AIS、22例MIA及25例IAC)。采用单因素及logistic回归分析训练集患者一般资料及病灶CT表现,筛选预测肺亚实性结节侵袭性的独立危险因素并建立CT模型;基于训练集提取及筛选病灶最佳影像组学特征,以之构建影像组学模型。基于CT模型及影像组学模型构建联合模型,并以列线图将其可视化。绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),基于验证集评估各模型诊断效能;以校准曲线评价联合模型的校准程度。结果 CT所示结节长径和最大CT值为预测肺亚实性结节为IAC的CT相关独立危险因素,以之构建CT模型。基于训练集筛选出6个最佳影像组学特征并构建影像组学模型。CT模型、影像组学模型及联合模型预测验证集肺亚实性结节侵袭性的AUC分别为0.772、0.785及0.869;联合模型的AUC高于CT模型(Z=2.336,P=0.019)而与影像组学模型差异无统计学意义(Z=1.925,P=0.054),其预测结果与实际结果的一致性较高。结论 CT影像组学联合CT特征可有效预测肺亚实性结节侵袭性。     

CT影像组学模型鉴别诊断肺淋巴瘤与肺浸润性黏液腺癌

目的观察CT影像组学模型鉴别诊断肺淋巴瘤与肺浸润性黏液腺癌(PIMA)的价值。方法回顾性分析经病理证实的34例肺淋巴瘤(淋巴瘤组)及64例PIMA患者(PIMA组),按7∶3比例将其随机分入训练集和验证集。于胸部CT纵隔窗图像上沿病灶边缘手动勾画三维容积感兴趣区(VOI),提取影像组学特征参数。以最小冗余最大相关、LASSO十折交叉验证进行特征降维,以多因素Logistic回归分别构建影像组学标签、影像学特征模型及二者融合的个体化预测模型(以列线图表示)。采用受试者工作特征(ROC)曲线评价各模型对肺淋巴瘤与PIMA的鉴别效能,以决策曲线分析(DCA)综合评价模型的临床效用价值。结果共获得15个影像组学参数用于构建影像组学标签;ROC曲线结果显示其鉴别训练集肺淋巴瘤与PIMA的AUC=0.84,验证集AUC=0.77。以空气支气管征、支气管扩张及胸腔积液构建影像学特征模型,训练集AUC=0.85,验证集AUC=0.81;融合列线图对训练集AUC=0.95,验证集AUC=0.92;列线图具有更高的临床效用价值。结论基于CT征象、影像组学标签构建的个体化预测模型可有效鉴别肺淋巴瘤与PIMA。     

基于增强CT影像组学鉴别胸腺瘤组织学分型

目的 观察基于增强CT影像组学鉴别胸腺瘤组织学分型的价值。方法 回顾性分析226例经病理证实的胸腺瘤患者,按7∶3比例将其分为训练集(n=159)及测试集(n=67);利用最大相关最小冗余(mRMR)及最小绝对收缩和选择算子(LASSO)算法筛选最佳影像组学特征,构建鉴别胸腺瘤组织学分型的影像组学模型;以单因素及多因素logistic回归分析筛选鉴别胸腺瘤组织学分型相关的临床及CT表现,构建临床模型和联合影像组学特征及临床、CT特征的影像组学列线图。绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评价3种模型鉴别胸腺瘤组织学分型的效能并比较其差异,评价影像组学列线图的临床价值。结果 最终基于增强动脉期及静脉期CT筛选出19个最佳影像组学特征,以建立影像组学模型。临床模型由患者年龄、重症肌无力、病灶CT表现形态、侵犯邻近组织及动脉期CT值构成。训练集中,影像组学列线图及影像组学模型区分低危组胸腺瘤与高危组胸腺瘤的AUC (0.91、0.89)均高于临床模型(0.79,Z=3.62、2.49,P均＜0.05),而影像组学列线图与影像组学模型AUC差异无统计学意义(Z=1.54,P=0.12);3种模型在测试集中的AUC差异均无统计学意义(P均＞0.05)。阈值概率为0.1~1.0时,影像组学列线图的临床获益均大于临床模型及影像组学模型。结论 基于增强CT影像组学模型和基于临床、CT表现及影像组学特征的影像组学列线图均有利于鉴别胸腺瘤组织学分型,后者临床获益更高。     

基于CT影像组学模型鉴别腺性膀胱炎与膀胱癌

目的探讨基于CT的影像组学模型对腺性膀胱炎(CG)与膀胱癌的鉴别诊断效能。方法回顾性分析经病理证实的40例CG (CG组)和70例膀胱癌(膀胱癌组),均于术前接受盆腔平扫和三期增强CT扫描。分别在平扫、动脉期、静脉期及延迟期CT图像上勾画三维容积感兴趣区(VOI),提取影像组学特征。将按7∶3随机将患者分入训练集与测试集。对各期CT影像组学特征数据行归一化处理,以最小冗余最大相关法(mRMR)、最小绝对收缩和选择算法(LASSO)及5折交叉验证进行特征降维;采用多因素Logistic回归分析建立影像组学模型。以受试者工作特征(ROC)曲线评价各模型的诊断效能,采用Delong检验评价其效能差异,以决策曲线分析评估模型临床应用价值。采用Hosmer-Lemeshow检验和校正曲线评估模型拟合度。结果分别基于平扫、动脉期、静脉期、延迟期影像组学特征建立了模型1、2、3、4,各纳入4、7、5及6个特征;其鉴别诊断CG与膀胱癌的曲线下面积(AUC)均0.80,且Delong检验表明不同模型间AUC值差异无统计学意义(P均0.05)。模型2在测试组的AUC=0.939,高于其他模型。决策曲线分析表明,模型2用于临床鉴别CG与膀胱癌的净获益最高,Hosmer Lemeshow拟合优度检验显示模型2预测结果与实际结果差异无统计学意义(训练集:χ~2=8.75,P=0.36;测试集:χ~2=4.72,P=0.79);校正曲线显示模型2的拟合效果较好。结论基于各时相盆腔CT影像组学模型均可用于辅助临床鉴别诊断CG与膀胱癌,其中基于动脉期影像组学模型的诊断效能最高。     

基于CT残差神经网络-101-金字塔网络模型鉴别肺良、恶性结节

目的 观察基于CT的残差神经网络（ResNet）-101-金字塔网络（FPN）模型鉴别肺良、恶性结节的价值。方法 回顾性分析2 000例肺结节患者共2 040个肺结节,包括良性1 150个、恶性890个;按8∶2比例将结节分为训练集（n=1 632）与测试集（n=408）,前者包括良性结节881个、恶性结节751个,后者包括良性269个、恶性139个。以ResNet-101为主干网络、结合FPN基于胸部CT建立分类模型,观察其单一及联合医师评估鉴别肺良、恶性结节的效能。结果 测试集269个肺良性结节中,ResNet-101-FPN模型诊断正确214个（214/269,79.55%）,联合医师评估后诊断正确230个（230/269,85.50%）;139个恶性结节中,ResNet-101-FPN模型诊断正确124个（124/139,89.21%）,联合医师评估后诊断正确131个（131/139,94.24%）。ResNet-101-FPN模型联合医师评估鉴别肺良、恶性结节的敏感度、准确率和精确度均高于而特异度则低于单一ResNet-101-FPN模型,但差异均无统计学意义（P均＞0.05）。结论 基于CT的ResNet-101-FPN模型可鉴别肺良、恶性结节;联合医师评估可提高诊断效能。     

基于CT影像组学模型鉴别诊断小细胞肺癌与非小细胞肺癌

目的观察基于CT影像组学模型鉴别诊断小细胞肺癌(SCLC)与非小细胞肺癌(NSCLC)的效能。方法回顾性分析1 524例经手术病理确诊的肺癌患者,其中526例SCLC (SCLC组), 998例NSCLC(NSCLC组)。采用特征提取软件MaZda(Version 4.6)提取CT图像中病灶最大层面的纹理特征参数,以Correlation相关性分析和最小绝对收缩和选择算子(LASSO)算法对数据进行降维,筛选组间差异明显的影像组学特征,构建影像组学模型。以7∶3比例将全部患者分为训练集和验证集,采用7种机器学习模型,包括Logistic回归、随机森林(RF)、贝叶斯算法(NB)、决策树(DT)、卷积神经网络(CNN)、邻近算法(KNN)和支持向量机(SVM)模型对数据集进行处理,根据其在验证集的准确率选择最佳分类器模型,采用受试者工作特征(ROC)曲线分析该分类器模型对SCLC与NSCLC的鉴别诊断效能。结果针对每个病灶提取306个纹理特征参数,最终筛选出20个组间差异明显的影像组学特征,并以之构建预测模型。模型训练结果显示,KNN模型鉴别诊断SCLC与NSCLC的准确率最高,其在训练集的AUC为0.88、准确率81.34%、特异度97.00%、敏感度51.63%,在验证集的AUC为0.82、准确率78.82%、特异度95.00%、敏感度48.10%。结论基于CT影像组学结合机器学习算法建立的诊断模型可用于鉴别SCLC与NSCLC,以KNN模型的效能更优。     

CT影像组学标签预测肺腺癌表皮生长因子受体基因敏感突变

目的建立基于CT平扫图像的影像组学标签,探讨其用于预测肺腺癌表皮生长因子受体(EGFR)基因敏感突变的可行性。方法根据EGFR基因突变情况将80例肺腺癌患者分为EGFR敏感组(n=37)及EGFR不敏感组(n=43)。收集2组肺部病灶CT平扫主观影像征象,并提取影像组学特征;采用LASSO法进行特征挑选,以多因素Logistic回归分别建立主观影像征象模型、影像组学标签及融合模型,采用ROC曲线评估各模型预测EGFR基因敏感突变的效能。结果 EGFR敏感组与不敏感组间CT主观影像征象差异均无统计学意义(P均0.05)。通过特征选择,确定CT影像组学标签由4个影像组学特征构成。主观影像征象模型(AUC=0.66)、影像组学标签(AUC=0.77)及融合模型(AUC=0.83)预测EGFR基因敏感突变的效能差异均有统计学意义(P均0.05),以融合模型预测的效能最优。结论基于CT平扫图像建立的影像组学标签能够预测肺腺癌EGFR基因敏感突变。     

影像组学联合CT特征鉴别儿童支原体与非支原体肺炎

目的 观察影像组学联合CT特征鉴别儿童支原体肺炎(MP)与非MP的价值。方法 回顾性收集153例肺炎患儿,根据支原体RNA检测结果分为MP组(n=101)与非MP组(n=52);按7∶3比例分为训练集(n=107,含71例MP、36例非MP)和验证集(n=46,含30例MP、16例非MP)。比较2组CT表现,以F test算法基于训练集数据筛选6个最佳CT征象,以逻辑回归(LR)方法构建CT模型。基于训练集提取及筛选最佳影像组学特征,分别以LR、支持向量机(SVM)、随机森林(RF)、线性判别分析(LDA)及随机梯度下降法(SGD)分类器构建机器学习(ML)模型;基于最佳CT征象及影像组学特征构建CT-ML模型。绘制受试者工作特征曲线,计算曲线下面积(AUC)评估各模型鉴别MP与非MP的效能。结果 病变累及右肺上、中、下叶,支气管壁增厚、树芽征及边缘回缩征为最佳CT征象,以之构建的CT_LR在验证集的AUC为0.710。验证集中,ML_LR、ML_SVM、ML_RF、ML_LDA及ML<...     

能谱CT在肺结节诊断及治疗中的应用进展

常规胸部CT诊断肺结节主要依靠其形态学特征。能谱CT单能量图像、能谱曲线、有效原子序数及基物质图像等成像模式及多重定量参数有助于定性诊断肺结节、对肺癌进行分期以及精准治疗和评估预后。本文就能谱CT在肺结节诊治中的应用进展进行综述。     

CT鉴别诊断原发性与继发性肺淋巴瘤

目的 观察CT鉴别诊断原发性肺淋巴瘤(PPL)与继发性肺淋巴瘤(SPL)的价值。方法 回顾性分析接受胸部CT平扫的28例PPL(PPL组)及27例SPL(SPL组)患者,其中18例PPL及16例SPL接受增强扫描,观察病变CT表现;采用单因素分析及多因素logistic回归分析其CT平扫相关征象,筛选鉴别PPL与SPL的独立预测因素,并绘制受试者工作特征(ROC)曲线,评估各指标单独及联合鉴别诊断效能。结果 PPL及SPL均可表现为肺结节、肿块或实变。PPL多为分布于肺外周的单发病变,可见支气管充气征伴扩张;SPL常为多发病变,多伴纵隔/肺门淋巴结肿大及胸腔积液(P均＜0.05)。接受增强CT的18例PPL与16例SPL之间,病变强化方式差异有统计学意义(P=0.04),强化程度及是否存在血管造影征差异均无统计学意义(P均＞0.05)。病变数目、充气支气管征伴扩张及胸腔积液是鉴别PPL与SPL的独立预测因素,其鉴别PPL与SPL的曲线下面积(AUC)分别为0.74、0.68、0.69,三者联合诊断的AUC为0.91。结论 CT所见病变数目、充气支气管征伴扩张及胸腔积液有助于鉴别PPL及SPL。     

18F-FDG PET/CT影像组学预测恶性肿瘤预后

¹⁸F-FDG PET/CT影像组学可通过自动、高通量方法自PET/CT图像中提取大量定量特征。应用人工智能和机器学习技术进一步推动了¹⁸F-FDG PET/CT影像组学在恶性肿瘤预后研究的进展,有望更好地指导临床管理恶性肿瘤患者。本文对¹⁸F-FDG PET/CT影像组学用于评估常见恶性肿瘤预后进展进行综述。     

CT鉴别诊断胃神经内分泌癌与胃腺癌

目的观察CT鉴别诊断胃神经内分泌癌(GNEC)与胃腺癌(GC)的效能。方法回顾性分析经病理确诊的62例GNEC(GNEC组)和70例GC(GC组)患者,手术或活检前7天内均接受腹部增强CT检查,对比组间临床资料及CT特征。针对差异有统计学意义的CT特征进行Logistic回归分析,并绘制受试者工作特征(ROC)曲线,分析CT特征对鉴别GNEC与GC的效能。结果组间肿瘤边界、囊变/坏死和肝转移以及肿瘤厚径、静脉-动脉期强化率差异均有统计学意义(P均0.05)。肿瘤边界、厚径、囊变/坏死、肝转移及强化特点可作为独立预测因素鉴别GNEC与GC(P均0.05)。ROC曲线结果显示,以上述参数单独鉴别GNEC与GC的曲线下面积(AUC)分别为0.63、0.69、0.65、0.62、0.63,各参数联合鉴别诊断的AUC可达0.83。结论 CT特征可用于鉴别GNEC与GC。