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。     

基于增强CT不同影像组学模型术前预测食管鳞状细胞癌分化的应用

目的采用增强CT图像、不同机器学习模型建立食管鳞状细胞癌术前病理分化的影像组学模型,探讨影像组学模型术前预测食管鳞状细胞癌分化的可行性及价值。方法回顾性分析172例术后病理结果为食管鳞状细胞癌病例,分为分化良好组和分化不良组。将其增强CT图像以DICOM格式导入医准-达尔文系统,按3∶1随机分为训练集和测试集,提取静脉期CT图像的影像组学特征,应用最小最大值归一化法、最优特征筛选和最小绝对收缩和选择算子(LASSO)回归对其进行降维、筛选,分别构建支持向量机、随机森林和Logistic回归模型,利用5倍交叉验证对三种模型进行训练,绘制三种模型训练集和测试集ROC曲线,评估其诊断效能。结果三种影像组学模型的AUC均大于0.7,支持向量机模型AUC最高,AUC为0.88。不同分化组的临床炎性指标差异无统计学意义(P0.05)。训练集和测试集临床特征差异无统计学意义(P0.05)。结论基于增强CT三种影像组学模型可用于术前预测食管鳞状细胞癌病理分化程度。     

基于高分辨率T2WI的影像组学对直肠癌EGFR表达的预测价值

目的:探讨基于高分辨率T2WI的影像组学对直肠癌EGFR表达状态的预测价值。方法:回顾性分析经术后病理确诊且在接受治疗前行MRI检查的208例直肠癌患者的临床及影像资料,根据EGFR表达水平不同将患者分为阳性组和阴性组。在高分辨率T2WI图像上勾画病灶的三维容积兴趣区(VOI)并提取影像组学特征,将208例患者分为训练集(n=145)和测试集(n=63),并对特征进行降维,将降维后的特征建立支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)及线性判别分析(LDA)四种分类器学习模型,分别绘制训练集和测试集的受试者工作特征(ROC)曲线,并获得曲线下面积(AUC)。结果:208例患者中,EGFR阳性表达99例(47.6%)。二元Logistic回归分析显示示低分化和淋巴结转移是EGFR阳性表达的独立危险因素(P<0.05)。训练集与测试集的患者在性别、年龄、TN分期及分化程度差异均无统计学意义(P>0.05)。4种影像组学模型均有一定的预测效能,其中SVM模型训练集与测试集的诊断效能均为最高,在训练集和测试集中的AUC分别为0.803、0.725。结论:基于高分辨率T2...     

基于机器学习CT影像组学特征联合血清学特征模型预测高出血风险食管静脉曲张

目的建立结合影像组学特征及血清学特征的预测模型(Nomogram模型)并进行模型验证,以评估模型对高出血风险食管静脉曲张的预测效能。方法回顾性收集本院代偿期肝硬化门静脉高压患者共129例数据的CT、血清学及电子胃镜资料,选取CT图像上第一肝门及脾门层面作为感兴趣区勾画全肝及全脾ROI,提取CT特征、血清学特征,构建影像组学模型,血清学模型及Nomogram模型,采用ROC曲线下面积(AUC)评估3个预测模型的预测效能。结果 本次研究共纳入129例患者,其中训练集103例,验证集26例,影像组学模型、血清学模型、Nomogram模型的AUC值0.887(95%CI:0.759-1.000)、 0.845(95%CI:0.691-1.000)、0.988(95%CI:0.959-1.000)。结论 基于机器学习CT影像组学特征联合血清学特征预测高出血风险食管静脉曲张模型,较影像组学特征预测模型以及血清学特征预测模型有着更高的预测效能。     

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。     

CT影像组学模型在小细胞肺癌与非小细胞肺癌鉴别的价值

目的 探讨肺癌CT影像组学特征用于鉴别小细胞肺癌(small cell lung cancer,SCLC)和非小细胞肺癌(non-small cell lung cancer,NSCLC)的价值.方法 回顾性分析经2010-01/2020-12年来自首都医科大学电力教学医院和首都医科大学大兴教学医院的89例肺癌患者的临床和影像资料的病理证实,其中SCLC 24例,NSCLC 65例.采用Python语言PyRadiomics软件包提取影像组学特征,使用最大相关-最小冗余(max-relevance and minredundancy,mRMR)算法和最小绝对收缩和选择算法(least absolute shrinkage and selection operator,LASSO)回归分析筛选影像组学特征.利用多变量Logistic回归构建预测模型,应用受试者工作特征曲线(receiver operating characteristic curve,ROC)评价预测模型的诊断效能,联合影像组学标签与临床特征构建列线图.结果 从所提取的788种影像组学特征中,最终筛选了其中8种重要特征用于构建影像组学模型.训练组、测试组影像组学模型鉴别SCLC与NSCLC的ROC曲线下面积(area under the curve,AUC)分别为0.93(95％CI:0.85～1.00)、0.92(95％CI:0.80～1.00).联合诊断模型在测试组的诊断效能(AUC=0.93,95％CI:0.84～1.00)高于临床预测模型(AUC=0.73,95％CI:0.52～0.93)和影像组学模型(AUC=0.92,95％CI:0.80～1.00).结论 基于CT平扫的影像组学模型鉴别SCLC与NSCLC有较高的诊断效能,结合患者临床资料的联合模型较影像组学模型有更高的诊断效能.     

CT影像组学预测胃癌不同预后组织学分型的可行性

目的: 探讨CT影像组学在胃癌不同预后组织学分型预测中的应用价值。方法: 回顾性分析570例胃癌患者的临床资料,按组织学分型分为预后较差组和预后较好组,按照2 ∶1的比例随机分为训练组和验证组。采用软件ITK SNAP从CT图像中分割胃癌原发病灶。采用多因素分析筛选出与胃癌不同预后组织学分型最大相关性的临床特征,并以此构建临床特征模型。从所有分割图像中提取特征,再使用最大相关最小冗余(mRMR)、最小绝对收缩和选择算子(LASSO)回归和逐步回归筛选出有效特征,并以此建立影像组学标签。最后,拟合影像组学标签与临床特征,构建影像组学模型,并用受试者工作特征（ROC）曲线下面积（AUC）进行性能评估。结果： 提取了985个二维图像特征,包括一阶统计量、形状特征、纹理特征等。通过去冗余特征筛选,得到5个最有效特征构建影像组学标签。3个临床特征（年龄、性别、CT M分期）作为构建临床特征模型的参数。相较于临床特征模型和影像组学标签,影像组学模型的预测性能表现最佳,影像组学模型AUC在训练组和验证组分别为0.726 2(95%CI：0.676~0.776),0.707(95%CI：0.632~0.781)。结论： CT影像组学在术前无创预测胃癌不同预后组织学分型方面具有一定的应用潜力。     

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。     

CT影像组学对肾上腺乏脂腺瘤与结节样增生的诊断价值

目的 探讨基于CT平扫图像建立的影像组学诺模图对鉴别肾上腺乏脂腺瘤和肾上腺结节样增生的诊断价值。方法 回顾性分析经病理学检查证实的44例肾上腺乏脂腺瘤与55例肾上腺结节样增生患者。从CT平扫图像提取并筛选出有诊断价值的影像组学参数,计算影像组学评分构建影像组学模型,分析筛选临床因素构建临床模型并联合临床因素和影像组学模型构建诺模图。分析比较上述3种模型的诊断效能。结果 13项影像组学参数被筛选用于建立影像组学诊断模型。影像组学模型验证集曲线下面积为0.91,敏感度和特异度分别为84.6%和81.3%。单因素及多因素二分类Logistic回归分析结果显示,肾素和最大径为鉴别二者的独立影响因子,临床模型验证集曲线下面积为0.57,敏感度和特异度分别为53.9%和68.8%。诺模图验证集AUC为0.94,敏感度和特异度分别为84.6%和93.8%。影像组学模型及诺模图的诊断效能均大于临床模型(z=3.188,P<0.001;z=3.409,P<0.001)。结论 基于CT平扫图像的影像组学诺模图对鉴别肾上腺乏脂腺瘤和肾上腺结节样增生有较高的诊断效能,具有较高的临床价值。     

多参数MRI影像组学在鉴别诊断T3a与T3b期前列腺癌中的价值

目的探讨多参数MRI(multi-parameter MRI, mp-MRI)影像组学在鉴别诊断T3a、T3b期前列腺癌中的价值。方法回顾性分析151例T3期前列腺癌病人的影像资料, 其中T3a期110例, T3b期41例。使用达尔文智能科研平台在T2WI及ADC横轴位图像上手动勾画感兴趣区, 提取影像组学特征。按照3:1的比例分别将ADC图像、T2WI图像、ADC图像联合T2WI图像三种模式下的影像组学特征分为训练集和验证集, 依次对3组训练集构建模型, 使用相应验证集进行内部验证。通过ROC曲线对模型进行分析, 并评价不同序列的诊断效能。结果通过达尔文科研平台共提取1878个影像组学特征, 最终保留6个(ADC相关2个, T2WI相关4个)(P < 0.05), 单独T2WI和ADC图像下训练集AUC值分别为0.79、0.71, 验证集AUC值为0.59、0.70;ADC图像联合T2WI图像下训练集AUC值为0.79, 验证集AUC值为0.73。结论T2WI图像联合ADC图像影像组学对术前鉴别T3a、T3b期前列腺癌具有较好诊断价值, 可在一定程度上弥补MRI对 < 1 mm病灶检查效果欠佳的缺陷, 为癌灶是否侵犯精囊提供补充, 协助临床术前获得更加详实的资料, 为精准手术提供指导。     

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...     

CT影像组学在预测非小细胞肺癌淋巴结转移中的价值

目的探讨基于胸部CT影像组学在术前预测非小细胞肺癌淋巴结转移中的价值。方法回顾性分析经术后病理证实的143例非小细胞肺癌病人临床、胸部CT增强影像资料。按照7:3比例,随机分为训练组（n=100）和验证组（n=43）。在静脉期图像上提取肿瘤的影像组学特征,采用最小绝对收缩选择算子（LASSO）逻辑回归用于数据降维、特征筛选。分别基于影像组学特征和临床-影像特征（最大径、毛刺征）构建预测模型。采用受试者工作特征曲线（ROC）的曲线下面积（AUC）评价不同模型的鉴别预测效能,并对模型的ROC曲线行Delong检验;在验证组中评估其预测效能。结果共提取939个影像组学特征,经筛选最终得到6个最优特征并建立影像组学预测模型。对于术前预测淋巴结转移的效能,在训练组中,影像组学模型AUC为0.864（95%CI:0.781~0.924）,大于临床模型的AUC为0.662（95%CI:0.561~0.754）（P < 0.01）;在验证组中,影像组学模型AUC为0.860（95%CI:0.720~0.964）,大于临床模型的AUC为0.664（95%CI:0.504~0.880）（P < 0.05）。结论基于胸部CT增强图像提取影像组学特征及其构建的预测模型,影像组学模型的效能高于临床模型,可以作为一种预测非小细胞癌病人淋巴结是否转移的辅助工具,具有良好的临床应用前景。     

基于钼靶影像组学列线图预测乳腺癌Her-2表达状态

目的：探讨基于钼靶影像组学列线图在术前预测乳腺癌Her-2表达状态的应用价值。方法：分析手术或穿刺前行乳腺钼靶检查的262例女性浸润性导管癌(IDC)病人。按照7∶3比例随机分为训练集183例和测试集79例。利用钼靶图像手动勾画感兴趣区(ROI),通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归提取影像组学特征,通过统计和LASSO机器学习方法降维,保留纳入模型的最优预测特征,采用logistic回归作为分类器,建立影像组学模型;结合影像资料,通过单-多因素logistic回归,筛选独立危险因素建立影像特征模型;将影像组学特征结合独立危险因素建立影像组学列线图模型。采用受试者操作特征(ROC)曲线分析各模型的预测效能并计算曲线下面积(AUC),并绘制校准曲线及决策曲线评估其效能。结果：列线图模型的预测效能最佳,训练集敏感度84.62%,特异度84.75%,AUC值为0.920,测试集敏感度84.00%,特异度83.33%,AUC值为0.916。校准曲线中列线图模型的预测曲线与理想曲线一致性较好...     

基于增强CT影像组学联合临床特征预测肝细胞癌病理分化程度的应用研究

目的 探讨增强CT影像组学模型联合临床特征对术前预测肝细胞癌(HCC)的病理分化程度的应用价值。方法 回顾性分析经手术切除或病理穿刺证实为HCC的196例患者的病理学及术前增强CT影像学资料。按照WHO标准将患者分为高分化组及中-低分化组,按照7:3比例将患者随机分为训练组(137例)和验证组(59例),保存增强CT动脉期(AP)、静脉期(VP)及延迟期(DP)影像学图像,在医准-达尔文科研平台中提取并筛选各期图像的影像组学特征,应用“最大值归一化法、最优特征筛选、最小绝对收缩和选择算子(LASSO)回归”进行降维、筛选,构建动脉期+静脉期、动脉期+延迟期、静脉期+延迟期及三期联合的影像组学模型。应用单因素及多因素分析方法从临床资料中筛选具有统计学差异的危险因素并建立临床模型。用逻辑回归(Logistic)方法分析影像组学模型、临床模型及影像组学联合临床模型,使用受试者工作特征曲线(ROC)评估各模型预测肝癌病理分化程度的效能,并计算曲线下面积(AUC)、准确度、特异度及敏感度等。结果 1.在影像组学模型中,三期联合模型预测肝癌病理分化程度效能最佳,训练组及验证组曲线下面积(AUC)分...     

CT影像组学对原发性胃淋巴瘤与Borrmann Ⅳ型胃癌的鉴别诊断价值

目的：探讨基于CT图像的影像组学标签鉴别原发性胃淋巴瘤与Borrmann IV型胃癌的可行性。方法：回顾性分析2009年1月至2017年4月在中南大学湘雅三医院经病理证实为原发性胃淋巴瘤或Borrmann IV型胃癌且术前进行过腹部CT增强扫描的71例患者,其中原发性胃淋巴瘤患者28例,Borrmann IV型胃癌患者43例。采用基于Matlab 2017a软件的特征提取算法提取影像组学特征,并利用logistic回归模型进行特征筛选以建立CT影像组学标签。通过纳入胃周脂肪浸润、胃壁柔软性、腹部淋巴结及周围脏器转移、腹水、黏膜白线征和病灶厚度等征象,构建CT征象诊断模型。应用受试者工作特征(receiver operating characteristic,ROC)曲线评估影像组学标签和CT征象诊断模型的分类性能。结果：从每个患者CT扫描的肿瘤区域中提取32个三维特征,通过降维发现2个特征是最重要的鉴别诊断因子并建立了影像组学标签;CT征象诊断模型由腹水、胃周脂肪浸润、胃壁柔软性及黏膜白线征组成。影像组学标签和CT征象诊断模型的曲线下面积(area under curve,AUC)分别为0.964和0.867;准确性分别为94.4%和80.2%;敏感性分别为93.0%和74.4%;特异性分别为96.4%和89.3%。经Delong检验,影像组学标签的诊断效能高于CT征象诊断模型(P<0.001)。结论：基于CT图像的影像组学标签能够较准确地鉴别Borrmann IV型胃癌与原发性胃淋巴瘤,为临床辅助诊断提供有利的手段。     

联合Nomogram模型预测卵巢囊腺瘤分类的价值

目的通过对比增强CT图像的影像组学分析,寻找客观量化判断卵巢浆液性与黏液性囊腺瘤分类的新参数,并联合囊腔数建立联合Nomogram模型,探讨这一模型的诊断价值。方法回顾性分析经病理学检查证实的卵巢囊腺瘤83例,其中浆液性囊腺瘤44例,黏液性囊腺瘤39例。经分层抽样将病例随机分组为训练集58例（70%）,测试集25例（30%）,通过增强CT图像提取病灶影像特征和影像组学参数,经LASSO回归分析得到具有统计学差异的影像组学参数并构建影像分数Radscore,联合囊腔数建立Nomogram模型,并进行受试者工作特征（ROC）曲线分析,ROC曲线下的面积(AUC)验证其诊断效能。结果本研究经降维算法后得到5个最优影像组学参数构建Radscore,建立联合Nomogram模型（训练集为AUC0.94,测试集AUC为0.85）,优于单一的影像特征及影像组学参数的诊断效能。结论Nomogram模型能有效量化卵巢囊腺瘤的异质性,并可作为定量影像生物标志物预测卵巢囊腺瘤分类。     

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。     

CT影像特征及影像组学在肺淋巴瘤与肺浸润性黏液腺癌诊断中的应用

目的:探讨CT影像特征及影像组学鉴别诊断肺黏膜相关淋巴组织型淋巴瘤(MALT)与肺浸润性黏液腺癌(PIMA)的应用价值。方法:50例经病理证实肺MALT患者及52例PIMA患者,按照2∶1随机分为训练集68例(33例MALT,35例PIMA)和验证集34例(17例MALT,17例PIMA)。比较训练集和验证集CT征象并提取验证集肺MALT和PIMA的影像组学特征参数,采用LASSO降维和Logistic回归,经过交叉验证后建立预测模型。结果:验证集共获得6个影像组学特征,包括4个一阶特征、2个纹理特征;ROC曲线分析显示,训练集和验证集鉴别诊断肺MALT、PIMA的AUC分别为0.873、0.852,模型拟合优度良好。结论:基于CT影像特征及影像组学构建的预测模型预测效能良好,可以鉴别诊断肺MALT和PIMA。     

基于双参数磁共振成像影像组学机器学习的前列腺癌风险分层

目的 探讨基于双参数MRI影像组学特征的机器学习模型在前列腺癌风险分层中的作用.方法 收集128例经病理证实的前列腺癌患者的临床资料,其中低风险组(Gleason评分≤3+4分)60例、高风险组(Gleason评分≥4+3分)68例.所有患者均接受3.0 T MRI检查,采集参数相同.统计与前列腺癌相关的临床危险因素,包括年龄、病灶体积、病灶位置、前列腺特异性抗原及前列腺影像报告和数据系统(PI-RADS)评分等.按7:3将患者随机分为训练集和验证集,分别用于影像组学模型的机器学习和验证.影像组学特征包括基于梯度的直方图特征、形态特征、灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)和Haralick特征.应用多因素logistic回归分析建立3个前列腺癌风险分层的预测模型:临床模型、影像组学模型和临床-影像组学联合模型,分别通过ROC曲线和决策曲线分析比较各模型的诊断效能与临床效益.结果 影像组学模型和临床-影像组学联合模型对验证集的预测效能相当(AUC=0.78,95％CI 0.63～0.93),并且均优于临床模型(AUC=0.75,95％CI 0.60～0.91).决策曲线分析表明,影像组学模型和临床-影像组学联合模型比临床模型具有更高的临床净收益.结论 与仅评估前列腺癌相关的临床危险因素相比,基于双参数MRI影像组学的临床-影像组学机器学习模型可以提高对前列腺癌风险分层预测的准确性.     

CT影像组学鉴别儿童腹膜后神经母细胞瘤和节细胞神经母细胞瘤的价值

目的 基于平扫和增强CT的影像组学分析在鉴别儿童腹膜后神经母细胞瘤（NB）和节细胞性神经母细胞瘤（GNB）中的价值。方法 纳入172例NB和48例GNB患儿,按7∶3的比例分层随机抽样划分为训练集和测试集。分别从平扫期、动脉期和静脉期CT图像中提取并筛选影像组学特征,基于最优特征子集采用多变量回归模型建立各期以及三期复合的影像组学模型,绘制模型ROC曲线,计算并比较各期模型的AUC、准确度、灵敏度及特异性等评价指标。结果 从平扫期、动脉期和静脉期CT图像中分别提取了1218个影像组学特征,最终筛选出平扫期模型4个特征、动脉期模型3个特征、静脉期模型2个特征以及三期复合模型 5 个特征。平扫期模型在训练集中的 AUC 为 0.840（95%CI: 0.778~0.902）,测试集中 AUC 为 0.804（95%CI: 0.699~ 0.899）。动脉期模型在训练集中的AUC为0.819（95%CI: 0.759~0.877）,测试集中AUC为0.815（95%CI: 0.697~0.915）。静脉期模型在训练集中的AUC为0.730（95%CI: 0.649~0.803）,测试集中AUC为0.751（95%CI: 0.619~0.869）。三期复合模型在训练集中的AUC为0.861（95%CI: 0.809~0.910）,测试集中AUC为0.827（95%CI: 0.726~0.915）。结论 基于平扫和增强CT的影像组学特征有助于区分儿童腹膜后NB和GNB,纹理特征相对于一阶直方图特征能更好的反映病灶的差异。平扫期、动脉期和静脉期影像组学模型均可较好鉴别儿童腹膜后NB和GNB。三期复合模型与平扫期、动脉期模型效能相似,但优于静脉期模型。