基于SEER数据库肺腺癌脑转移预测模型的构建及分析

目的 构建可视化预测肺腺癌（LUAD）脑转移风险概率的列线图模型,提高患者生存率。方法 研究纳入监测、流行病学和最终结果（SEER）数据库中58 928例LUAD患者,并按7∶3比例随机分为训练集和验证集。在训练集中采用Lasso回归与多因素Logistic回归分析筛选最有意义的预测变量,构建预测LUAD脑转移的列线图模型。采用受试者工作特征（ROC）曲线的曲线下面积（AUC）,Boostrap绘制校正曲线,Brier评分验证模型区分度及校准度,决策曲线分析（DCA）评价预测模型的临床效能。结果 最终筛选出7个独立影响因素构建列线图预测模型。训练集和验证集列线图预测LUAD患者发生脑转移概率的AUC分别为0.853(95%CI:0.849～0.858)和0.851(95%CI:0.844～0.857),校准曲线显示模型预测概率与实际观察概率具有较高的一致性,Brier评分均为0.092,DCA显示净收益率较高,模型临床效能较好。结论 本研究成功建立了预测LUAD脑转移的列线图模型,该模型能够准确区分脑转移高风险患者,可以有效指导临床医师制订个体化治疗方案。     

NPTX1在胸腺瘤患者中的表达及诊断价值

  目的  探讨基于增强CT深度学习影像组学术前预测胸腺瘤风险分类的价值。  方法  收集2015年1月至2023年1月皖南医学院弋矶山医院139例胸腺瘤患者为训练集,池州市人民医院与芜湖市第二人民医院81例患者为外部验证集。其中低风险组（A、AB、B1型）137例、高风险组（B2、B3型）83例。基于CT静脉期图像分别提取手工影像组学（hand-crafted radiomics,HCR）特征与深度学习（deep learning,DL）特征,构建影像组学标签评分（Radscore）。单因素与多因素Logistic回归分析筛选预测胸腺瘤高风险的影像学独立影响因素,利用逻辑回归（Logistic regression,LR）、随机森林（random forest,RF）、决策树（decision tree,DT）及支持向量机（support vector machine,SVM）机器学习建模。选择最佳模型为输出模型,构建模型列线图、校准曲线及临床决策曲线（decision curve analysis,DCA）。受试者工作特征（receiver operating characteristics,ROC）曲线下面积（area under the curve,AUC）及净重新分类指数（net reclassification index,NRI）用于评估模型效能。  结果  LR、RF、DT及SVM构建预测模型的AUC分别为训练集0.899、0.835 、0.897、0.860,外部验证集0.889、0.830、0.905、0.858。由于训练集LR模型效能最佳,作为本研究输出模型,校准曲线及DCA表明模型具有较高的校准度及临床适用性。列线图与Radscore比较效能有改善,NRI训练集为7.5%（P=0.007）,外部验证集为5.3%（P=0.020）。  结论  基于增强CT深度学习影像组学术前实现了胸腺瘤准确风险分类,列线图能够提供个性化预测结果。     

临床影像组学列线图鉴别前列腺良恶性结节的应用价值

目的:建立基于双参数MR的临床影像组学列线图,评价其鉴别前列腺良恶性结节的应用价值。方法:选择2014年4月至2017年7月间接受前列腺MRI检查并经病理证实的前列腺结节患者227例(前列腺结节增生99例,前列腺癌128例)。从每个患者的轴位T2WI和ADC图像中提取影像组学特征。使用最小绝对收缩和LASSO回归进行降维,选择有效特征并构建影像组学特征模型。结合独立的临床危险因素,采用多元Logistic回归模型建立影像组学列线图。列线图的校准和诊断效能在训练集中进行评估,并在验证集中进行验证。最后通过决策曲线分析评价列线图的临床应用价值。结果:患者年龄、PSA、病灶所在区域以及筛选出的影像组学特征与前列腺结节的良恶性鉴别显著相关。影像组学模型对前列腺良恶性结节有较好的鉴别效能,训练集（AUC=0.91,95%CI:0.87~0.96),验证集（AUC=0.90,95%CI:0.81~1.00)。影像组学列线图结合了双参数MR图像的影像组学特征和独立的临床危险因素,在训练集(AUC=0.95,95%CI:0.91~0.98)和验证集(AUC=0.92,95%CI:0.83~1.00)中表现出更好的鉴别效能和病理符合率,决策曲线展示了临床影像组学结合模型的临床应用价值。结论:结合双参数MRI影像组学特征和临床危险因素的影像组学列线图可以简便地鉴别出前列腺结节的良恶性,为下一步临床决策提供建议。     

基于超声组学特征构建列线图预测早期乳腺癌前哨淋巴结转移

目的:基于早期乳腺癌原发灶纹理特征建立超声组学模型并构建列线图预测前哨淋巴结转移状态,以为临床诊断及治疗提供指导意义。方法:回顾性分析2017年1月至2020年12月就诊于我院乳腺外科经术后病理证实为早期乳腺癌的222例患者的超声图像,使用开源成像平台FireVoxel进行手动分割,并自动提取超声组学特征。采用最小绝对收缩和选择算子（LASSO）回归算法及Logistic回归分析筛选变量并计算预测概率。基于提取的组学特征及预测概率绘制列线图,给予每个哑变量具体的分值。并绘制校准曲线评价列线图的预测性能,绘制决策曲线评价列线图的临床应用效能。采用1 000次Bootstrap方法进行内部验证,计算平均AUC。结果:分割图像后共提取了859个超声组学特征,经过LASSO回归分析及Logistic回归分析筛选出5个超声组学特征。基于上述提取的组学特征绘制列线图,基于列线图建立的预测模型预测概率绘制ROC曲线,AUC为0.808（95%CI,0.751~0.865）。校准曲线显示该列线图预测的SLNM的发生概率与训练队列实际的SLNM发生概率之间有很好的一致性,决策曲线显示该列线图具有良好的临床应用效能。内部验证显示1 000次Bootstrap迭代结果一致,平均AUC为0.810。结论:基于早期乳腺癌原发灶纹理特征建立超声组学模型并构建列线图可有效预测前哨淋巴结转移状态,从而为临床诊断及治疗提供指导意义。     

基于CT影像组学列线图预测宫颈癌放疗急性放射性直肠炎

目的:结合影像组学得分、放射剂量参数以及临床风险因素建立联合预测列线图对宫颈癌患者发生急性放射性直肠炎进行预测。方法:回顾性分析109例宫颈癌患者的影像、剂量学以及临床病理资料。利用Accu Contour软件对CT图像中直肠组织进行自动勾画并提取影像组学特征。按照7∶3的比例随机将所有患者分成训练集和验证集。采用最小绝对收缩和选择算子（LASSO）方法从训练集中筛选最佳的预测特征并计算得到影像组学得分（Radscore）。通过单因素与多因素回归分析筛选独立预测因子建立联合模型并绘制列线图。计算Radscore、临床模型以及联合预测模型的AUC值,并比较3种模型间AUC差异。应用决策曲线分析评估联合模型的临床实用性。结果:经过筛选最终6个影像组学特征参与建立Radscore。单因素与多因素回归结果显示发现年龄、D1cc、V45与Radscore为独立预测因子,并基于4个独立因素建立联合模型。联合模型在训练集与验证集中的AUC分别为0.921、0.845,均高于Radscore与临床模型。决策曲线分析显示联合模型在0.1~0.85阈值范围内表现出了良好的临床实用性。结论:基于CT影像组学开发的列线图在预测宫颈癌放疗急性放射性直肠炎发生中具有一定优势,为临床提供一种快捷、无创且有效的预测手段。     

HER-2阳性乳腺癌新辅助化疗疗效影响因素分析及相关预后模型的构建

目的:分析接受新辅助化疗的人类表皮生长因子受体2（human epidermal growth factor receptor 2,HER-2）阳性的乳腺癌患者术后病理完全缓解（pathological complete response,pCR）的影响因素,并构建相关临床预测模型来预测pCR率。方法:收集中国人民解放军空军军医大学西京医院2017年10月至2021年05月收治的464例接受新辅助化疗的HER-2阳性乳腺癌患者的临床病理资料作为建模集;收集西安市第三医院2018年01月至2021年05月收治的91例接受新辅助化疗的HER-2阳性乳腺癌患者的临床病理资料作为验证集。分析对比建模集与验证集的临床病理特征,在建模集中通过Lasso Logistic回归模型分析,确立HER-2阳性乳腺癌患者新辅助化疗后pCR的独立危险因素,并构建列线图模型。在验证集中对模型进行外部验证,通过一致性指数（C-index）、受试者工作特征（receiver operating characteristic,ROC）曲线及曲线下面积（area under curve,AUC）对模型进行内部验证,通过校准曲线评估模型的准确性,并通过临床决策曲线分析（decision curve analysis,DCA）评价模型的临床获益和应用价值。结果:建模集和验证集中的临床病理特征进行比较,其中手术术式、化疗方案、激素受体（hormone receptor,HR）状态和T分期进行比较差异具有统计学意义（P＜0.05）。Lasso Logistic回归模型分析结果显示,N分期、靶向治疗方案、HR状态及临床疗效评估是HER-2阳性乳腺癌患者新辅助化疗后pCR的影响因素（P＜0.05）,将这些因素纳入并构建列线图预测模型。建模集中模型的AUC=0.781（95%CI:0.734~0.827）;验证集中模型AUC=0.713（95%CI:0.635~0.859）。bootstrap法内部验证C-index＝0.744,显示模型无论在建模集还是验证集都具有良好的区分度。校准曲线显示列线图预测的生存率与实际生存率接近,建模集中Brier Score为0.019,验证集中,Brier Score为0.043,DCA显示模型的临床获益及应用价值较高。结论:列线图能准确预测HER-2阳性乳腺癌患者新辅助化疗后的pCR率,为临床的诊疗提供科学依据。     

基于薄层CT图像的影像组学列线图在肺良恶性结节鉴别诊断中的价值

目的:建立基于薄层CT图像的临床影像组学列线图评价其对肺结节良恶性鉴别的临床价值。方法:选自2018年3月至2020年9月间接受薄层CT检查并经病理证实的肺结节患者139例（良性65例,恶性74例）。从每个患者的胸部CT图像中提取影像组学特征。使用最小绝对收缩和lasso回归进行数据降维,选择有效特征并构建影像组学特征模型。结合独立的临床危险因素采用多元Logistic回归建立影像组学列线图。列线图的准确率和诊断效能在训练集中进行评估并在验证集中进行验证,最后通过决策曲线分析评价列线图的临床应用价值。结果:传统影像特征模型在训练集(AUC=0.86,95%CI 0.79~0.93)、验证集(AUC=0.79,95%CI 0.65~0.93)对肺结节良恶性诊断效能较差,混合模型在训练集(AUC=0.94,95%CI 0.90~0.99)、验证集(AUC=0.94,95%CI 0.88~1.00)中表现出更好的鉴别效能和病理符合率,决策曲线表明影像组学的加入有利于患者的预后。结论:基于薄层CT图像的临床影像组学列线图可以方便准确地判断肺结节恶性风险。     

食管癌列线图预后预测模型的构建与验证

目的:构建列线图分析食管癌患者的预后因素并且预测其总生存期,协助临床诊疗。方法:从监测、流行病学及预后(Surveillance, Epidemiology, and End Result, SEER)数据库中按照纳入排除标准选择了2000年至2020年间食管癌患者41 783例,以7∶3随机划分为训练队列(29 249例)和内部验证队列(12 534例),从新疆医科大学附属肿瘤医院依据同样标准收集了2010年1月至2022年12月间食管癌患者5 472例,作为外部验证队列。采用单因素、多因素Cox回归分析筛选变量绘制预测食管癌患者1年、3年及5年总生存期的列线图。利用一致性指数(C-index)、时间依赖性ROC曲线下面积(time-dependent AUC)、校准曲线（calibration curve）、决策曲线（decision curve analysis,DCA）、Kaplan-Meier生存分析来评估列线图的判别和校准能力及临床效益。结果：最终纳入8个变量构建列线图。列线图的训练队列、内部验证队列和外部验证队列的一致性指数分别为0.700、0.679和0.644;1年、...     

肺癌患者胸腔镜术后心肺并发症预测模型的建立与分析北大核心

目的:探讨肺癌患者胸腔镜术后心肺并发症的影响因素,建立列线图预测模型,并对其敏感性与可靠性进行验证。方法:回顾性分析2017年至2020年期间我院胸外科接受胸腔镜手术治疗的242例肺癌患者的临床数据,根据是否出现术后心肺并发症分为并发症组(55例)和无并发症组(187例)。采用单因素及多因素Logistic回归模型分析心肺并发症的危险因素,并构建列线图预测模型。编制校准曲线以确定模型的一致性,通过时间相关的受试者工作特征曲线(receiver operating characteristic curve,ROC)、决策曲线分析(decision curve analysis,DCA)评价该列线图模型的预测效果。结果:单因素分析显示,性别、年龄、高血压、糖尿病、慢性阻塞性肺疾病(chronic obstructive pulmonary disease,COPD)和术中出血量均是肺癌患者胸腔镜术后心肺并发症的影响因素(P<0.05)。多因素回归分析显示,年龄、高血压、糖尿病、COPD和术中出血量是术后心肺并发症的独立风险因素(P<0.05)。校准曲线表明该模型拟合较好;ROC曲线下面积(area under curve,AUC)为0.817(95%CI:0.757~0.877),灵敏度为89.09%,特异度为60.43%;DCA结果表明该模型具有较高的净获益水平。结论:本研究建立了列线图模型,对肺癌患者胸腔镜术后心肺并发症有较好的预测能力及良好的临床应用价值。     

基于术前FAR和SⅡ的预后模型与TNM分期系统在评估胰腺癌根治术患者预后中的比较

目的 探讨胰腺导管腺癌患者术前纤维蛋白原/白蛋白比值（FAR）和系统免疫炎症指数（SⅡ）对预后的预测价值。方法 受试者工作特征（ROC）曲线确定FAR、SⅡ的最佳截断值,并进行分组。Cox风险比例模型分析胰腺癌根治术的预后影响因素,依此建立列线图（Nomogram）预后模型。C-index、AUC和校准曲线评估列线图的辨别和校准能力。DCA曲线评估列线图的临床有效性。结果 术前FAR及SⅡ的最佳截断值分别为0.095和532.945。Cox比例风险回归模型显示：FAR≥0.095、SⅡ≥532.945、CA199≥450.9U/ml、肿瘤最大径≥4cm、术后未进行化疗是影响胰腺癌预后不佳的独立危险因素（P<0.05）。C-index、AUC、校准曲线和DCA曲线表明,列线图预后模型的辨别能力、校准能力和临床有效性均优于TNM分期系统预后模型。结论 构建的Nomogram预后模型较TNM分期预后模型具有更高的准确性、区分度及临床获益。     

基于乳腺DBT图像的乳腺肿块计算机辅助诊断研究

目的:探讨乳腺数字断层扫描(digital breast tomosynthesis,DBT)影像计算机辅助诊断方法在乳腺肿块良恶性鉴别中的价值.方法:本研究纳入我院乳腺癌早期筛查患者(2018年02月至2020年02月)190例,分别提取和筛选DBT影像中常规手工特征和深度学习神经网络特征,进行特征级融合,建立逻辑回...     

CBCT影像组学联合构建Nomogram模型预测食管癌放疗患者放射性肺炎

目的:通过对放疗疗程中不同时段CBCT图像的影像组学分析,寻找早期定量预测食管癌放疗放射性肺炎(RP)的参数,结合临床特征和肺剂量体积参数建立联合Nomogram模型并探讨这一模型对食管癌RP的预测价值。方法:回顾分析2017—2019年间临床资料、剂量学参数、CBCT图像资料完整的96例胸中段食管鳞癌调强放疗患者资料...     

Development and validation of a CT-based radiomics nomogram for preoperative prediction of tumor histologic grade in gastric adenocarcinoma

Objectives:To develop and validate a radiomics nomogram for preoperative prediction of tumor histologic grade in gastric adenocarcinoma(GA).Methods:This retrospective study enrolled 592 patients with clinicopathologically confirmed GA(low-grade:n=154;high-grade:n=438)from January 2008 to March 2018 who were divided into training(n=450)and validation(n=142)sets according to the time of computed tomography(CT)examination.Radiomic features were extracted from the portal venous phase CT images.The Mann-Whitney U test and the least absolute shrinkage and selection operator(LASSO)regression model were used for feature selection,data dimension reduction and radiomics signature construction.Multivariable logistic regression analysis was applied to develop the prediction model.The radiomics signature and independent clinicopathologic risk factors were incorporated and presented as a radiomics nomogram.The performance of the nomogram was assessed with respect to its calibration and discrimination.Results:A radiomics signature containing 12 selected features was significantly associated with the histologic grade of GA(P<0.001 for both training and validation sets).A nomogram including the radiomics signature and tumor location as predictors was developed.The model showed both good calibration and good discrimination,in which C-index in the training set,0.752[95%confidence interval(95%CI):0.701-0.803];C-index in the validation set,0.793(95%CI:0.711-0.874).Conclusions:This study developed a radiomics nomogram that incorporates tumor location and radiomics signatures,which can be useful in facilitating preoperative individualized prediction of histologic grade of GA.