基于薄层CT的三维影像组学在预测亚厘米磨玻璃样肺腺癌浸润程度的价值

【摘要】目的：探讨基于术前薄层CT的三维影像组学预测亚厘米磨玻璃样肺腺癌浸润程度的临床应用价值。方法：回顾性分析华东医院2013年1月－2017年7月经病理证实的394例亚厘米肺腺癌患者（共446个结节）的术前肺部薄层CT和临床资料。选取2013年1月－2015年12月的253例患者的286个结节为验证集;2016年1月－2017年7月141例患者的160个结节为训练集。所有病例参照病理金标准分为浸润前病变和浸润性病变,且所有结节均逐层勾画ROI而得到其容积感兴趣区（VOI）。采用Matlab 2016b软件从每个结节的VOI中提取475个影像组学特征,利用最小绝对收缩和选择算子（LASSO）进行特征筛选,随后建立影像组学标签。采用单因素及多因素分析方法筛选出训练集中两组病变间差异有统计学意义的变量并建立回归模型,进一步在验证集中对此模型进行验证。采用ROC曲线评价模型对结节浸润性的预测效能。结果：经可重复性分析及LASSO降维,最终筛选出13个影像组学特征并建立影像组学标签。多因素分析结果显示影像组学标签和CT值是预测肺癌浸润程度的独立危险因子。在训练集中,回归方程、CT值和影像组学标签的ROC曲线下面积（AUC）分别为0.785（95%CI：0.730~0.840）、0.742（95%CI：0.681~0.802）和0.696（95%CI：0.630~0.760）。在验证集中,回归模型、CT值和影像组学标签的AUC分别为0.704（95%CI：0.618~0.790）、0.683（95%CI：0.595~0.772）和0.674（95%CI：0.588~0.761）。结论：基于薄层CT的三维影像组学特征联合临床资料建立的多因素logistic回归模型对预测亚厘米级磨玻璃结节样肺腺癌的浸润程度具有很好的临床应用价值及发展前景。     

CT影像组学模型预测肝移植术后肝癌早期复发的价值

 目的 探索基于CT影像组学技术构建的模型在预测肝细胞癌患者肝移植术后早期复发的价值。方法 回顾性分析接受肝移植治疗的131例肝癌患者,随机分为训练组(92例)和验证组(39例),术后定期随访,了解是否发生早期复发。通过逐层勾画肿瘤边缘对肿瘤进行三维分割并进行特征提取,共提取1218个影像组学特征。具有潜在预测价值特征的筛选选用LASSO算法。基于筛选出的特征,logistic回归应用于肝移植术后预测模型的构建。通过曲线下面积(area under the curve, AUC)对模型预测患者是否会早期复发的效能进行评价。结果 筛选出8个具有潜在预测价值的特征,预测模型在训练组中AUC为0.828,敏感度、特异度分别为82.4%、74.7%;在验证组中AUC为0.856,敏感度、特异度分别为77.8%、86.7%。结论 术前增强CT影像组学技术构建的模型,对预测肝癌肝移植术后复发具有一定价值。     

基于FS-T2WI的影像组学鉴别甲状腺乳头状癌与腺瘤

【摘要】目的：探讨基于FS-T2WI的影像组学模型对甲状腺乳头状癌与腺瘤的鉴别诊断价值。方法:回顾性分析经手术病理证实的甲状腺结节共72个,其中乳头状癌42个,腺瘤30个。患者术前均行甲状腺MRI平扫检查。所有结节按7：3的比例随机分为训练集和测试集。在FS-T2WI图中逐层勾画病灶并提取影像组学特征,后使用曼-惠特尼U秩和检验以及最小绝对收缩和选择算子对特征进行降维,使用支持向量机（SVM）分类器对提取的特征进行机器学习。通过绘制ROC曲线下面积(AUC)、敏感度、特异度3个指标评价所构建模型的效能。结果:从FS-T2WI序列中提取出1409个特征,经过曼-惠特尼U检验和LASSO回归降维筛选出14个特征,应用SVM所建立的术前预测模型显示训练集AUC 0.89,敏感度79%,特异度86%;测试集AUC 0.85,敏感度77%,特异度67%。结论:基于FS-T2WI的SVM影像组学模型可鉴别甲状腺乳头状癌和腺瘤,从而为甲状腺结节患者的风险预测和个体化治疗提供有效信息。     

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T2WI和增强MRI影像组学列线图预测宫颈鳞癌淋巴脉管间隙浸润

目的:探讨基于T₂WI和增强MRI影像组学列线图对宫颈鳞癌淋巴脉管间隙浸润(LVSI)的预测价值。方法:将92例经术后病理证实的宫颈鳞癌患者纳入研究,并按7:3的比例随机分为训练集(66例)和验证集(26例)。所有患者术前行MRI检查,在横轴面T₂WI和对比增强T₁WI(T1CE)上选取病灶最大层面沿肿瘤边缘勾画ROI,应用AK软件提取影像组学特征。采用mRMR和LASSO回归分析对提取的纹理特征进行初步筛选,然后进行多因素logistic回归分析,构建影像组学模型。使用单因素logistic回归分析筛选临床病理危险因素,并使用多因素logistic回归结合影像组学评分(Radscore)构建影像组学列线图。应用ROC曲线评估影像组学模型、临床病理危险因素模型和影像组学列线图模型的预测能力,并应用决策曲线分析评估影像组学列线图的临床应用价值。结果:在T₂WI和T1CE图像上分别提取病灶的396个影像组学特征,最终筛选出14个具有最大诊断效能的纹理特征。使用多因素logistic回归构建包含FIGO分期、分化程度和Radscore的影像组学列线图。影像组学列线图的预测效能优于临床病理危险因素模型(训练集中,AUC:0.96 vs.0.70;Delong检验:Z=4.04,P=5.415e-05;验证集中,AUC:0.87 vs.0.71;delong检验:Z=1.24,P=0.02)。决策曲线分析显示风险阈值为0.01~1.00时使用影像组学列线图对预测宫颈鳞癌LVSI情况的临床应用价值较大。结论:基于双序列MRI构建的影像组学列线图对宫颈鳞癌LVSI情况有较好的预测能力,可作为一种术前评估的无创性影像学生物标志。     

基于CT影像组学预测胆管癌神经侵犯的价值

目的:基于术前CT构建预测肝门部胆管癌(pCCA)神经侵犯(PNI)的影像组学模型,并评价其效能。方法:回顾性分析本院2013年2月-2021年2月149例经病确诊的pCCA患者的临床资料,其中PNI组患者108例,无PNI组患者41例。采用R语言将所有患者按3:1比例随机分为训练集和验证集。在静脉期图像上,沿肿瘤边缘在所有层面上手动勾画3D感兴趣区(ROI),使用3D Slicer提取影像组学特征。采用组内相关系数(ICC)、相关性分析去除冗余特征,采用随机森林算法(RF)对所有临床、影像组学特征进行重要性排序,并选取前18个重要特征构建RF模型。使用准确性、敏感性、特异性及受试者操作特征(ROC)曲线评价模型效能。结果:在训练集中,RF模型的准确性、敏感性、特异性均为100%,ROC曲线下面积AUC为1;在验证集中,RF模型的准确性为70.3%,敏感性为59.3%,特异性为100%,AUC为0.846(0.713～0.979)。结论:基于增强CT图像建立的影像组学模型可用于术前无创性预测pCCA患者的PNI状态。     

CT影像组学对T_(1)期非小细胞肺癌中CD8^(+)T淋巴细胞浸润程度的分析

目的探讨CT影像组学对于T_(1)期非小细胞肺癌(non-small cell lung cancer,NSCLC)患者中CD8^(+)T淋巴细胞浸润程度的预测价值。方法选取113例T_(1)期NSCLC患者,根据CD8^(+)T淋巴细胞浸润程度分为高浸润组(58例)及低浸润组(55例),比较组间临床特征。按照8∶2比例随机分为训练集及验证集,提取CT影像组学特征并构建影像组学模型及临床-影像组学模型。通过受试者工作特征曲线(ROC)的曲线下面积(AUC)评价模型的预测性能。结果年龄在CD8^(+)T淋巴细胞高浸润组与低浸润组间差异有统计学意义(P<0.05)。构建的影像组学模型在验证集AUC值为0.77,准确度为78.0%,灵敏度为64.0%,特异度为82.0%。将年龄与影像组学模型联合构建临床-影像组学模型,该模型验证集的AUC值为0.71,准确度为75.0%,灵敏度为73.0%,特异度为73.0%。结论影像组学模型对T_(1)期NSCLC患者中CD8^(+)T淋巴细胞浸润程度具有良好的预测性能。     

CT影像组学预测磨玻璃结节肺腺癌浸润性的研究

目的 探讨CT影像组学预测磨玻璃结节肺腺癌浸润性的价值。方法 搜集南通大学附属医院2021年1月至2022年6月经病理证实为非典型腺瘤样增生、原位腺癌、微浸润性腺癌和浸润性腺癌的患者资料,CT表现为磨玻璃结节且最大径≤3 cm,其中非典型腺瘤样增生和原位腺癌为非浸润组,微浸润性腺癌和浸润性腺癌为浸润组。共295例患者纳入研究,非浸润组86例,浸润组209例。按照7∶3比例分为训练集和验证集,用卡方检验、独立样本t检验及非参数秩和检验评价非浸润组和浸润组的临床、影像特征差异。利用3D-slicer软件勾画VOI、提取影像组学特征,利用R语言软件进行特征筛选、建立模型。绘制受试者工作特征曲线(ROC),用曲线下面积(AUC)、敏感度、特异度评估模型的预测性能。绘制临床决策曲线(DCA)评估模型的临床价值。结果 年龄、支气管充气征、最大截面长径、实性成分长径、肿瘤实变率(CTR)在非浸润组和浸润组中具有统计学差异(P<0.05)。多因素Logistic回归分析显示,最大截面长径是肺腺癌浸润性的独立预测因子(P<0.05),最佳截断值为11.545 mm。CT影像组学共提取851个...     

基于增强CT影像组学预测食管鳞癌淋巴血管侵犯状态的价值

目的:探讨基于增强CT影像组学预测食管鳞癌(ESCC)淋巴血管侵犯(LVI)的价值。方法:回顾性搜集行根治性切除术并经术后病理证实的224例食管鳞癌患者,其中包括66例LVI阳性和158例LVI阴性患者。所有患者均在术前2周内进行胸部增强CT扫描。将入组的患者按照7:3的比例随机分为训练集和测试集。使用3D Slicer软件逐层勾画全肿瘤感兴趣区(ROI),采用Python软件的Pyradiomics包提取肿瘤组织的影像组学特征,建立影像组学模型用于预测食管鳞癌的LVI状态并进行验证。采用受试者工作特征(ROC)曲线的曲线下面积(AUC)、敏感度、特异度、准确度、阳性预测值和阴性预测值来评价影像组学模型的诊断效能,使用校准曲线评价影像组学模型在训练集和测试集中的拟合程度。使用决策曲线分析(DCA)评价影像组学模型的临床应用价值。结果:从全肿瘤ROI中提取了1130个组学特征,经过筛选最终保留了7个影像组学特征,并使用多因素logistic回归建立影像组学预测模型。在训练集中,影像组学模型预测LVI的AUC值为0.930,敏感度为0.851,特异度为0.919,准确度为0.899,阳性预...     

基于MRI影像组学特征构建脑胶质瘤IDH1突变预测模型

目的:探讨基于不同MRI序列的影像组学特征构建的机器学习(ML)模型预测胶质瘤IDH1突变的价值。方法:回顾性搜集经手术病理证实的161例胶质瘤患者(70例IDH1突变型/91例野生型)的临床资料,主要包括年龄、性别、Karnofsky功能状态(KPS)评分和肿瘤的病理分级。所有患者术前行MRI检查获得T₂WI、T₂-FLAIR、ADC图及对比增强T₁WI图像,术后病理标本均行IDH1检测。将161例患者按照7∶3的比例随机分配为训练集和测试集。由2位影像医师利用Image J软件共同对病灶在配准过的T₂-FLAIR或对比增强T₁WI序列上进行逐层ROI的勾画,最后形成感兴趣区容积(VOI),然后使用FAE软件在各序列图像上提取VOI的影像组学特征,基于训练集的数据,通过均值归一化、方差分析的特征选择方法、皮尔逊相关系数的特征降维方法、4种ML分类器(线性判别分析、LASSO回归、逻辑回归、支持向量机)以及十折交叉验证法构建15种ML模型,并采用ROC曲线和Delong检验在测...     

CT影像组学预测胰腺导管腺癌患者术后无病生存期的价值

【摘要】目的：探讨基于平扫和三期增强CT的影像组学模型及临床-组学综合模型对胰腺导管腺癌（PDAC）患者术后无病生存期（DFS）的预测价值。方法：回顾性分析2013年12月－2021年6月在本院经术后病理证实的124例胰腺导管腺癌患者的病例资料。所有DFS患者术后随访时间大于3个月。采用随机分组法,按照7:3的比例将患者分为训练集（n=87）和验证集（n=37）。所有患者术前行腹部CT平扫及三期（动脉期、静脉期、延迟期）增强扫描。使用ITK-SNAP软件分别在四期CT图像上沿胰腺肿瘤边缘逐层勾画ROI并融合生成三维容积ROI（VOI）,然后导入FAE软件中提取影像组学特征。采用单因素Cox回归分析及LASSO-Cox回归分析进行纹理特征的筛选,然后分别构建各期和多期联合（动脉期+静脉期+延迟期）影像组学模型并计算相应的影像组学标签得分。采用单因素和多因素Cox回归分析筛选临床特征和CT形态学特征并构建临床模型。采用多因素Cox回归分析结合临床模型变量及影像组学标签构建临床-组学综合模型并绘制其诺莫图。采用一致性指数（C-index）、时间依赖性（time-dependent）ROC曲线、校正曲线和决策曲线分析（DCA）对模型的诊断效能及临床效益进行评价。利用R语言计算临床-组学综合模型的最佳截断值,并据此将患者分为高风险组和低风险组,采用Kaplan-Meier法分析生存资料并进行log-rank检验。结果：基于平扫、动脉期、静脉期和延迟期及多期联合分别筛选得到5、16、4、12和17个组学特征,分别建立相应的组学模型并获得影像组学标签值。经log-rank检验,所有组学标签均与DFS具有相关性（P<0.05）,其中多期联合模型的预测效能最佳（训练集：C-index=0.786,6~24个月AUC=0.850~0.928;验证集：C-index=0.802,6~24个月AUC=0.796~0.874）;而临床模型的预测效能较低（训练集：C-index=0.635,6~24个月AUC=0.647~0.679;验证集：C-index=0.596,6~24个月AUC=0.545~0.656）。临床-组学综合模型的预测效能（训练集：C-index=0.812,6~24个月AUC=0.883~0.958;验证集：C-index=0.796,6~24个月AUC=0.813~0.894）明显优于临床模型;校准曲线显示临床-组学综合模型的拟合度好;DCA显示临床-组学综合模型的临床净收益优于临床模型。临床-组学综合模型的截断值为2.738。Kaplan-Meier生存分析显示在训练集和验证集中,高风险组患者的DFS明显短于低分风险组。结论：基于多期CT扫描的影像组学模型结合临床特征构建的临床-组学综合模型在预测胰腺导管腺癌患者术后DFS方面,相较于临床模型和影像组学模型具有更好的预测效能,有助于指导临床制订个体化的治疗策略和改善患者的预后。     

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...     

CT影像组学预测结肠癌淋巴血管间隙浸润价值研究

目的：构建预测结肠癌淋巴血管间隙浸润（LVSI）的临床影像模型、CT影像组学模型和两者联合模型,并从中筛选出最优模型。方法：收集接受增强CT检查的365例结肠癌患者资料,根据手术病理结果分为LVSI+(n=84)及LVSI-(n=281),样本按7:3比例随机分为训练集（n=256）和验证集（n=109）。比较临床、影像指标组间差异并建立临床影像模型;对静脉期CT图像上全肿瘤区域进行感兴趣区（ROI）勾画并提取影像组学特征,经降维、筛选后共获得16个最优特征并建立CT影像组学模型;再构建临床影像与CT影像组学联合模型。比较各模型效能,绘制最优模型列线图,并评估其性能。结果：LVSI+及LVSI-组间淋巴结长径、癌胚抗原（CEA）、糖类抗原19-9 (CA19-9)、肿瘤部位差异均有统计学意义（P<0.05）。临床影像模型、CT影像组学及联合模型受试者工作特征曲线下面积（AUC）分别为0.726、0.784、0.851 （训练集）和0.729、0.768、0.833 （验证集）。联合模型AUC均大于临床影像模型（P<0.05）。列线图校准度较高,决策曲线范围为0.15～0.9...     

CT影像组学联合炎症指标构建逻辑回归模型预测食管鳞癌新辅助化疗疗效

【摘要】目的：探究基于CT影像组学联合血液学炎症指标构建逻辑回归模型预测食管鳞癌新辅助化疗（NAC）疗效的可行性。方法：回顾性分析两家医院经病理证实的54例食管鳞癌患者在术前规范化NAC前、后两次胸部CT增强图像及NAC前一周内的血液学炎症指标检测结果。测量治疗前、后病灶的最长径,计算其变化率,并根据实体肿瘤疗效评价标准（RECIST 1.1）,将患者分为NAC有效组（30例）及无效组（24例）。采用独立样本t检验或Mann-Whitney U检验筛选血液学炎症指标中与疗效相关的因素。在患者治疗前静脉期图像上沿肿瘤边界逐层手工勾画ROI,最终生成三维感兴趣区（VOI）并提取其影像组学特征,使用最小冗余最大相关及Boruta工具包进行特征筛选并构建影像组学标签。分别建立影像组学特征、血液学炎症指标、影像组学标签联合血液学炎症指标的逻辑回归模型,采用混淆矩阵和ROC曲线分析模型对NAC疗效的预测效能,采用DCA曲线评估其临床实用价值。结果：外周血淋巴细胞计数及淋巴细胞数与单核细胞数的比值被纳入炎症指标模型。于治疗前静脉期图像上共提取了1168个组学特征,经降维后共筛选出5个影像组学特征（wavelet-HLL_gldm_DependenceEntropy、wavelet-HHL_gldm_LargeDependenceLowGrayLevelEmphasis、wavelet-HHH_glrlm_HighGrayLevelRunEmphasis、wavelet-HHH_glrlm_LowGrayLevelRunEmphasis和wavelet-HLL_glszm_ZoneEntropy）用于构建影像组学标签。基于影像组学、血液学炎症指标以及联合模型预测NAC疗效的的AUC分别为0.77、0.72和0.80。结论：基于新辅助化疗前的增强CT影像组学及血液学炎症指标特征构建的预测模型可较好的预测食管鳞癌患者新辅助化疗疗效,以联合模型的效能最优,可为临床制订个性化治疗方案提供参考。     

基于增强CT影像组学模型预测肺腺癌ALK突变

目的 探讨基于增强CT影像组学特征建立的模型对肺腺癌间变性淋巴瘤激酶(ALK)基因突变状态的预测价值.资料与方法 回顾性分析经病理学检查证实的210例肺腺癌患者,在术前增强CT图像中勾画感兴趣区,再用A.K.软件提取影像组学特征并筛选出与ALK突变高度相关的特征,构建影像组学特征预测模型.联合具有独立预测效能的一般特征...     

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...     

基于脑梗死和脑脊液的影像组学预测急性脑卒中机械取栓术后恶性脑水肿发生的分析

目的 探讨基于急性脑卒中弥散加权成像（diffusion weighted imaging,DWI）核心梗死区及脑脊液的影像组学特征,通过机器学习构建急性脑卒中机械取栓术后恶性脑水肿发生的预测模型。方法 选取155例急性脑卒中患者的MRI图像,基于软件自动分割DWI高信号梗死区及脑脊液区,应用AK软件进行影像组学特征提取和降维,采用最小冗余最大相关特征选择方法筛选最佳影像组学特征,通过支持向量机分类器构建恶性水肿发生的预测模型。结果 经筛选后具有10个特征的子集（包含7个DWI脑梗死特征和3个脑脊液特征）获得了最高的平均AUC值,并被指定为最终的特征子集纳入模型分析。ROC分析显示训练集患者预测恶性脑水肿的AUC为0.975,敏感度、特异度和准确度分别为90.3%、69.8%、93.5%;测试集患者预测恶性脑水肿的AUC为0.893,敏感度、特异度、准确度分别为86.8%、90.3%、87.1%。结论 基于DWI脑梗死和脑脊液影像组学特征的机器学习,能够较为准确地预测急性脑卒中机械取栓术后恶性脑水肿的发生,为临床早期干预治疗提供指导。