CT影像组学联合临床特征在预测肺腺癌EGFR突变中的价值

目的探究CT影像组学联合临床特征对肺腺癌EGFR突变状态的预测效能。方法对125例肺腺癌病人进行回顾性研究,分成训练组（n=74）与验证组（n=51）,基于CT成像提取影像组学特征;采用支持向量机（SVM）分类器,分别构建临床模型、影像组学模型以及联合模型;受试者工作特征曲线（ROC）及曲线下面积（AUC）用于评价模型的预测效能。结果临床模型、影像组学模型以及联合模型在训练组中的AUC分别为0.749（0.653~0.843）、0.818（0.711~0.898）、0.860（0.760~0.930）,在验证组中的AUC分别为0.753（0.612~0.863）、0.797（0.661~0.896）、0.855（0.728~0.938）。结论对于肺腺癌EGFR突变状态的预测,CT影像组学特征优于临床因素与CT征象,当影像组学结合临床因素与CT征象,能进一步提高预测效能。     

基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者腋窝淋巴结负荷的价值

目的探讨基于机器学习的MRI影像组学列线图预测早期乳腺癌患者腋窝淋巴结（ALN）负荷的应用价值。方法回顾2015年1月至2022年6月丽水市中心医院经术后病理检查证实的377例早期乳腺癌患者,按7∶3的比例随机分为训练集264例和验证集113例。根据病理检查结果,将患者分为低负荷组（阳性ALN≤2枚,303例）和高负荷组（阳性ALN＞2枚,74例）。在Radcloud平台提取动态增强MRI第2期图像中乳腺肿瘤的影像组学特征,并依次采用方差阈值、单变量选择和最小绝对收缩和选择算子方法筛选最优影像组学特征。基于上述特征构建了5种机器学习分类器包括K近邻（KNN）、支持向量机（SVM）、逻辑回归（LR）、随机森林（RF）、极端梯度提升决策树（XGBoost）,选择验证集中AUC最高的分类器作为最佳影像组学模型。进一步行多因素logistic回归分析构建基于影像组学评分（Rad-score）和临床危险因素的列线图模型。采用ROC曲线评估不同模型的诊断效能。结果低负荷组和高负荷组在MRI报告淋巴结状态间的差异有统计学意义（P＜0.01）。经降维得到了16个与ALN负荷高度相关的影像组学特征。在验证集中,SVM分类器的诊断效能最好（AUC=0.762）。进一步结合Rad-score和MRI检查报告淋巴结状态建立列线图模型。ROC曲线结果显示,列线图模型在训练集和验证集中均呈现出良好的诊断效能,AUC分别为0.887、0.818。结论基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者ALN负荷具有较高的应用价值。     

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。     

基于动脉瘤形态学及影像组学特征模型预测大脑中动脉镜像动脉瘤破裂的价值

目的：探讨基于动脉瘤形态学及影像组学特征Logistic回归模型预测大脑中动脉镜像动脉瘤的价值。方法：回顾性分析2010年5月至2020年10月温州医科大学附属第一医院收治的38例大脑中动脉镜像动脉瘤患者（一侧破裂,一侧未破裂）。在破裂和未破裂的镜像动脉瘤的配对中,使用头颅CT血管造影（CTA）测量了7个形态学参数,并使用Pyradiomics提取了12个影像组学衍生形态学参数。采用单因素分析筛选动脉瘤破裂的相关因素,根据筛选出的特征构建形态学、影像组学及混合模型以预测大脑中动脉瘤是否破裂,采用受试者工作特征曲线（ROC曲线）及曲线下面积（AUC）对模型的预测效能进行评估。结果：采用单因素分析后,筛选出7个形态学参数（动脉瘤大小、垂直高度、动脉瘤高度、瘤颈、AR、SR及形状）及6个影像组学参数（Maximum3DDiameter、Maxium2DDiameterSlice、Maximum2DDiameterColumn、Maximun2DDiameterRow、SurfaceArea及SurfaceVolumeRatio）。ROC曲线分析结果表明,混合模型的AUC为0.85,高于形态学模型（AUC=0.83）及影像组学模型（AUC=0.71）。结论：基于动脉瘤形态学及影像组学特征构建的Logistic回归模型可能有助于独立于患者个体特征而评估大脑中动脉镜像动脉瘤破裂的风险。     

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。     

基于磁共振肝脾影像组学特征结合临床影响因素联合模型诊断显著性肝纤维化的效果评价

目的：探讨基于多模态平扫腹部MRI提取肝脏-脾脏联合影像组学特征结合临床影响因素联合模型在诊断显著性肝纤维化中的效果。方法：收集2017 年5月至2022 年5月于温州医科大学附属第二医院行经肝脏组织穿刺活检或手术病理检查证实为肝纤维化,并在病理检查6个月内接受过标准腹部MRI平扫检查的患者110例,将所有患者以7:3随机分为训练集和测试集。按照METAVIR评分系统,将F2级及以上定义为显著性肝纤维化组（62例）,F2级以下定义为无或非显著性肝纤维化组（48例）。分别标注肝脏、脾脏特征,并从中提取影像组学特征经筛选后分别构建肝脏、肝脏-脾脏联合特征的支持向量机影像组学模型和影像组学标签,以此计算每位患者的影像组学评分（Rad-score）。采用Logistic回归分析显著性肝纤维化的临床影响因素。最后使用Logistic回归构建基于临床影响因素和Rad-score的联合模型,绘制列线图。使用受试者工作特征（ROC）曲线和决策曲线分析（DCA）评估模型的性能。结果：有22、36 个影像组学特征经筛选后分别用于构建肝脏、肝脏-脾脏影像组学模型。多因素Logistic回归分析结果显示,性别女性（OR =0.126,95%CI =0.040～0.354,P ＜0.001）、年龄（OR =0.985,95%CI =0.066～0.999,P =0.011）、乙肝感染（OR =5.139,95%CI =1.898～15.137,P =0.002）、APRI指数≥1（OR =3.793,95%CI =1.231～14.5,P =0.033）是独立临床影响因素,被纳入构建临床预测模型。在Logistic回归模型中,肝脏特征、肝脏-脾脏联合特征所构建的影像组学模型在ROC曲线下面积（AUC）分别为0.828和0.917,表明肝脏-脾脏联合特征影像组学模型诊断效能更优。将肝脏-脾脏联合特征影像组学模型作为影像组学预测模型与临床预测模型结合获得联合预测模型,其在训练集、测试集的AUC分别为0.948和0.963。DCA显示,联合预测模型的临床实用性最佳。结论：基于多模态平扫腹部MRI提取肝脏-脾脏联合影像组学特征较单一肝脏特征在诊断显著性肝纤维化中有更好的诊断效能,联合预测模型相比临床预测模型能进一步提高诊断效能。     

基于临床特征及平扫CT影像组学特征模型预测早期脑出血血肿扩大的价值

目的：探讨基于临床特征和平扫CT影像组学特征机器学习模型预测早期脑出血血肿扩大（HE）的价值。方法：收集2018年1月至2020年5月温州医科大学附属第二医院急性早期自发性脑出血患者261例,根据是否存在早期HE分为HE组和非HE组,并将所有样本按7:3随机分为训练集（182例）和验证集（79例）。采用3D Slicer软件对病灶感兴趣区进行勾画。提取影像组学特征并收集患者的临床特征（人口统计学特征、CT影像学特征）。使用最小绝对值收缩和选择算子（LASSO）对影像组学特征进行筛选,保留非零系数特征;采用单因素分析及多因素Logistic回归分析筛选独立危险因素。根据筛选出的特征分别构建临床、影像组学及混合逻辑回归（LR）模型以预测早期脑出血血肿是否扩大。采用受试者工作特征曲线（ROC）及曲线下面积（AUC）对模型的预测效能进行评估。结果：从CT影像中共提取396个影像组学特征,经LASSO算法降维后筛选出7 个具有鉴别意义的影像组学特征。收集临床特征共计10 个,经单因素分析及多因素Logistic回归分析后,发现漩涡征、黑洞征、形状不规则是HE的独立危险因素（P ＜0.05）。影像组学模型、临床模型及混合模型预测效能：训练集中AUC分别为0.924、0.836和0.968,特异度分别为91.4%、81.0%和95.2%,敏感度分别为81.8%、78.4%和84.4%;验证集中AUC分别为0.919、0.796 和0.929,特异度分别为81.8%、77.5%和88.1%,敏感度分别为76.1%、64.5%和80.4%。结论：基于临床及CT影像组学特征构建的LR模型对HE具有一定的预测效能。     

基于CT平扫的影像组学模型在预测老年人腰椎骨质疏松中的价值

目的：探讨基于腰椎CT平扫影像组学模型在中老年人腰椎骨质疏松中的诊断价值。方法：选取2020年7月至2020年10月温州医科大学附属第二医院绝经后女性和50岁以上男性66例（骨质疏松症43例,未患骨质疏松症23例）,所有患者均行腰椎CT平扫。在纳入患者的腰1～4椎体中,共有237个腰椎符合研究标准,骨质疏松腰椎95个,非骨质疏松腰椎142个。根据腰椎是否存在骨质疏松为标准,将所有腰椎按照分层随机抽样方法以7:3的比例分为训练组和验证组。应用3D Slicer软件在腰椎CT平扫图像上逐层勾画腰椎椎体骨松质以获得三维感兴趣区（ROI）,并以单个腰椎椎体为单位提取影像组学特征。使用最大相关-最小冗余（mRMR）对训练组的影像组学特征降维并保留10个特征,然后应用最小绝对收缩和选择算子（LASSO）Logistic回归算法从保留的特征中选择最优特征子集用于建立影像组学模型。采用受试者工作特征（ROC）曲线的曲线下面积（AUC）评估影像组学模型的预测效能。采用校准曲线评估影像组学模型预测腰椎骨质疏松的结果与双能X线吸收测定法（DXA）诊断结果的拟合度。结果：在提取的1 316个影像组学特征中,最终获得7个与腰椎骨质疏松显著相关的影像组学特征用于构建影像组学模型。ROC曲线显示影像组学模型预测腰椎骨质疏松的AUC在训练组和验证组分别为0.908（95%CI =0.863～0.952）和0.935（95%CI =0.873～0.996）。校准曲线评估显示影像组学模型在训练组和验证组中均有较好的拟合度。结论：基于腰椎CT平扫的影像组学模型可作为评估中老年人腰椎骨质疏松的一种无创性辅助工具,有利于协助临床决策,改善患者预后。     

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.     

多模态MRI影像组学可预测弥漫性较低级别胶质瘤的11p/19q共缺失状态

目的 应用多模态MRI影像组学特征无创性预测弥漫性较低级别胶质瘤1p/19q共缺失状态。方法 收集2015年10月～2022年9月经病理证实为弥漫性较低级别胶质瘤的104例患者的MRI数据,并从T2WI、T1WI、FLAIR、对比增强T1WI和DWI序列提取535个组学特征,包括70个形态学特征,90个一阶统计学特征以及375个纹理特征。构建逻辑回归（LR）、基于逻辑回归的最小绝对收缩和选择算子（LRlasso）、支持向量机（SVM）和线性判别分析（LDA）模型,经十折交叉验证后,比较4组模型的预测效能。两位影像医师根据MRI图像来预测弥漫性较低级别胶质瘤1p/19q共缺失状态。采用受试者工作特性曲线（ROC）来评估影像组学模型和影像医师预测效能。结果 LR、LRlasso、SVM、LDA模型在验证集的AUC值分别为0.833、0.819、0.824、0.819,差异不具有统计学意义（P>0.1）。4组影像组学模型预测效能均高于住院医师（AUC=0.645,P=0.011、0.022、0.016、0.030）,并与主治医师相仿（AUC=0.838,P>0.05）。结论 多模...     

基于靶扫描和常规扫描CT图像的影像组学模型预测肺磨玻璃结节的2年生长

 目的 比较基于靶扫描CT（targeted CT,T-CT）和常规扫描CT（conventional CT,C-CT）图像建立的CT影像组学特征集预测肺磨玻璃结节（ground-glass nodules,GGN）2年生长的价值,并建立影像组学列线图以帮助管理GGN。方法 回顾性收集2018年10月—2019年1月间414个随访肺GGN的T-CT、C-CT图像和临床资料,并按7∶3分为训练组（n=290）和验证组（n=124）。分别采用最小绝对收缩与选择算法逻辑回归、多因素逻辑回归筛选GGN 2年生长相关的影像组学特征及临床特征,构建影像组学特征集、临床特征集,结合成影像组学列线图。采用Delong检验比较基于T-CT和C-CT图像建立的CT影像组学特征集,并分别用C-CT和T-CT数据进行交叉预测。分别采用受试者工作特征曲线下面积（AUC）和临床决策曲线评估各模型效能和临床实用性。结果 T-CT和C-CT图像分别筛选出7个和6个特征用于构建影像组学特征集,两者AUC差异无统计学意义。筛选出年龄、性别和毛刺征3个临床特征构建临床特征集,结合C-CT影像组学特征集构建影像组学列线图。影像组学列线图在训练组和验证组中的AUC分别为0.948和0.933。临床特征的纳入未能显著提高模型预测效能（训练组和验证组P值分别为0.168和0.160）,影像组学列线图较影像组学特征集获得更高临床净收益。结论 T-CT和C-CT影像组学特征集均能有效预测GGN的2年生长,且差异无统计学意义。影像组学列线图较影像组学特征集获得更高临床净收益,有助于管理GGN。     

影像组学联合预测模型在预测非小细胞肺癌淋巴结转移中的建立和应用价值

  目的  开发并验证影像组学模型,用于预测非小细胞肺癌术前淋巴结转移风险。  方法  2014年1月至2015年12月100例经临床病理确诊的非小细胞肺癌100例组成训练组,并用该数据建立影像组学预测模型。影像组学特征在平扫及增强CT上进行提取。Lasso-logistic模型用于数据降维、特征选择以及影像组学标记的建立。一致性系数（ICCs）用于评价观察者内部以及观察者之间的重复一致性。以一致性指数（C-index）评价影像组学标签对淋巴结转移的鉴别预测能力,并采用受试者工作特性（ROC）曲线下面积（AUC）展示。多因素logistic回归分析用于建立影像组学联合预测模型,该预测模型的参数包括影像组学标记和独立的临床危险因素。建立的影像组学模型由2016年1月至2017年12月连续纳入的100例非小细胞肺癌病例组成验证组进行验证。采用AUC评价该模型的鉴别预测效能,并用Delong检验进行模型间（联合预测模型与单纯使用22个影像组学标记的模型之间）的比较;用Hosmer-Lemeshow good of fit test（拟合优度检验）评价预测模型的校准度,其结果使用校正曲线表示,以比较模型预测的结果与实际淋巴结转移的一致性。  结果  提取特征时,观察者内部和观察者间的一致性好,ICC均大于0.75。从300个影像组学特征中提取出22个,其组成的影像组学标记,对于鉴别预测淋巴结转移状态的AUC,训练组为0.781,验证组为0.776。建立的影像组学预测模型包含了影像组学标记和血清癌胚抗原（CEA）、细胞角蛋白19片段抗原（CYFRA21-1）、癌抗原125（CA125）水平。用此联合预测模型预测淋巴结转移状态,训练组的AUC为0.836,验证组的AUC为0.821,均高于训练组和验证组单纯使用22个影像组学标记的模型,差异有统计学意义（P<0.05）。影像组学联合预测模型在训练组和验证组中均有较好的校准度,与实际淋巴结转移一致性高。  结论  本研究开发了一个包含了影像组学特征、临床危险因素的影像组学联合预测模型,该模型能够直观预测非小细胞肺癌患者术前的淋巴结转移风险。     

基于临床及CT特征构建预测肺浸润性黏液腺癌的机器学习模型

  目的  肺黏液腺癌是一种罕见的肺癌亚型,存在独特的分子生物学特征,并影响治疗方案的选择。本研究拟通过建立浸润性黏液腺癌的机器学习模型来提高治疗前黏液腺癌诊断的准确性。  方法  回顾性分析河北医科大学第四医院在2017年1月—2022年5月期间经穿刺活检或手术病理证实的620例肺浸润性腺癌患者资料。采用倾向性评分匹配法(PSM)进行1 : 1匹配后按7 : 3比例将患者随机分为训练集和测试集, 应用具有统计学差异的变量构建支持向量机(SVM)、随机森林(RF)及逻辑回归(LR)3种机器学习模型, 并通过AUC值选择最优模型。通过5折交叉验证方法分析最优机器学习模型AUC值及绘制决策曲线分析(decision curve analysis, DCA)曲线, 并构建诺莫图。  结果  结果显示病灶位于下叶、囊腔、支气管截断征及ΔCTV值是浸润性黏液性腺癌的独立预测因素。将以上4个特征通过机器学习构建预测模型并进行模型比较, 最终显示逻辑回归模型(AUC = 0. 801)为最优模型。将285例随机抽取30%为测试集(85例), 剩余样本作为训练集进行5折交叉验证, 逻辑回归模型在验证集中得到AUC为0. 777, 测试集中的AUC为0. 785, 准确度为0. 682, 训练集中的AUC为0. 803, 准确度为0. 749。最终构建逻辑回归模型的诺莫图, 模型校准曲线中的Briser Score为0. 149, 且绘制的DCA曲线同样显示该模型具有良好的预测能力及稳定性。  结论  通过对基于临床及CT特征的机器学习模型的分析, 构建了原发性肺浸润性黏液性腺癌的临床预测模型, 该模型具有潜在指导临床诊断的作用。      

基于DCE-MRI影像组学和常规MRI特征的列线图预测乳腺癌淋巴血管侵犯

目的：研究基于动脉对比增强磁共振成像（DCE-MRI）影像组学和常规MRI特征的列线图用于术前预测浸润性乳腺癌（IBC）患者的淋巴血管侵犯（LVI）状态。方法：回顾性分析2016 年7月至2021年5月间,经术后病理证实的300例IBC患者,并按照8:2比例随机分为训练组（n =238）和验证组（n =62）。对所有患者第二期DCE-MRI图像中的病灶区进行手动分割,并提取影像组学特征。采用方差阈值、select k best、LASSO回归进行影像组学特征筛选并计算影像组学评分（rad-score)。使用Logistic回归分析筛选常规MRI特征建立常规特征模型,并结合影像组学和常规MRI特征中的独立危险因素构建联合预测模型,并绘制列线图。使用受试者工作特征（ROC）曲线和校准曲线评估模型的效能,使用决策曲线分析评估模型的临床价值。结果：共提取到1 409个影像组学特征,经筛选得到15个影像组学特征与乳腺癌LVI状态相关,参与计算rad-score值。所有常规MRI特征中,最大直径（OR =1.743,P ＜0.001）和毛刺征（OR =6.304,P ＜0.001）是预测LVI阳性的独立危险因素。在训练组及验证组中,影像组学模型的ROC曲线下面积（AUC）分别为0.831和0.811;常规特征模型的AUC分别为0.779和0.770;联合预测模型的AUC分别可提高到0.889（95%CI =0.844～0.934）和0.856（95%CI =0.759～0.952）。校准曲线表明列线图预测值和实际值吻合较好,决策曲线显示列线图有较高的临床应用价值。结论：基于DCE-MRI影像组学和常规MRI特征构建的列线图用于术前预测IBC患者LVI状态具有良好的应用价值,可为临床治疗提供参考。     

CT影像组学在肝细胞癌联合治疗后短期疗效的应用

  目的   探讨增强CT的影像组学模型在预测肝细胞癌（hepatocellular carcinoma,HCC）经导管肝动脉化疗栓塞（transcatheter arterial chemoembolization,TACE）联合索拉菲尼治疗后短期疗效（6个月内）中的价值。  方法   回顾性分析159例TACE联合索拉菲尼治疗的肝癌患者的临床、病理及术前CT图像,根据改良后实体瘤疗效评价标准（modified response evaluation criteria in solid tumors,mRECIST）对介入术后 6 个月肿瘤局部控制率进行评估。提取动脉期和门脉期的影像组学特征并构建影像组学模型。根据术前一般临床危险因素、基本影像特征,建立术前临床模型。将影像组学模型加入术前临床模型,组成联合模型。分别绘制3个模型的受试者工作特征曲线（ROC）,并分别计算曲线下面积（AUC）。  结果  从1 708个影像组学特征中共筛选出11个影像组学特征值建立影像组学模型,训练组及验证组模型AUC分为0.945、0.918。临床因素除了肿瘤最大径线和肿瘤数目外,差异有统计学意义（P < 0.05）,其余差异无统计学意义（P > 0.05）,二者构建的临床模型训练组及验证组的AUC分别为0.811、0.857。联合模型训练组及验证组AUC分别为0.958、0.95。  结论  影像组学模型是预测TACE联合索拉菲尼短期疗效的一个强有力的独立预测因素,能明显提高术前临床模型的预测能力,可在TACE联合索拉菲尼治疗前筛选出进展危险性较高的患者,帮助临床医生制定个性化的治疗及随访方案,改善患者预后。     

基于DCE-MRI影像组学和临床特征的列线图在乳腺MRI BI-RADS 4类病灶中的诊断价值

目的：探讨联合动态增强磁共振（DCE-MRI）影像组学及临床特征的列线图在乳腺MRI BI-RADS 4类病灶中的诊断价值。方法：回顾性分析2017 年1月至2019 年6月在温州医科大学附属第一医院经病理证实的189个MRI BI-RADS 4类乳腺病灶,其中良性71个,恶性118个。所有患者在病理检查前均接受了DCEMRI扫描和血生化检查。计算DCE-MRI参数图并提取病灶的相应影像组学特征。经特征选择后,通过对所选特征按其系数加权求和来计算影像组学评分（rad-score）。采用单因素和多因素logistic回归分析寻找乳腺癌的临床危险因素。最后使用多因素logistic回归构建基于临床危险因素和影像组学评分的组合模型,绘制列线图。使用ROC曲线评估模型的诊断性能。结果：单因素和多因素分析显示,年龄、低密度脂蛋白胆固醇和总胆红素水平是乳腺癌的临床危险因素,其构建的临床模型在测试集的ROC曲线下面积（AUC）为0.73（0.58～0.87）。经过特征筛选,11个影像组学特征参与计算影像组学评分,其在测试集的AUC为0.80（0.68～0.92）。将其与临床模型进一步结合,AUC提高到0.88（0.79～0.97）,差异有统计学意义（P =0.037）。结论：基于DCE-MRI影像组学和临床危险因素构建的列线图用于鉴别诊断乳腺磁共振BI-RADS 4类病灶良恶性有较高价值。