基于增强CT影像组学模型预测膀胱尿路上皮癌组织学分级

目的 构建基于增强CT影像组学模型用于术前预测膀胱尿路上皮癌（BUC）的组织学分级。资料与方法 回顾性分析2016年11月—2020年9月广州市第一人民医院127例经病理证实的高级别尿路上皮癌和低级别尿路上皮癌,随机分为训练集89例和验证集38例。在平扫、动脉期、静脉期CT图像上提取病灶影像组学特征。使用Logistic回归构建影像组学预测模型,绘制受试者工作特征曲线,并计算曲线下面积评价模型预测BUC组织学分级的效能,采用决策曲线评价模型鉴别高级别尿路上皮癌和低级别尿路上皮癌的净获益。结果 基于每例患者的三期CT图像共提取出5 202个影像组学特征,经过特征筛选后最终得到20个特征用于构建预测模型。模型在训练集及验证集中诊断BUC组织学分级的曲线下面积分别为0.90(95%CI0.83～0.96)和0.93(95%CI 0.85～1.00)。结论 基于增强CT影像组学构建的模型术前预测BUC组织学分级具有良好的诊断效能。     

CT影像组学预测局部进展期直肠癌新辅助治疗的效果

目的探讨CT影像组学在治疗前预测局部进展期直肠癌新辅助治疗效果的价值。资料与方法回顾性分析168例新辅助治疗后行根治术的局部进展期直肠癌患者,收集治疗前临床及CT资料,根据术后病理肿瘤退缩分级分组。采用A.K.软件提取CT影像组学特征并构建影像组学标签。通过多变量Logistic回归筛选疗效预测因子并构建诺莫图模型。利用ROC曲线评价模型诊断效能,并对模型进行内部验证、校准度评价及临床应用价值分析。结果每例患者各提取了396个CT影像组学特征,降维后筛选出6个与局部进展期直肠癌新辅助治疗效果高度相关的特征。联合独立预测因子影像组学标签、癌胚抗原≥3.4 ng/ml和临床T分期(cT4)构建的诺莫图模型ROC曲线下面积(0.881)高于影像组学标签(0.791),且具有较高的校准度、内部验证一致性及临床应用价值(P>0.05)。结论基于治疗前CT及临床资料构建的模型对局部进展期直肠癌新辅助治疗效果预测具有较高的预测效能,且联合预测模型的预测效能优于影像组学标签。     

基于MRI影像组学预测脑膜瘤基因表型可行性的研究进展

【摘要】基因组学通过研究肿瘤生长、发展内在机制,向人们揭示了基因与肿瘤之间广泛而强烈的联系,而影像组学发展至今已在肿瘤诊断、良恶性分级、复发及预后预测方面取得了丰硕的成果。当基因组学与影像组学相遇时,便结合成为一个全新的领域——影像基因组学。通过影像基因组学预测脑膜瘤基因表型能为外科手术方案制定、术后复发以及预后评价提供前瞻性的医学信息,现就基于MRI影像组学预测脑膜瘤基因表型的可行性予以综述。     

治疗前CT影像组学结合机器学习预测非小细胞肺癌患者EGFR突变亚型

目的探讨基于治疗前胸部平扫CT影像组学特征和临床特征结合机器学习算法预测非小细胞肺癌(NSCLC)患者表皮生长因子受体(EGFR)突变状态和突变亚型(19Del/21L858R)的可行性和价值。方法回顾性分析南华大学附属第一医院和附属第二医院经活检病理证实和接受EGFR基因检测的280例NSCLC患者的治疗前胸部平扫CT和临床特征数据, 其中EFGR突变患者为136例。由两位高年资影像和肿瘤医师勾画原发肺部大体肿瘤区域(GTV), 然后提取851个影像组学特征, 采用Spearman相关分析和RELIEFF算法筛选具有预测性的特征, 两家医院分别为训练组和验证组。经特征选择的影像组学特征和临床特征构建临床-影像组学模型, 并与单独采用影像组学特征和临床特征模型进行比较。采用序贯建模流程, 使用支持向量机(SVM)建立机器学习模型预测EGFR突变状态和突变亚型。受试者工作曲线下面积(AUC-ROC)评估预测模型的诊断效能。结果经特征筛选各有21个影像组学特征在预测EGFR突变和突变亚型时具有预测效能并用于建立影像组学模型。临床-影像组学模型表现出最好的预测效能, 预测EGFR突变状态的模...     

含瘤周移行带影像组学模型预测肺腺癌病理分级

【摘要】目的：探讨含肿瘤外缘5mm移行带的影像组学模型对预测肺腺癌病理分级的诊断效能。方法：回顾性搜集173例经手术病理证实的肺腺癌患者的胸部增强CT薄层图像及临床病理资料。其中女96例,男77例;年龄33～84岁,平均（60.0±1.2）岁;病灶直径6.0～30.0mm,平均（18.0±1.6）mm;实性结节102例,亚实性结节71例;Ⅰ期134例,Ⅱ期18例,Ⅲ期21例;病理分级为1级51例,2级114例,3级8例。病理分级按最主要亚型分为1级（原位腺癌、微浸润腺癌和贴壁为主型腺癌）、2级（包括腺泡或乳头为主型腺癌）和3级（包括实性或微乳头为主型腺癌）。根据结节可见边缘（瘤内组）和自动外扩5mm（含瘤周组）对结节进行分割并使用软件自动提取影像组学特征。训练集与验证集比例为7∶3,使用随机森林构建影像组学模型,并利用混淆矩阵的准确性来评价瘤内及含瘤周影像组学模型预测肺腺癌病理分级的效能。结果：每例患者共提取病灶的385个影像组学特征,其中瘤内组中8个影像组学特征和含瘤周组中12个影像组学特征与肺腺癌的病理分级显著相关。瘤内影像组学模型及含瘤周影像组学模型预测肺腺癌病理分级的准确性在训练集为90.83% vs. 92.61 %（P＞0.05）,在验证组为90.74 % vs. 94.44 %（P＞0.05）。结论：与瘤内组影像组学模型相比,含5mm瘤周影像组学模型可略提高对肺腺癌病理分级预测的准确性。     

CT影像组学联合炎症指标构建逻辑回归模型预测食管鳞癌新辅助化疗疗效

【摘要】目的：探究基于CT影像组学联合血液学炎症指标构建逻辑回归模型预测食管鳞癌新辅助化疗（NAC）疗效的可行性。方法：回顾性分析两家医院经病理证实的54例食管鳞癌患者在术前规范化NAC前、后两次胸部CT增强图像及NAC前一周内的血液学炎症指标检测结果。测量治疗前、后病灶的最长径,计算其变化率,并根据实体肿瘤疗效评价标准（RECIST 1.1）,将患者分为NAC有效组（30例）及无效组（24例）。采用独立样本t检验或Mann-Whitney U检验筛选血液学炎症指标中与疗效相关的因素。在患者治疗前静脉期图像上沿肿瘤边界逐层手工勾画ROI,最终生成三维感兴趣区（VOI）并提取其影像组学特征,使用最小冗余最大相关及Boruta工具包进行特征筛选并构建影像组学标签。分别建立影像组学特征、血液学炎症指标、影像组学标签联合血液学炎症指标的逻辑回归模型,采用混淆矩阵和ROC曲线分析模型对NAC疗效的预测效能,采用DCA曲线评估其临床实用价值。结果：外周血淋巴细胞计数及淋巴细胞数与单核细胞数的比值被纳入炎症指标模型。于治疗前静脉期图像上共提取了1168个组学特征,经降维后共筛选出5个影像组学特征（wavelet-HLL_gldm_DependenceEntropy、wavelet-HHL_gldm_LargeDependenceLowGrayLevelEmphasis、wavelet-HHH_glrlm_HighGrayLevelRunEmphasis、wavelet-HHH_glrlm_LowGrayLevelRunEmphasis和wavelet-HLL_glszm_ZoneEntropy）用于构建影像组学标签。基于影像组学、血液学炎症指标以及联合模型预测NAC疗效的的AUC分别为0.77、0.72和0.80。结论：基于新辅助化疗前的增强CT影像组学及血液学炎症指标特征构建的预测模型可较好的预测食管鳞癌患者新辅助化疗疗效,以联合模型的效能最优,可为临床制订个性化治疗方案提供参考。     

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...     

基于增强CT影像组学预测胰腺导管腺癌病理分化程度的研究

目的 探讨基于增强CT影像组学预测模型在术前预测胰腺导管腺癌(PDAC)病理分化程度可行性及价值。方法 选取术后病理证实为PDAC患者138例，分为高-中分化组和低分化组。分别在术前增强CT的动脉期和静脉期图像对肿块进行手动全层勾画，并提取纹理特征。采用最小冗余最大相关算法(mRMR)、最小绝对收缩和选择算子(LASSO)逐步回归算法进行特征的降维、筛选，分别构建支持向量机、随机森林、Logistic回归和K最邻近四种机器学习预测模型，以5折交叉验证的方法对四种预测模型进行验证，并对模型进行外部验证。绘制ROC曲线评价四种预测模型的预测效能。结果 临床及常规CT特征对PDAC分化程度无预测意义。基于筛选最优影像组学特征，分别构建预测PDAC分化程度的Logistic回归模型、K最邻近模型、支持向量机模型与随机森林模型，绘制ROC曲线评价四种预测模型预测效能，训练组其曲线下面积(AUC)分别为0.89、0.67、0.87、0.95,外部验证组AUC分别为0.70、0.54、0.65、0.63。结论 基于增强CT影像组学预测模型可用于术前预测PDAC病理分化程度，其中Logistic回归预...     

基于多序列MRI影像组学模型预测脑膜瘤病理分级的价值

【摘要】目的：探讨基于多序列MRI影像组学模型预测脑膜瘤病理分级的价值。方法：回顾性分析经手术病理证实的215例脑膜瘤患者的临床及MRI资料。其中,低级别组174例,高级别组41例。将所有患者按照7∶3的比例随机分为训练组和验证组。采用ITP-SNAP软件,分别在T2WI、DWI和对比增强T1WI图像上勾画肿瘤的三维ROI,使用AK软件提取影像组学特征。采用Spearman相关性分析及多元Logistic回归分析筛选组学特征并构建影像组学标签。使用ROC曲线下面积（AUC）评价影像组学模型的预测效能。结果：高级别组与低级别组之间年龄和性别构成的差异均无统计学意义（P>0.05）。基于T2WI、DWI和对比增强T1WI的单序列及多序列联合影像组学模型预测高、低级别脑膜瘤的AUC均大于0.700。基于单序列的影像组学模型中,增强T1WI在训练组和验证组的AUC分别为0.942和0.913,均高于其它两个序列。基于MRI多序列联合的影像组学模型预测高、低级别脑膜瘤的AUC值最高,在训练组的AUC为0.950,在验证组的AUC为0.923。结论：MRI影像组学模型能够预测脑膜瘤的病理分级,尤其是多序列联合的影像组学模型对脑膜瘤病理分级具有较高的预测效能。     

基于CT影像组学列线图鉴别甲状腺乳头状癌与结节性甲状腺肿的价值

目的 探讨基于CT影像组学列线图鉴别诊断甲状腺乳头状癌(PTC)与结节性甲状腺肿(NG)的临床价值。方法 回顾性分析经病理证实的甲状腺结节患者的临床资料及CT图像。术前2周内行CT平扫及增强扫描；PTC 113例，NG 119例；以7∶3的比例随机分层抽样划分成训练集(n=162)和测试集(n=70)。从CT平扫及双期增强图像中提取甲状腺结节相关征象和影像组学特征，通过临床影像征象和影像组学特征筛选，训练集与测试集均构建4个独立模型并计算影像组学评分，基于影像组学评分和临床模型构建联合模型，并基于联合模型绘制列线图。通过受试者工作特征曲线、曲线下面积(AUC)、连续净重分类改善度(NRI)及综合判别改善度(IDI)等多个指标评估各模型对PTC与NG的鉴别诊断效能，利用校准曲线直观的评估列线图的可靠性与准确性，使用决策曲线评估列线图的临床实用价值。结果 平扫、动脉期、静脉期分别保留了6、4、3个影像组学特征，分别构建单期相影像组学模型。单期相中，平扫模型鉴别诊断效能最优，6个独立预测因子用于构建临床模型，基于联合模型的列线图对PTC与NG具有最高的鉴别诊断效能(训练集：AUC为0.980...     

基于CT影像组学构建术前预测胰腺癌神经周围侵犯模型的研究

目的 探讨基于增强CT影像组学特征联合传统影像特征、临床信息建立的模型术前预测胰腺癌发生神经周围侵犯(PNI)的可行性及价值。方法 回顾性分析137例术后病理证实为胰腺癌患者的增强CT影像特征及临床资料,其中有PNI患者98例,无PNI患者39例,按照7∶3比例随机分为训练组96例,验证组41例。利用3D Slicer分别在术前增强CT动、静脉期图像上手动勾画肿瘤,Pyradiomics提取特征,最小冗余最大相关算法(mRMR)、最小绝对收缩和选择算子(LASSO)进行特征的降维、筛选,在训练组分别构建独立组学模型、临床-传统影像模型及融合组学模型,验证组验证模型效能。绘制ROC曲线评价预测模型的效能。结果 最终动脉期、静脉期、动脉期联合静脉期分别筛选出3个、2个、2个组学特征,3个期相分别建立的独立组学模型、临床-传统影像模型及融合组学模型中均是融合组学模型性能最高,动脉期、静脉期、动脉期联合静脉期融合组学模型在训练组AUC值分别为0.83、0.85、0.80,在验证组AUC值分别为0.78、0.76、0.80。结论 基于增强CT影像组学特征联合血管侵犯构建的融合组学模型能在术前有效...     

CT影像组学预测肾透明细胞癌核分级：扫描期相及ROI勾画策略

【摘要】目的：探讨不同CT扫描期相及感兴趣区（ROI）勾画策略对影像组学方法预测肾透明细胞癌（ccRCC）核分级效能的影响。方法：回顾性搜集具有完整4期CT扫描图像（平扫期、皮髓质期、实质期和排泄期）且经病理证实为ccRCC的137例患者的病例资料。其中,96例为低级别（Fuhrman 1级和2级）ccRCC,41例为高级别（Fuhrman 3级和4级）ccRCC。在每期图像中选取肿瘤最大层面,使用ITK-SNAP软件分别勾画出病灶最大层面的2D-ROI并获得全瘤3D-ROI,并使用Pyradiomics软件分别提取病灶的影像组学特征。然后,采用22种特征选择方法和8种分类算法对组学特征进行筛选并构建了176个分类模型,使用五折交叉检验法验证各模型的预测效能,并采用诊断符合率、敏感度、特异度和受试者工作特征曲线下面积（AUC）评估模型的预测效能。结果：基于3D-ROI的影像组学模型鉴别高、低核级ccRCC的前5个最大AUC的平均值及相应诊断符合率的平均值高于基于2D-ROI的影像组学模型。基于平扫期的影像组学模型的前5个最大AUC的平均值优于其它3个期相。在平扫、皮髓质期、实质期和排泄期CT图像上基于3D-ROI的组学模型的最大AUC分别为0.822、0.732、0.742和0.780,基于2D-ROI的组学模型的最大AUC分别为0.738、0.692、0.710和0.674。结论：采用影像组学方法预测ccRCC核分级推荐选用平扫图像和全瘤3D-ROI。     

CT影像组学模型对甲状腺良恶性结节的鉴别价值

目的探讨CT影像组学模型对良恶性甲状腺结节的鉴别诊断价值。方法回顾性分析2017年5月至2018年8月间南京医科大学附属淮安第一医院经病理证实的179例甲状腺结节患者的临床和影像资料。良性结节89例,恶性结节90例。患者术前均行甲状腺结节CT平扫和增强扫描。采用分层随机抽样方法将患者按照8∶2的比例分为训练组(143例)与测试组(36例),采用A.K软件基于术前CT图像提取378个影像组学特征,后采用Spearman相关分析与最小绝对收缩和选择算子回归分析进行特征筛选与模型构建,在训练组与测试组中应用受试者操作特征(ROC)曲线对模型进行验证,评价影像组学特征预测良恶性甲状腺结节的效能。结果经过特征筛选,16个影像组学特征用于构建甲状腺结节良恶性鉴别模型。训练组中预测模型的ROC曲线下面积(AUC)为0.92(95%可信区间:0.88~0.97),灵敏度和特异度分别为88.7%、82.0%,诊断准确率91.1%;测试组中AUC为0.90(95%可信区间:0.81~0.98),灵敏度和特异度分别为88.5%、84.6%,诊断准确率88.2%。结论基于CT的影像组学模型对良恶性甲状腺结节有较高的诊断效能。     

CT影像组学在预测Ⅰ期实性肺腺癌生存风险分层中的初步研究

目的 为临床分期Ⅰ期实性肺腺癌患者的生存风险分层构建有效的个体化影像组学模型。方法 回顾性分析接受肺叶切除术的127例Ⅰ期实性肺腺癌患者的CT、临床资料，按2∶1比例分成训练队列(n=82)和验证队列(n=45)。使用PyRadiomics软件提取术前CT平扫肺癌全瘤病灶的影像组学特征，每个病灶提取1063个特征。采用最小绝对收缩和选择算子回归进行特征初筛选，进而利用LightGBM算法构建预测模型。使用受试者操作特征曲线下面积(AUC)判断预测模型的效能；采用K-M分析高危组与低危组的生存曲线。结果 截止随访时间Ⅰ期非小细胞肺癌患者中复发或转移患者共22例，复发率17.3%。影像组学模型在训练队列、验证队列中可以预测有无复发转移，其AUC值分别为0.748、0.703。根据影像组学模型将患者分为高危组和低危组，经Kaplan-Meier曲线单因素生存分析，训练队列、中高风险组的无病生存期显著比低风险组差(P=0.0005);验证队列验证集高风险组的无病生存期亦比低风险组差(P=0.0328)。结论 CT影像组学标签有助于临床分期Ⅰ期实性肺腺癌患者的生存风险分层。     

多序列MRI影像组学在子宫内膜癌组织学分级术前预测的价值

目的 探究MRI多序列成像及其影像组学对子宫内膜癌组织学分级术前预测的鉴别诊断效能,并与CA12-5值、MRI影像表现对照。方法 对134例经病理确诊为子宫内膜癌的MRI多序列图像进行回顾性分析,分成训练组（n=93）和验证组（n=41）,基于T₂矢状位、增强矢状位及扩散加权成像（DWI）提取影像组学特征;采用“逻辑回归”分类器模型,结合CA12-5值构建CA12-5模型,结合MRI影像表现统计学特征构建MRI影像表现模型,结合组学特征构建组学模型,联合MRI影像表现及组学统计学特征构建联合模型;受试者工作特征曲线（ROC）及曲线下面积（AUC）用于评价模型的鉴别诊断效能,Delong检验用于比较模型间AUC差异是否具有统计学意义。结果 CA12-5模型由统计的CA12-5值构成;MRI影像表现模型由最大层面矢状面长径、肌层浸润深度、淋巴结肿大、子宫内膜连续性、液化坏死、宫颈受累情况构成;影像组学模型由筛选出的影像组学特征构成;联合模型由MRI影像表现及影像组学特征构成。CA12-5模型、MRI影像表现模型、影像组学模型及联合模型在训练组中的AUC分别是0.629...     

基于数字化乳腺X线影像组学列线图预测浸润性乳腺癌组织学分级的多中心研究

【摘要】目的：探讨基于多中心数字化乳腺X线影像组学列线图预测浸润性乳腺癌组织学分级的价值。方法：以病理诊断为金标准,按照7:3的比例将皖南医学院第一附属医院弋矶山医院437例浸润性乳腺癌患者随机拆分为训练组305例（Ⅰ/Ⅱ级217例,Ⅲ级88例）和验证组132例（Ⅰ/Ⅱ级94例,Ⅲ级38例）,将阜阳市人民医院（n=129）和太和县人民医院（n=162）291例浸润性乳腺癌患者（Ⅰ/Ⅱ级203例,Ⅲ级88例）作为外部测试组。对比分析双乳内外斜位（MLO）和头尾位（CC）图像,选取病变面积较大的数字化乳腺X线图像使用深睿医疗多模态科研平台进行图像分割和影像组学特征提取,采用特征间线性相关性分析与最小绝对收缩和选择算法对组学特征进行降维并使用逻辑回归构建影像组学模型。临床指标经单因素及多因素二元Logistic回归分析并构建临床模型。影像组学评分联合临床指标构建列线图。采用受试者工作特征（ROC）曲线和决策曲线分析（DCA）评价模型性能,使用Delong检验比较模型间的预测效能。结果：最终筛选出3个与浸润性乳腺癌组织学分级最相关的影像组学特征。列线图对浸润性乳腺癌组织学分级的预测效能在训练组、验证组和外部测试组分别为0.811、0.825和0.803,诊断效能优于单一模型。DCA显示在概率值为20%～60%时,训练组、验证组及外部测试组列线图预测浸润性乳腺癌组织学分级的净收益高于影像组学模型及临床模型。结论：基于数字乳腺X线影像组学模型对浸润性乳腺癌组织学分级的预测具有较高的效能,对患者制定个性化治疗方案和预后评估有着重要的临床应用价值。     

基于多期CT影像组学鉴别卵巢良、恶性肿瘤的临床应用价值

【摘要】目的：探讨基于多期CT影像组学模型及联合模型鉴别卵巢良、恶性肿瘤的临床应用价值。方法：回顾性搜集2018年1月-2022年7月经术后病理证实的144例良性及182例恶性卵巢肿瘤患者的临床及CT多期影像组学资料，将患者随机按7:3分为训练组228例及验证组98例。图像预处理并利用ITK-SNAP勾画肿瘤病灶区域，用PY提取组学特征，将提取特征正则化，采用Spearman相关分析，相关系数大于0.9，保留其一特征, 使用最小绝对收缩与选择算子（LASSO）回归分析对组学特征降维，建立影像组学标签。将影像组学的优势期相与临床指标结合建立联合模型，利用列线图分析预测效能。结果：筛选出平扫、动脉期、静脉期及延迟期的特征数分别为22、7、10、22个，构建各期影像组学模型，结果显示延迟期为最优模型，在训练组中，其受试者工作特征（ROC）曲线的曲线下面积（AUC）为0.857。将临床特征与延迟期影像组学特征构建联合模型，其ROC的AUC值为0.870，优于临床模型，且差异有统计学意义（Z=3.376，P=0.0007）。验证组中，联合模型ROC的AUC值为0.844，优于临床模型，差异无统计学意义（Z=1.650，P=0.0989）。结论：CT扫描的延迟期影像组学特征鉴别卵巢良性与恶性肿瘤的效能优于其它期相，延迟期影像组学标签与临床特征相结合的联合模型有较高的鉴别诊断效能。     

基于增强CT影像组学列线图预测进展期胃癌隐匿性腹膜转移

目的 探讨基于增强CT影像组学列线图在术前预测进展期胃癌隐匿性腹膜转移（PM）中的价值。方法 回顾性收集经手术病理证实为进展期胃癌且行术后PM评估的110例病人的临床及影像学资料,其中男77例,女33例,平均年龄（64.65±10.24）岁。所有病人术前均行全腹部增强CT检查且PM诊断为阴性。将全部病人按7∶3的比例随机分为训练集77例（术后PM阳性33例）与验证集33例（术后PM阳性14例）。采用卡方检验及二元Logistic回归分析筛选与隐匿性PM显著相关的独立预测因素来构建临床模型。基于增强CT影像提取并筛选影像组学特征,构建组学模型并计算模型的影像组学评分（Radscore）。将临床独立预测因素与Radscore联合来构建联合模型及其列线图。采用受试者操作特征（ROC）曲线评估各模型的预测效能,DeLong检验比较各模型间的AUC值,并用校准曲线及决策曲线分析评估联合模型的拟合优度和临床价值。结果 在训练集及验证集中,联合模型的预测效能（AUC值分别为0.944、0.915）均高于临床模型（AUC值分别为0.780、0.865）及组学模型（AUC值分别为0.844、0.825）...     

双参数磁共振影像组学联合血清PSA对预测前列腺癌Gleason分级的临床价值研究

目的 探讨基于双参数磁共振影像组学联合血清前列腺特异性抗原(PSA)列线图模型预测前列腺癌(PCa)Gleason分级的临床价值。方法 回顾性分析经病理证实的338例PCa患者的影像及临床资料，高危组(Gleason评分>7分)185例，中低危组(Gleason评分≤7分)153例。利用分割软件手动勾画所有患者的病灶感兴趣区并进行高通量特征提取，经过筛选和降维处理后构建影像组学预测模型。受试者工作特征曲线(ROC)用于评估模型对Gleason分级的预测效能。结果 分别构建基于T₂WI序列、ADC序列和T₂WI+ADC序列的影像组学模型，三组模型在测试组中的曲线下面积(AUC)分别为0.763、0.765、0.780。列线图预测模型由年龄、总前列腺特异性抗原(TPSA)、游离前列腺特异性抗原(FPSA)及影像组学评分构成，列线图预测模在测试组中的AUC为0.874,对PCa Gleason分级的预测效能最高。结论 由年龄、TPSA、FPSA及影像组学评分构建的列线图预测模型对PCa Gleason分级具有较高的诊断效能。     

基于CT影像组学模型术前预测喉癌淋巴结转移

【摘要】目的：研究CT影像组学在术前预测喉癌患者淋巴结转移中的价值。方法：搜集本院304例经手术病理证实为喉癌患者的影像学资料,随机选择243例及61例分别作为训练集和验证集。从术前静脉期CT图像中手工勾画肿瘤体积并提取影像组学特征。在训练集中,采用LASSO回归进行特征筛选,使用Logistic回归分别构建影像组学模型、形态学模型及二者联合模型。利用受试者工作特征（ROC）曲线评价各个模型的预测效能,并对模型的ROC曲线行Delong检验。在验证集中评估各种模型的诊断效能。结果：最后获得5个影像组学特征。在训练集中,影像组学模型ROC曲线下面积（AUC）为0.85（95%CI：0.77~0.93）,形态学模型AUC为0.66（95%CI：0.59~0.72）,联合模型AUC为0.82（95%CI：0.74~0.91）;在验证集中,影像组学模型AUC为0.83（95%CI：0.69~0.97）,形态学模型AUC为0.59（95%CI：0.40~0.77）,联合模型AUC为0.73（95%CI：0.56~0.91）。Delong检验显示影像组学模型与形态学模型差异、联合模型与形态学模型差异均有统计学意义（P＜0.05）,而联合模型与影像组模型差异无统计学意义（P＞0.05）。结论：基于病灶为兴趣区的CT影像组学模型可以术前较好地预测喉癌淋巴结转移,其诊断效能高于形态学模型。