CT影像组学在胃肠道间质瘤危险度分级预测中的价值

目的 探讨基于CT影像组学在术前预测胃肠道间质瘤(GIST)危险度分级的价值。方法 回顾性搜集经手术切除病理确诊为GIST且具有完整术前CT增强扫描图像及临床资料的127例患者,依据病理结果将其分为低危组(极低风险和低风险)和高危组(中风险和高风险)。使用达尔文平台在每例患者的增强CT动脉期图像上提取影像组学特征,然后以7∶3的比例随机分为训练组(n=88)和验证组(n=39)。通过最小绝对收缩降维和选择算子算法(LASSO),利用Logistic回归方法建立预测模型。诊断医师于PACS系统中观察两组病例的主观CT特征和临床资料,利用统计显著性特征构建预测模型。采用受试者工作特征(ROC)曲线评价模型的预测效能。结果 从CT动脉期图像中提取的939个影像组学特征参数中经筛选最终选择5个特征参数,构建影像组学预测模型。对于训练组,曲线下面积(AUC)为0.923(95%CI:0.846～0.969);验证组的AUC为0.917(95%CI:0.783～0.981)。两组在肿瘤最大径和肿瘤形态方面存在显著差异,用于建立临床-CT征象预测模型,训练组的AUC为0.865(95%CI:0.77...     

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MRI影像组学列线图在宫颈鳞癌组织学分级中的预测研究

目的 建立并验证MRI影像组学列线图模型，实现术前对宫颈鳞癌组织学分级的准确预测。方法 回顾性搜集2019年1月至2021年10月于蚌埠医学院第一附属医院就诊208例患者的临床及影像资料。按照7∶3的比例将所有患者随机分为训练组(n=145)、验证组(n=63),在训练组患者选取矢状位T₂WI、增强T₁WI及轴位DWI图像，在病灶最大层面边缘勾画获取感兴趣区(ROI)提取影像特征，应用最小绝对收缩和选择算子(LASSO)算法建立影像组学评分。采用多因素Logistic回归分析确定独立危险因素，并结合影像组学评分建立MRI影像组学列线图。运用受试者工作特征曲线(ROC)曲线下面积(AUC)评价模型的预测性能。应用校正曲线评估列线图的临床应用价值。结果 基于临床参数及影像组学评分构建的列线图模型(AUC:0.852)的诊断效能高于临床特征模型(AUC:0.723)及影像组学模型(AUC:0.788)。结论 结合临床模型和影像组学评分的MRI影像组学列线图模型是一种简单、有效、可靠的预测宫颈鳞癌组织学分级的方法。     

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...     

CT影像组学联合传统影像特征对胃肠道间质瘤Ki-67指数表达的预测价值

【摘要】目的：探讨基于增强CT的影像组学联合传统影像特征对无创性预测胃肠道间质瘤（GIST）Ki-67增殖指数（Ki-67 PI）表达的价值。方法：回顾性搜集我院2010年9月至2020年9月经手术病理确诊的原发性GIST患者的病例资料。诊断医师采用盲法独立分析增强CT图像,提取传统的影像征象。利用ITK-SNAP软件在增强CT图像上勾画病灶感兴趣区,利用AK软件提取纹理特征,将患者随机分为训练集与验证集。采用逻辑回归筛选特征参数并构建影像组学模型。再分别建立传统影像特征模型、组学模型及联合两者的组合模型。结果：传统影像特征模型的诊断效能尚可,其ROC曲线的曲线下面积（AUC）在训练集和验证集中分别为0.720（95%CI：0.651～0.788）及0.665（95%CI：0.547～0.784）。影像组学模型的诊断效能良好,其AUC在训练集中具有最优值,为0.802（95%CI：0.744～0.860）,其AUC在验证集中为0.730（95%CI：0.623～0.836）。此外,联合影像组学和传统影像特征组成的多参数组合模型在训练集中效能良好,AUC值为0.823（95%CI：0.768～0.878）,其在验证集中具有最优的诊断效能,AUC值为0.731（95%CI：0.626～0.836）。结论：基于增强CT的影像组学联合传统影像特征建立的组合模型具有无创预测GIST患者Ki-67 PI表达状态的价值。     

基于CT影像组学预测肺癌患者化疗早期疗效的应用研究

目的 探讨基于治疗前CT影像组学模型预测肺癌患者化疗早期疗效的效能。方法 回顾性搜集2017年1月至2022年1月202例确诊肺癌患者的临床影像资料,通过对比化疗半年后的CT图像与化疗前CT图像,根据实体肿瘤疗效评价标准(RECIST 1.1)分为部分缓解(PR)组100例和疾病进展(PD)组102例,将入组患者的胸部CT平扫DICOM文件导入开源图像分割软件ITK-SNAP软件,进行感兴趣区(ROI)的勾画,再进行影像学特征提取,按照7∶3的比例随机分配为训练组和验证组,采用LASSO法进行降维及构建影像组学模型,最终根据受试者工作特征曲线(ROC)的曲线下面积(AUC)、敏感度、特异度来评价模型的预测效能。结果 训练组的AUC值、特异度、敏感度分别为0.737(95%CI:0.656～0.819)、0.71、0.67;验证组的AUC值、特异度、敏感度分别为0.722(95%CI:0.594～0.851)、0.77、0.53,模型达到了良好的预测效能。结论 基于治疗前CT的影像组学模型可在化疗前对肺癌的早期疗效做出较准确预测。     

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影像组学模型及深度学习技术预测肺腺癌EGFR突变

【摘要】目的：探讨基于CT图像建立的影像组学模型及深度学习模型在预测肺腺癌表皮生长因子受体（EGFR）突变中的价值。方法：回顾性分析228例经手术病理证实的肺腺癌患者的CT图像,其中EGFR突变型116例,野生型112例。由两位放射科医师各自独立在CT图像上沿肺癌病灶边缘手动逐层勾画感兴趣区（ROI）获得病灶全容积ROI后提取影像组学特征。比较两位医师提取的影像组学特征的一致性,自高年资医师提取的特征中选取组内相关系数大于0.7的影像组学特征纳入研究。分别按照70%和30%的比例将所有病灶随机划分为训练集和验证集。在训练集中利用LASSO回归方法对影像组学特征进行筛选后,分别建立影像组学评分（Radscore）、随机森林（RF）和支持向量机（SVM）三种影像组学模型。此外,将训练集图像输入ResNet深度学习网络中建立深度学习模型。在验证集中对上述4个模型进行验证,计算敏感度、特异度和ROC曲线下面积（AUC）来评价不同模型的预测效能。结果：自CT图像中共提取了306个一致性良好的影像组学特征,经筛选后获得9个最佳特征用于建立影像组学模型。在验证集中,SVM模型的AUC（0.813）高于Radscore（0.761）和RF模型（0.775）,但差异无统计学意义（P=0.089和0.330）;ResNet模型的AUC为0.916,高于SVM模型（0.813）、Radscore（0.761）和RF模型（0.775）。ResNet模型与Radscore和RF模型间AUC的差异具有统计学意义（P=0.031和0.043）,与SVM模型间AUC的差异无统计学意义（P=0.106）。ResNet模型的敏感度为0.879,高于SVM模型（0.771）、Radscore（0.818）和RF模型（0.743）。ResNet模型的特异度为0.914,高于SVM模型（0.758）、Radscore（0.714）和RF模型（0.727）。结论：基于CT图像的影像组学模型能够较好地预测EGFR基因突变,深度学习技术可以有效提高模型的预测准确性。     

MR影像组学诺模图预测子宫内膜癌宫颈间质浸润的价值

目的 探讨基于MR影像组学的诺模图术前预测子宫内膜癌(EC)宫颈间质浸润(CSI)的价值。方法 回顾性分析156例EC患者术前临床及MR资料。利用MaZda软件获取影像组学特征,采用LASSO筛选参数并建立影像组学得分。利用多因素Logistic回归方法建立预测模型,并以诺模图呈现,采用受试者工作特征曲线(ROC)评价模型的预测效能。结果 CSI+56例,CSI-100例,常规MR模型、影像组学模型、诺模图模型诊断CSI的曲线下面积(AUC)为分别为0.80、0.90、0.91,影像组学模型及诺模图模型预测效能优于常规MR模型(P<0.05)。结论 基于MR影像组学的诺模图对EC CSI术前个体化预测具有较高的价值。     

基于CT影像组学列线图预测肺腺癌EGFR突变的研究

目的 探讨基于胸部平扫CT的影像组学列线图术前预测肺腺癌表皮生长因子受体(EGFR)基因突变状态的价值。方法 回顾性分析经病理证实的183例肺腺癌的临床及胸部平扫CT影像资料,包括EFGR突变型(110例)及EGFR野生型(73例)。评估每位患者的病灶CT特征。勾画整个病灶的三维容积感兴趣区(VOI)。将所有患者的重建肺窗图像及病灶的VOI上传至“医准-达尔文”智能科研平台,按照7∶3比例分成训练组(128例)及验证组(55例)。采用最大绝对值归一化、最小收缩、最优特征筛选、迭代筛选及选择算子(LASSO)算法对数据进行降维处理,计算影像组学分数(Rad-score),建立影像组学模型。运用单因素及多因素Logistic回归分析,筛选具有显著预测价值的临床-影像独立影响因素,建立临床模型。将具有显著预测价值的临床-影像独立影响因素及Rad-score通过Logistic回归,得到影像组学列线图模型。通过ROC曲线和校准曲线评估3个模型的诊断效能。结果 最终筛选出11个影像组学特征构建影像组学分数。多因素Logistic回归分析结果显示吸烟史、胸膜牵拉及影像组学评分是肺腺癌患者EGFR基...     

基于胸部增强CT影像组学评估培美曲塞二钠+铂类对晚期肺腺癌化疗疗效的可行性分析

目的 探究基于晚期肺腺癌患者治疗前胸部增强CT图像构建的影像组学模型预测培美曲塞二钠+铂类化疗疗效的可行性。方法 回顾性搜集本院2018年1月至2022年11月经穿刺病理确诊仅选取培美曲塞二钠+铂类化疗的131例肺腺癌患者的临床及增强CT资料,按照7∶3的比例分层抽样法将病例分为训练集92例和测试集39例。根据实体肿瘤疗效评价标准(RECIST),将患者分为缓解组68例,未缓解组63例。提取并筛选治疗前CT图像的组学特征,并基于最终特征值采用支持向量机(SVM)、逻辑回归(LR)及高斯过程(GP)三种分类器构建影像组学模型。采用受试者工作特征曲线(ROC)和决策曲线分析(DCA)评估比较三种模型的预测能力、诊断效能及临床应用价值。结果 三种模型训练集曲线下面积(AUC)分别为0.821、0.812、0.827,测试集AUC分别为0.664、0.714、0.709,差异没有统计学意义;DCA示GP及SVM的净收益均高于LR;而训练集及测试集中GP及SVM的净收益无明显区别。结论 基于胸部增强CT的影像组学模型对培美曲塞二钠+铂类治疗晚期肺腺癌患者的化疗疗效具有可行性,且GP及SVM在一定...     

CT影像组学模型预测CNLC Ⅰ～Ⅱ期肝细胞癌切除术后早期复发的研究

目的 建立术前CT影像组学预测模型对中国肝癌分期(CNLC)Ⅰ～Ⅱ期肝细胞癌(HCC)切除术后早期复发进行预测。方法 回顾性分析接受手术切除的CNLCⅠ～Ⅱ期HCC患者153例的资料。用3D slicer软件勾画肿瘤感兴趣区(ROI),用pyradiomics包提取影像组学特征。基于LASSO算法进行特征筛选、并建立影像组学标签(Rad-score)。采用单因素Logistic回归和多因素Logistic逐步回归法确立独立预测因子,构建影像组学预测模型和临床预测模型。用受试者工作特征曲线(ROC)曲线下面积(AUC)来比较模型的区分度,用校准曲线评估模型的校准度,用临床决策曲线分析(DCA)评估模型的临床应用价值。结果 Rad-score、瘤内供血动脉、肝功能白蛋白-胆红素分级(ALBI分级)、性别是独立预测因子。影像组学模型具有良好的预测效能(AUC:训练组0.900,验证组0.853),优于临床模型(AUC:训练组0.823,验证组0.741)。校准曲线显示影像组学模型具有良好的校准度。DCA显示阈值概率在0.1～1.0时,影像组学模型的净获益要高于临床模型。结论 基于CT影像组学...     

增强MRI影像组学对肝癌微血管侵犯的预测价值

目的:探讨基于增强MRI影像组学方法对肝细胞肝癌微血管侵犯(MVI)的术前预测价值。方法:回顾性分析108例经手术病理证实为肝细胞肝癌病例的临床及增强MRI图像资料,其中MVI阳性45例,MVI阴性63例。对增强MRI动脉期(AP)、门静脉期(PVP)及延迟期(DP)图像进行影像组学特征提取,筛选最有价值的组学特征,采用五折交叉验证将样本量训练组和测试组,对训练组构建基于AP、PVP、DP及基于3期特征融合的影像组学联合逻辑回归模型,并对MVI的独立预测因子构建逻辑回归模型。选择最优影像组学模型并结合临床影像特征模型构建临床影像组学模型。所有模型结果均用五折交叉均值表示。模型采用受试者工作特征曲线(ROC)分析模型的有效性,并用测试组进一步验证。结果:MVI临床影像特征的独立预测因素包括甲胎蛋白、肿瘤最大径、瘤内动脉及包膜情况。临床影像特征模型在训练组的诊断效能ROC曲线下面积(AUC)值0.864,测试组AUC值0.843。AP、PVP、DP及3期联合模型在训练组的诊断效能AUC值分别为0.898、0.874、0.894及0.898,测试组AUC值分别为0.861、0.864、0.8...     

基于临床-影像组学列线图模型术前预测进展期胃癌神经侵犯的价值

目的:探讨基于增强CT影像组学特征和临床独立危险因素构建的联合模型及其列线图在术前预测进展期胃癌(AGC)周围神经侵犯(PNI)中的价值。方法:回顾性分析171例AGC患者的CT图像和临床资料。将171例患者按7:3的比例随机分为训练组119例(PNI阳性83例,阴性36例)和验证组52例(PNI阳性37例,阴性15例)。依次使用Spearman相关性分析及绝对收缩与选择算子(LASSO)对增强CT静脉期图像上提取的组学特征进行降维和筛选,并建立影像组学标签(V-Radscore)。使用单因素分析比较PNI阳性组与阴性组之间的V-Radscore和术前临床指标值,将差异具有统计学意义的指标纳入多因素logistic回归分析,得到PNI相关的独立危险因素,同时构建影像组学模型(V)、临床模型(C)和组合模型(V+C),并在训练组构建组合模型的列线图。采用受试者工作特征曲线(ROC)的曲线下面积(AUC)、敏感度、特异度和符合率来评价模型的诊断效能,使用校准曲线评价列线图模型在训练组和验证组中的拟合程度,使用决策曲线分析(DCA)来评价列线图的临床应用价值。结果:PNI的独立危险因素包括V...     

基于胰腺周围脂肪间隙CT影像组学预测早期急性胰腺炎进展的价值

目的:探讨基于胰周脂肪间隙CT影像组学预测早期急性胰腺炎(AP)进展的价值。方法:回顾性分析123例根据新修订的亚特兰大分类诊断为AP的患者(进展组39例,非进展组84例),所有患者均接受腹部平扫及增强CT扫描。采用完全随机方法将患者按7:3的比例分为训练组和验证组。对各期手动勾画距炎症胰腺前缘3～5 mm范围的单层感兴趣区(ROI),采用AK软件提取CT纹理特征,使用最小冗余最大相关(mRMR)和最小绝对值收敛和选择算子(LASSO)回归分析对纹理特征降维、建立影像组学标签,并运用100次留组交叉验证(LGOCV)对模型的可靠性进行验证。将临床资料、CT特征及影像组学标签采用多因素Logistic回归分析建立影像组学模型。利用受试者工作特征(ROC)曲线评价模型的预测效能,应用决策曲线分析(DCA)评估模型的临床应用价值。结果:临床模型、平扫序列影像组学标签、联合序列影像组学标签、平扫序列个性化模型及联合序列个性化模型在训练组中的AUC分别为0.70、0.94、0.94、0.94及0.97,在验证组中的AUC分别为0.83、0.95、0.96、0.99、0.98。DCA显示平扫、联合...     

基于临床及CT影像组学特征预测肺腺癌结节北大核心CSCD

目的:探讨基于临床及影像组学特征构建机器学习模型对预测肺腺癌结节的准确性。方法:回顾性收集186例病理类型明确的肺结节患者,按病理类型分为腺体前驱病变组与腺癌组,按照7∶3比例将其分为训练集和测试集。采用3D Slicer软件对病灶容积感兴趣区(ROI)进行逐层手动勾画,通过Python软件提取影像组学特征。提取临床特征,包括人口统计学特征、临床表现、肿瘤标志物及CT影像学语义特征。选用单因素分析、最小绝对收缩和选择算子(LASSO)和逐步logistic回归分析进行特征筛选。在训练集中分别构建基于影像组学特征(模型1)及临床与影像组学特征相结合(模型2)的随机森林(LR)肺腺癌结节预测模型。通过ROC曲线及计算曲线下面积(AUC)对模型进行验证。结果:训练集130例,测试集56例。提取影像组学特征和临床特征数量分别为688个和25个。经特征筛选,共保留11个影像组学特征。临床特征中年龄、结节成分、结节最大径在训练集中组间差异显著(P<0.05)。训练集中模型1和模型2的AUC分别为0.991和0.960;测试集中模型1和模型2的AUC分别为0.913和0.884,准确率分别为0.875和0.839,精确度分别为0.872和0.824,召回率分别为0.976和1.0,F1分数为0.921和0.903。结论:基于临床及CT影像组学特征构建的RF模型能够准确预测肺腺癌结节。     

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。     

基于MRI 3D-T1WI增强影像组学模型预测非小细胞肺癌脑转移EGFR基因突变状态

目的 建立非小细胞肺癌脑转移MRI 3D-T₁WI增强影像组学模型,验证其对非小细胞肺癌患者EGFR突变状态的诊断效能。方法 回顾性搜集104例非小细胞肺癌脑转移患者,其中EGFR基因突变型60例,野生型44例,随机分为训练集76例(突变型45例,野生型31例)和验证集28例(突变型15例,野生型13例)。分析患者性别、年龄、吸烟史、病理类型、转移数目、瘤周水肿、瘤周水肿指数、脑膜转移与EGFR突变状态的相关性。通过3D-T₁WI增强图像对影像组学特征进行提取,利用mRMR和LASSO筛选影像组学特征构建组学模型,通过对所选特征的系数加权求和来计算Rad-score。利用ROC曲线及DCA曲线对组学模型诊断效能进行评估。结果 性别、吸烟史及病理类型在EGFR突变型及野生型组间差异有统计学意义(P<0.05),女性、无吸烟史、腺癌患者更易出现EGFR突变。组学模型在训练集中AUC为0.832(95%CI:0.734～0.931),在验证集中AUC为0.813(95%CI:0.644～0.982),均表现出了较高的诊断效能。绘制DCA曲线提...     

联合CT影像组学与深度学习特征建立列线图预测食管鳞癌放疗近期疗效

目的:探讨基于CT影像组学特征与深度学习特征建立列线图对食管癌放疗近期疗效的预测价值。方法:回顾性分析137例食管鳞癌患者的临床及影像资料。从CT图像中提取影像组学特征和深度学习特征。通过最小绝对收缩和选择算子方法分别对影像组学特征和深度学习特征进行降维并计算得到影像组学得分(Radscore)和深度学习得分(Deepscore)。采用多因素logistic回归分析建立预测模型,并绘制列线图。对列线图的校准度、诊断效能和临床价值进行评价。结果:筛选得到6个影像组学特征参与计算Radscore, 6个深度学习特征参与计算Deepscore。多因素logistic回归结果显示Radscore、Deepscore、TNM分期为联合模型的独立预测因子。联合预测模型在训练集中预测食管鳞癌患者放疗近期疗效的曲线下面积(AUC)为0.904,高于临床模型(AUC=0.662)和影像组学模型(AUC=0.814),且AUC差异均有统计学意义(P<0.001、P=0.004)。验证集中联合模型的AUC为0.938,高于临床模型(AUC=0.644)和影像组学模型(AUC=0.852),联合模型与临...     

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。