钆塞酸二钠增强多模态 MRI联合临床特征同时预测肝细胞癌CK19表达及微血管侵犯的价值

【摘要】目的：探讨钆塞酸二钠多模态MRI联合临床特征构建的列线图模型同时预测肝细胞癌（HCC）中CK19表达及微血管侵犯(MVI)的价值。方法：回顾性搜集经病理诊断为单发性HCC的106例患者的病例资料,术前均行钆塞酸二钠增强多模态MRI检查,且术后病理报告清晰描述CK19及MVI状态。将CK19/MVI双生物学标志物分为双阳组（CK19及MVI均为阳性,19例）与非双阳组（87例）,比较两组间临床及影像特征的差异,通过多因素Logistic回归筛选独立预测因子,并通过R软件构建CK19/MVI双阳性表达的列线图模型。结果：临床特征中年龄、AFP、NLR、PLR在双阳组与非双阳组间差异有统计学意义（P＜0.05）,影像特征中T1rt-pre、T1rt-20min、ADC值、肿瘤直径、肿瘤包膜、肿瘤边缘、坏死、瘤周强化、肝胆期瘤周低信号在两组间差异有统计学意义（P＜0.05）,其余参数在两组间差异无统计学意义（P＞0.05）。多因素Logistic回归分析结果显示PLR、T1rt-20min、肝胆期瘤周低信号是CK19/MVI双阳表达的独立预测因子,各预测因子的ROC曲线下面积（AUC）分别为0.729、0.706、0.708。建立的列线图预测模型AUC为0.854,校准预测曲线与标准曲线贴合尚可。结论：钆塞酸二钠增强多模态MRI联合临床特征术前能较好地同时预测CK19表达及微血管侵犯,并通过列线图模型为个体化预测提供参考。     

基于常规MRI影像组学模型预测软组织肉瘤复发

【摘要】目的：探讨基于常规MRI的影像组学模型对预测软组织肉瘤（STS）复发的价值。方法：回顾性分析2012年1月－2021年6月在本院经手术病理证实的92例STS患者的临床和影像资料。术后每3个月进行一次影像学检查,随访时间至少12个月以上,根据随访结果有无复发或远处转移分为复发组（27例）,无复发组（65例）。采用完全随机方法将所有患者按7:3的比例分为训练集（n=65）和验证集（n=27）。使用ITK-SNAP软件,分别在T1WI和压脂T2WI上逐层沿肿瘤边缘手动勾画ROI并进行三维融合（VOI）,然后使用AK软件提取纹理特征,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）回归分析方法分别对T1WI序列、压脂T2WI序列和联合序列的纹理特征进行降维和筛选,并建立影像组学模型,根据各个组学特征的权重系数计算影像组学评分（Radscore）,运用100次留组交叉验证（LGOCV）方法来评估模型的可靠性。将临床病理、常规MRI特征与预测效能最高的影像组学模型的Radscore相结合,采用多因素logistic回归（LR）、随机森林（RF）和支持向量机（SVM）三种机器学习算法分别建立机器学习模型。采用受试者工作特征（ROC）曲线评价各模型的预测效能,应用决策曲线分析（DCA）评估模型的临床应用价值。结果：临床模型在训练集和验证集中预测STS复发的ROC曲线下面积（AUC）分别为0.71（95%CI:0.58~0.85）和0.74（95%CI:0.52~0.97）。基于T1WI、压脂T2WI和联合序列的影像组学模型在训练集中预测STS复发的AUC分别为0.81（95%CI:0.70~0.93）、0.92（95%CI:0.86~0.99）和0.91（95%CI:0.84~0.99）,在验证集中分别为0.84（95%CI:0.63~1.00）、0.92（95%CI:0.81~1.00）和0.86（95%CI:0.72~1.00）。采用机器学习算法构建的LR、RF和SVM模型在训练集中预测STS复发的AUC分别为0.93（95%CI:0.87~0.99）、0.91（95%CI:0.84~0.99）和0.77（95%CI:0.63~0.91）,在验证集中分别为0.93（95%CI:0.83~1.00）、0.86（95%CI:0.71~1.00）和0.83（95%CI:0.66~1.00）。DCA分析结果表明,压脂T2WI和联合序列的影像组学模型、以及LR和RF模型的临床受益均较好。结论：基于常规MRI序列中的压脂T2WI和联合序列构建的影像组学模型对预测STS复发具有较高的预测效能和较好的临床受益,基于不同机器学习算法构建的预测模型的预测效能并无明显提高。     

基于DCE-MRI瘤内及瘤周影像组学特征的机器学习模型预测乳腺癌腋窝淋巴结转移的价值

目的：探讨基于动态增强磁共振成像（DCE-MRI）瘤内及瘤周影像组学特征的机器学习模型预测乳腺癌腋窝淋巴结转移的价值。方法：回顾性收集2018年6月—2022年8月经病理证实为乳腺癌且有相应腋窝淋巴结状态的患者病例资料215例,其中腋窝淋巴结转移阳性的患者117例,阴性98例。以7:3的比例将所有患者随机分为训练集与验证集。在训练集中使用皮尔森相关系数（PCC）,最大相关最小冗余（mRMR）、最小绝对收缩和选择算子（LASSO）对影像组学数据进行降维,采用逻辑回归（LR）、随机森林（RF）、支持向量机（SVM）、K近邻（KNN）、决策树（DT）、线性判别（LDA）6种方法建立影像组学预测模型。通过受试者工作特征曲线下面积（AUC）评价模型的效能。结果：基于瘤内联合瘤周影像组学构建的预测模型,在训练集及验证集中使用LR、RF、SVM、KNN、DT、LDA作为分类器时的AUC分别为（训练集0.811、0.882、0.816、0.773、0.870、0.829,验证集0.787、0.824、0.815、0.711、0.727、0.799）,RF模型的预测效能最佳,且高于RF构建的单独瘤内模型...     

Gd-EOB-DTPA增强MRI预测CK19阳性肝细胞癌及其预后的临床价值

目的 探讨钆塞酸二钠(Gd-EOB-DTPA)增强MRI预测肝细胞癌(HCC)细胞角蛋白19(CK19)表达状态的应用价值,并评估CK19阳性与CK19阴性HCC患者根治性切除术后的预后。方法 回顾性分析行肝切除术的单发HCC患者的MRI和临床病理资料。评估MRI定性、定量特征及临床病理特征与CK19阳性表达的相关性。多因素Logistic回归筛选出CK19阳性HCC的独立预测因素。通过受试者工作特征曲线分析评估CK19表达的预测效能。使用Kaplan-Meier方法评估无复发生存率。结果 共纳入137例患者(CK19阴性组105例,CK19阳性组32例)。动脉期环状高强化、肝胆期肿瘤与肝实质信号强度比(SR)、DWI或HBP靶征和甲胎蛋白(AFP)与CK19阳性HCC相关(P<0.05)。多因素分析示动脉期环状高强化和AFP>400 U/ml是CK19阳性HCC的独立预测因素。联合上述两个指标预测CK19阳性HCC的曲线下面积为0.750,敏感度为72.4%,特异度为75.9%。与CK19阴性HCC患者相比,CK19阳性HCC患者在肝切除后的无复发生存率(RFS)较低(1...     

结合瘤周影像组学建立磨玻璃结节手术切除预测模型

目的 融合肺磨玻璃结节(GGN)瘤内及瘤周影像组学特征,并与临床模型相结合建立GGN手术切除预测模型。方法 回顾性搜集311例肺GGN患者CT图像,包括良性/腺体前驱病变121例,肺腺癌(微浸润腺癌/浸润性肺腺癌)190例。对GGN行手动分割获得瘤内ROI,使用膨胀算法外扩3 mm获得瘤周ROI,分别提取影像组学特征。按照7∶3比例随机划分训练集(217例)与验证集(94例),使用支持向量机构建瘤内组学模型、瘤周组学模型及融合组学模型。选取其中表现最好的模型与临床模型相结合,建立GGN手术切除预测模型。使用曲线下面积(AUC)、准确率、敏感度、特异度评价各模型预测效能,DeLong检验用于比较各模型AUC差异,使用决策曲线评估各模型的临床应用。结果 瘤内组学模型训练集AUC值为0.805(95%CI:0.745～0.866),验证集AUC值为0.787(95%CI:0.696～0.878);瘤周组学模型训练集AUC值为0.727(95%CI:0.655～0.799),验证集AUC值为0.759(95%CI:0.653～0.866);融合组学模型训练集AUC值为0.827 (95%CI:...     

基于乳腺X线图像纹理特征建立机器学习模型在鉴别良恶性乳腺肿块中的价值

目的:探讨基于乳腺X线图像的纹理分析建立机器学习模型在鉴别乳腺肿块良恶性中的价值。方法:回顾性搜集经病理证实的124个乳腺良性肿块和139个乳腺恶性肿块的乳腺X线图像。并按照7﹕3的比例划将所有病灶随即分为训练集和验证集。使用MaZda软件,在X线图像上于乳腺病灶内手动勾画ROI,提取6类共133个纹理特征,经降维处理后,利用训练集数据得到线性判别分析(LDA)、Logistic回归(LR)、随机森林(RF)和支持向量机(SVM)共4种模型。在验证集中对这4种模型进行验证。通过符合率、Kappa系数和AUC值分别评价4种模型在训练集和验证集中的表现,并通过delong法比较4种模型间AUC值的差异。结果:RF模型在训练集和验证集中符合率、Kappa系数和AUC值均高于其它模型;其中,RF模型在验证集中的符合率为94.9%、Kappa系数为0.896、AUC值为0.946,与LDA模型、LR模型间AUC值的差异均具有统计学意义(P<0.05)。SVM模型的符合率和Kappa系数仅次于RF模型;在验证集中,SVM模型的AUC值高于LDA和LR模型,但差异无统计学意义(P>0.05)。结论:基于乳腺X线图像纹理特征建立的机器学习模型在鉴别乳腺肿块良恶性中具有一定优势。其中RF模型表现出较好的诊断效能,SVM模型的表现仅次于RF模型。     

MRI影像组学联合炎症因子对肝细胞肝癌微血管侵犯的预测价值

【摘要】目的：探讨基于MRI影像组学联合炎症因子术前预测肝细胞肝癌（HCC）微血管侵犯（MVI）的价值。方法：纳入经病理证实的HCC患者221例,其中MVI阳性117例,MVI阴性104例。比较MVI阴性与阳性患者的炎症因子、影像特征差异,运用多因素Logistic分析确定MVI的独立危险因素,建立影像特征及炎症因子预测模型。勾画Gd-DTPA 增强门静脉期瘤周20mm及瘤内所有层面,使用最小绝对收缩和选择算子（LASSO）算法筛选影像组学特征,建立瘤周、瘤内、瘤周及瘤内共三种影像组学模型。选择瘤周、瘤内影像组学及炎症因子建立联合预测模型,使用ROC曲线在验证组中评估模型的预测效能。结果：Logistic多因素分析结果显示肿瘤最大直径、包膜、动脉期瘤周强化、［碱性磷酸酶（ALP）+γ-谷氨酰转肽酶(GGT)］/淋巴细胞计数（AGLR）是MVI的独立危险因素,基于上述独立危险因素建立的影像特征及炎症因子预测模型预测HCC MVI的ROC曲线下面积（AUC）训练组为0.80,验证组为0.75。基于瘤周及瘤内影像组学建立的影像组学模型较仅包含瘤内影像组学的模型预测HCC MVI的AUC高（瘤周及瘤内模型在训练组和验证组的AUC分别为0.83、0.79,瘤内模型在训练组和验证组的AUC分别为0.75、0.73）。瘤周、瘤内影像组学及炎症因子构建的联合预测模型预测HCC MVI的AUC训练组为0.87,验证组为0.82。结论：基于Gd-DTPA门静脉期建立的瘤周及瘤内影像组学模型可对HCC MVI进行术前预测,联合炎症因子可进一步提高其预测效能。     

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。     

动态增强MRI影像组学模型术前预测乳腺癌前哨淋巴结转移

目的 构建并验证动态增强MRI（DCE-MRI）影像组学模型能否于术前无创性预测乳腺癌前哨淋巴结（SLN）转移。 方法 回顾性分析术前接受DCE-MRI检查且经病理证实的128例女性乳腺癌病人的临床、病理及MRI资料,病人平均年龄（45.94±10.08）岁;其中,前哨淋巴结（SLN）阳性者61例,阴性者67例;将病人按照7∶3的比例随机分为训练集（89例）和验证集（39例）。提取DCE-MRI第2期相的影像组学特征,应用最大最小值归一化算法将所有原始特征向量进行归一化,采用最优特征筛选器及最小绝对值收敛和选择算子（LASSO）-Logistis回归（LR）算法依次对影像组学特征进行降维筛选,选择出7个对术前预测SLN转移有价值的最优特征,包括1个一阶统计特征、3个形状特征和3个纹理特征。应用支持向量机（SVM）、LR及决策树3种机器学习算法构建预测模型。采用独立样本t检验、卡方检验及Fisher确切概率检验比较SLN阳性组和阴性组、训练集和验证集间的临床病理特征。采用受试者操作特征（ROC）曲线评估3种模型的诊断效能,计算相应的曲线下面积（AUC）,并通过验证集进行验证。结果 SLN阳性组和阴性组、训练集和验证集组间病人的临床病理特征差异均无统计学意义（均P>0.05）。3种机器学习模型中,决策树模型在训练集与验证集中的AUC均最高（分别为1.00和0.90）,其次为LR模型和SVM模型;决策树模型在训练集与验证集中也均呈现最高的敏感度,分别为100.00%和89.50%;决策树模型在训练集中的准确度最高（100.00%）,其次为LR模型和SVM模型。验证集中3种模型的准确度相等（89.74%）。 结论 基于DCE-MRI的影像组学模型对SLN转移有一定的预测价值,可为乳腺癌病人术前预测SLN转移提供一种无创而简便的方法,有助于临床个体化精准医疗。     

基于ADC和增强MRI的影像组学模型预测低级别胶质瘤TERT启动子突变状态

目的:探讨基于ADC和增强MRI的影像组学模型对低级别胶质瘤端粒酶逆转录酶基因（TERT）启动子突变状态的预测价值。方法:回顾性搜集109例经病理证实的低级别胶质瘤患者,所有患者术前均行MRI检查,在ADC和对比增强T₁WI（T₁CE）图像上选取病灶最大层面,沿肿瘤边缘勾画ROI,提取影像组学特征。采用三联法（Fisher, POE+ACC,MI）和最小绝对收缩选择算子（LASSO）进行特征筛选,然后行多因素logistic回归分析,构建影像组学预测模型。采用ROC曲线评估预测模型的诊断效能。结果:在ADC和T₁CE图像上分别提取279个影像组学特征,最终筛选出11个影像组学特征,分别建立ADC模型、T₁CE模型和联合分析（ADC+T1CE）模型共3个影像组学模型。联合分析模型的预测效能最佳,训练集中曲线下面积（AUC）为0.928（95%CI:0.859～0.996）,验证集中AUC为0.878（95%CI:0.758～0.997）。结论:基于ADC和增强MRI的影像组学模型能有效预测低级别胶质瘤...     

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MRI的放射组学评分和临床病理影像参数预测垂体瘤复发的Nomogram模型研究

目的:本研究拟联合多序列MRI的放射组学评分和临床、病理学等危险因素，构建预测垂体腺瘤术后复发的模型。方法:回顾性分析2012年6月-2017年6月128例确诊为垂体腺瘤(复发58例，未复发70例，随访5～10年)的临床病理和术前MRI资料。对术前图像进行分割并提取特征。经过降维后，最终选取6个与复发相关的组学特征构建linear-SVM、rbf-SVM、KNN、LR、RF和XGBoost机器学习模型及R-score。随后将R-score与病理、影像学变量相结合建立联合Nomogram模型。评价和比较模型的预测性能并通过校准曲线和决策曲线分析其临床价值。结果:在临床病理学及影像学特征中，Ki-67和肿瘤最大直径是垂体腺瘤复发的独立预测因子，linear-SVM是性能最好机器学习模型。相较于单一模型而言，联合Nomogram模型则在训练集(AUC=0.907,95%CI:0.843～0.972)和测试集(AUC=0.883,95%CI:0.769～0.996)中表现出了更好的预测性能。决策曲线也显示联合Nomogram显示出更好的预测性能和临床应用价值。结论:联合Nomogram模型在预...     

基于多参数MRI影像组学方法鉴别Ⅰ型和Ⅱ型上皮源性卵巢癌

目的 探究基于多参数MRI影像组学和机器学习方法在术前鉴别诊断Ⅰ型和Ⅱ型上皮性卵巢癌(EOC)中的价值。方法 回顾性搜集两个中心共181例EOC患者(中心一136例为训练集，中心二45例为外部验证集),其中Ⅰ型59例，Ⅱ型122例。从每例患者抑脂(FS)-T₂WI、DWI及ADC图像分别提取1130个影像组学特征。通过对四种机器学习算法的性能评价，确定了构建影像组学模型的理想算法。构建影像组学模型、临床模型和联合模型，并通过受试者工作特征(ROC)曲线分析评估诊断性能。采用DeLong检验比较曲线下面积(AUC)。结果随机森林(RF)算法是构建影像组学模型的最优算法。联合模型在外部验证集AUC为0.912(95%CI:0.820～1.000),显著优于临床模型(AUC=0.718,95%CI:0.552～0.884,P=0.036)和影像组学模型(AUC=0.810,95%CI:0.675～0.946,P=0.012)。结论 基于多参数MRI的影像组学和机器学习方法有潜力术前准确鉴别Ⅰ型和Ⅱ型EOC,并协助临床决策。     

基于CT增强扫描静脉期的影像组学列线图预测晚期肺腺癌患者对培美曲塞+铂类化疗敏感性的价值

目的：探究影像组学列线图对晚期肺腺癌患者培美曲塞+铂类化疗疗效的预测能力。方法：回顾性收集经穿刺病理确诊为晚期肺腺癌的131例患者的资料,均行至少2个周期的培美曲塞+铂类化疗。将患者按照7∶3的比例随机分为训练集92例和测试集39例。依据实体肿瘤的疗效评价标准（RECIST）标准,将部分缓解患者纳入缓解组（68例）,疾病进展和疾病稳定患者纳入未缓解组（63例）。根据治疗前静脉期CT图像提取、筛选影像组学特征,得到影像组学评分（Radscore）,并建立影像组学逻辑回归（LR）模型;采用单因素及多因素logistic回归分析筛选独立预测因子,并构建临床预测模型;基于LR联合临床独立预测因子及Radscore构建影像组学列线图。采用ROC曲线和决策曲线分析（DCA）评估比较3种模型的预测效能及临床净收益。结果：临床预测模型、影像组学模型及影像组学列线图的训练集AUC分别为0.742、0.815和0.923,测试集AUC分别为0.684、0.726和0.760,表明影像组学列线图的预测效能高于临床预测模型及影像组学模型。DCA示影像组学列线图临床净收益高于临床预测模型及影像组学模型。结论：影...     

钆贝葡胺多期增强MRI预测肝细胞癌细胞角蛋白19表达状态的研究

目的:探讨钆贝葡胺（Gd-BOPTA）多期增强MRI预测肝细胞癌（HCC）细胞角蛋白19（CK19）表达状态的价值。方法:回顾性分析2016年6月至2020年2月福建医科大学附属第一医院经病理和免疫组织化学检测的HCC患者153例,其中CK19阳性31例、CK19阴性122例。患者术前均行MRI平扫和Gd-BOPTA增...     

建立基于MRI-T2WI的影像组学模型预测肝细胞癌Ki-67的表达水平

目的 通过筛选出基于MRI-T2WI图像的最优影像组学标签,建立预测肝细胞癌(HCC)瘤体中细胞增殖抗原标记物(Ki-67)表达程度的预测模型.方法 搜集行肝部MRI影像学检查并经术后病理证实为HCC、行Ki-67表达水平检测的108例患者.并将所有病例随机分组为训练集(80％)、测试集(20％).经人工勾画出瘤体影像...     

瘤内及瘤周动态增强MRI影像组学特征鉴别乳腺原位癌与浸润性癌的可行性研究

目的探讨基于乳腺癌瘤内及瘤周区域动态增强MRI影像组学特征构建的预测模型鉴别乳腺原位癌与浸润性癌的可行性。方法回顾性分析北京大学第一医院2013年1至12月经粗针穿刺活体组织检查或手术切除组织病理学检查确诊为浸润性乳腺癌及2013年1月至2015年12月经手术切除组织病理学检查确诊为乳腺原位癌的连续病例。所有患者均有术前完整乳腺MRI图像。共入组251例患者(251个病灶), 均为女性, 年龄23～82岁, 中位年龄53岁, 其中乳腺原位癌43例, 乳腺浸润性癌208例。所有病例按照7∶3比例随机分为训练集(176例)与测试集(75例)。在训练集中结合动态增强(DCE)蒙片及早期强化图像, 对乳腺肿瘤区域及瘤周区域进行半自动分割, 然后提取、筛选影像组学特征并建立预测模型。测试集进行模型效能测试。采用受试者操作特征(ROC)曲线及曲线下面积(AUC)分析训练集及测试集中各模型的预测效能。结果利用瘤内、瘤周、瘤内联合瘤周影像组学特征建立的预测模型效能均较好, 在测试集中3个预测模型鉴别乳腺原位癌与浸润性癌的AUC分别为0.865、0.896、0.922, 两两比较差异无统计学意义(P&g...     

联合双能量CT定量参数和形态学特征在鉴别良恶性肺实性结节的应用价值

目的:探讨双能量CT定量参数和形态学特征在鉴别肺实性结节良恶性中的应用价值。方法:回顾性连续纳入144例经双期双能量CT(DECT)增强扫描患者的147个肺实性结节，包括76例肺癌和71例良性病变。纳入结节以下特征：基于直径或体积的Lung-RADS分级、形态学特征以及DECT定量参数[包括动脉期和静脉期的有效原子序数(Zeff＿A、Zeff＿V)、碘含量(IC＿A、IC＿V)和标准化碘含量(NIC＿A、NIC＿V)]。使用多因素Logistic回归筛选鉴别良恶性肺结节的独立预测因子，并构建组合模型。使用受试者操作特征曲线下面积(AUC)、敏感度、特异度评估Lung-RADS、形态学特征、DECT定量参数及组合模型的诊断效能。使用Delong对比AUC之间的差异。结果:基于分叶(OR:25.465,95%CI:6.988～92.797)、NIC＿V(OR:1.100,95%CI:1.062～1.139)构建的组合模型，AUC、敏感性、特异性分别为0.942(0.890～0.974)、90.8%及81.7%,且组合模型的AUC均优于基于直径的Lung-RADS分级、单一形态学特征及DEC...     

多序列MRI影像组学预测局部晚期宫颈鳞癌同步放化疗早期治疗反应的价值

目的探讨MRI影像组学模型预测局部晚期宫颈鳞癌同步放化疗早期治疗反应的价值。方法回顾性收集2013年1月至2019年6月辽宁省肿瘤医院经病理证实的367例局部晚期宫颈鳞癌(国际妇产科联合会分期为ⅡB～ⅣA期)患者, 因无法手术而接受完整的同步放化疗, 于治疗前2周内及治疗第4周末行盆腔平扫MRI、DWI及动态增强MRI, 根据实体瘤疗效评价标准1.1进行评价, 将患者分为完全缓解(CR)组(247例)和非CR组(120例)。采用随机拆分法, 按7∶3比例分为训练集(256例)和验证集(111例)。由2名医师在治疗前DWI、T2WI和增强T1WI(延迟期)图像上勾画感兴趣区, 最终形成三维容积感兴趣区。于3个单序列图像分别提取1 906个影像组学特征, 并利用特征相关分析和树模型筛选特征。使用逻辑回归(LR)、支持向量机(SVM)和随机森林(RF)3种分类器学习算法进行机器学习, 获得最佳分类器。基于最佳分类器, 建立3个单序列影像组学模型, 并采用多因素LR分析得到多序列联合模型。通过DeLong检验比较3个单序列模型与多序列联合模型的受试者操作特征曲线下面积(AUC)差异。通过决策分...     

基于STIR-MRI的影像组学模型评估原发性下肢淋巴水肿的临床分期

【摘要】目的：探讨MRI影像组学模型对原发性下肢淋巴水肿（PLEL）临床分期的评估价值。方法：回顾性搜集2018年1月－2019年12月在本院就诊的132例单侧PLEL患者的临床和影像资料。依据2020年国际淋巴协会（ISL）淋巴水肿临床分期标准,Ⅰ期45例,Ⅱ期51例,Ⅲ期36例。将STIR序列原始图像导入深睿多模态科研平台,连续选择10层肢体肿胀最严重的横轴面图像,逐层在皮下软组织区域内的水肿区手动勾画ROI,提取影像组学特征1743个。采用相关性分析及F-Test算法进行特征的筛选,然后采用logistic回归分类器分别建立Ⅰ期与Ⅱ期、Ⅱ期与Ⅲ期的分类模型,并采用ROC曲线评价模型的鉴别效能。采用决策曲线分析（DCA）评估模型的临床实用性。结果：鉴别Ⅰ期与Ⅱ期,共筛选出10个组学特征构建预测模型,其在训练集中的AUC为0.935（95%CI：0.886~0.983）,在验证集中的AUC为0.917（95%CI：0.858~0.975）。鉴别Ⅱ期与Ⅲ期,共筛选出10个组学特征用于建模,其在训练集中的AUC为0.838（95%CI：0.749~0.927）,在验证集中为0.760（95%CI：0.654~0.866）。DCA验证了影像组学模型鉴别PLEL临床分期的临床实用性。结论：基于下肢MRI建立的影像组学模型可较准确地评估PLEL的严重程度,与PLEL的临床分期一致性高。