Advances of Artificial Intelligence Application in Medical Imaging of Ovarian Cancers

Ovarian cancer is one of the three most common gynecological cancers in the world, and is regarded as a priority in terms of women's cancer. In the past few years, many researchers have attempted to develop and apply artificial intelligence (AI) techniques to multiple clinical scenarios of ovarian cancer, especially in the field of medical imaging. AI-assisted imaging studies have involved computer tomography (CT), ultrasonography (US), and magnetic resonance imaging (MRI). In this review, we perform a literature search on the published studies that using AI techniques in the medical care of ovarian cancer, and bring up the advances in terms of four clinical aspects, including medical diagnosis, pathological classification, targeted biopsy guidance, and prognosis prediction. Meanwhile, current status and existing issues of the researches on AI application in ovarian cancer are discussed.     

骨转移瘤的影像学研究进展

骨骼是恶性肿瘤晚期常见的远处转移部位,骨转移的发生预示着患者有更差的预后,影像学检查作为一种无创可重复的检查手段,被广泛应用于肿瘤骨转移的诊断中,近年来,随着各种影像检查手段及相关新技术的应用,使得对肿瘤骨转移的诊断更趋早期、诊断更精确,本文就骨转移瘤的影像学检查进行综述。     

基于CT影像组学特征的肾肿瘤组织学亚型分类

目的在术前准确鉴别乏脂肪血管平滑肌脂肪瘤(fat-poor angiomyolipoma,fp-AML)和肾透明细胞癌(clear cell renal cell carcinoma,ccRCC)对制定正确的治疗方案是至关重要的。为了提高fp-AML和ccRCC的分类准确率,本文提出一种基于影像组学技术的分类模型。方法回顾性地收集苏州大学附属第二医院放射科18例fp-AML患者和42例ccRCC患者的CT图像。首先,从CT图像中提取430个影像组学特征。然后,分3步进行特征选择:计算皮尔森相关矩阵剔除冗余特征;使用Welch’st检验确定具有显著差异的特征;利用序列浮动前向选择算法选择具有鉴别能力的特征。最后,建立k最近邻(k-nearest neighborhood,kNN)、随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和AdaBoost 4种分类器进行分类。结果SVM分类器所构建的模型获得了最佳分类性能,正确率、敏感度、特异性、阳性预测值、阴性预测值和ROC曲线下面积分别为91.67%、88.89%、92.86%、84.21%、95.12%和0.9418。结论本研究所构建的模型能提高fp-AML和ccRCC的分类准确率,能辅助医生进行fp-AML和ccRCC的鉴别诊断。     

基于电子射野影像装置通量变化的影像组学特征进行眼突放射治疗摆位误差探测的初步研究

目的:研究基于电子射野影像装置(EPID)通量变化图像的影像组学特征探测眼突放射治疗摆位误差的可行性。方法:选取8例眼突患者,在人体头部仿真模体中生成验证计划。以无摆位误差状态下采集的EPID通量为基准,生成引入不同摆位误差的EPID通量变化图像。采用pyradiomics工具提取EPID通量变化图像的影像组学特征,验证不同影像组学特征是否可以区分临床显著的摆位误差。结果:在选取的107个特征中,有74个特征与引入摆位误差3个方向上的矢量距离有显著相关性(P<0.05)。在区分临床显著摆位误差的能力方面,传统γ分析的曲线下面积(AUC)值为0.79,而影像组学提取出相关度最高特征单变量的AUC值可以达到0.84,基于岭回归的多个特征的AUC值可以达到0.90。结论:在基于EPID通量变化的摆位误差评估中,基于传统γ分析的方法有一定的局限性,而基于影像组学特征的方法具有比传统γ分析更大的潜力。     

基于多参数磁共振影像组学特征的脑垂体瘤质地术前评估方法

为了探究多参数磁共振图像(MP-MRI)特征对脑垂体瘤质地评估的应用价值,提出一种基于影像组学的计算机辅助诊断方法,以期实现术前肿瘤质地的准确判定,从而为手术入路的选择提供影像学依据。对磁共振图像(T1加权、T1加权对比增强、T2加权)的肿瘤区域分别提取6种共296维纹理特征。采用特征选择方法识别重要的影像组学特征,并且使用支持向量机和随机森林两种常用的分类器对垂体瘤质软与质韧进行判别。在84例临床研究样本共计252张MRI图像上,用所述方法进行训练、十折交叉验证及测试。实验结果表明,与单一MRI图像特征相比较,所提出的MP-MRI特征组合能够获得更好的分类效果,分类准确率、敏感性、特异性、AUC分别达到89.80%、90.51%、89.88%、94.08%,表明MP-MRI影像组学特征能够有效准确地识别垂体瘤的软韧质地,有助于垂体瘤疗效和预后的改善。     

影像组学技术研究进展及其在结直肠癌中的临床应用

医学影像包含着大量人眼无法识别的信息,不仅可以全面表达肿瘤的异质性,还可能反映患者预后等重要信息。近年来,随着图像处理与人工智能技术的发展,应用基于医学影像大数据的分析方法来辅助医生决策或者解决临床实践中的棘手问题成为研究热点,这个新兴的领域被称为“影像组学”。另外,结直肠癌是中国主要发病及致死癌种之一,发病人数和致死人数均逐年上升,在其术前、术中和术后3个不同阶段均有许多热点研究问题。从影像组学的基本原理与技术入手,结合其在结直肠癌临床诊疗中的应用研究,针对术前新辅助放化疗的疗效评估、术中手术方案的决策和术后生存分析这3个不同阶段的不同问题,分别介绍影像学组如何发挥其价值。     

CT影像组学评估门静脉高压及预测曲张静脉出血

目的探讨基于CT影像组学标签评估门静脉高压(PH)的可行性及其预测曲张静脉出血的价值。方法回顾性分析112例确诊或疑似PH患者,分别以肝静脉压力梯度(HVPG)10、12和20 mmHg作为界值,将患者分为HVPG<10 mmHg组和≥10 mmHg组,HVPG<12 mmHg组和≥12 mmHg组,HVPG<20 mmHg组和≥20 mmHg组,以MaZda软件提取并分析肝脏增强CT门脉期图像纹理特征,观察影像组学判断不同程度PH及曲张静脉出血的效能。结果 CT征象中,在HVPG<10及≥10、HVPG<12及≥12组间有无腹腔积液差异具有统计学意义(P均<0.05);单层面勾画ROI判别HVPG≥10 mmHg、HVPG≥12 mmHg、HVPG≥20 mmHg及曲张静脉出血的平均最小误诊率分别为12.50%、14.74%、10.27%及22.70%;多层面勾画平均最小误诊率分别为10.27%、11.16%、5.36%及20.49%(P均>0.05)。HVPG预测PH患者曲张静脉出血的曲线下面积(AUC)为0.813[95%CI(0.730...     

影像组学鉴别脊柱骨岛与成骨型转移癌

目的 观察CT影像组学鉴别脊柱骨岛(BI)与成骨型转移癌(OBM)的价值。方法 回顾性分析来自3个医疗机构的98例BI患者109个病灶及158例OBM患者282个病灶(包括48例肺癌103个转移灶、52例乳腺癌86个转移灶及58例前列腺癌93个转移灶);以机构1数据为内部数据集并按7 ∶ 3比例分为内部训练集与内部验证集,以机构2、3数据作为外部数据集;并以性别分为女性数据子集(包括肺癌与乳腺癌OBM)及男性数据子集(包括肺癌与前列腺癌OBM)。基于CT图像提取、筛选影像组学特征并构建支持向量机(SVM)模型,包括模型1(鉴别BI与OBM)、模型2(鉴别女性肺癌与乳腺癌OBM)及模型3(鉴别男性肺癌与前列腺癌OBM)。绘制受试者工作特征曲线,计算曲线下面积(AUC),评估并比较模型1、单一CT值及3名医师(甲、乙、丙)鉴别BI与OBM的效能,以及模型2、3鉴别不同OBM的效能。结果 模型1鉴别内部训练集、内部验证集及外部数据集脊柱OBM与BI的AUC分别为0.99、0.98及0.86。针对内部训练集,模型1鉴别BI与OBM的AUC高于医师甲(AUC=0.78)、乙(AUC=0.87)、丙(AUC=0.93)及单一平均CT值(AUC=0.78,P均＜0.05)。模型2鉴别内部训练集、内部验证集及外部数据集女性肺癌与乳腺癌OBM的AUC分别为0.79、0.75及0.73;模型3鉴别各集男性肺癌与前列腺癌OBM的AUC分别为0.77、0.74和0.77。结论 根据 CT影像组学SVM模型能可靠鉴别BI与OBM。     

术前CT影像组学联合CT及病理特征预测局部进展期食管鳞癌术后早期复发

目的 观察术前CT影像组学联合病理及CT特征预测局部进展期食管鳞癌(LAESCC)早期复发(ER)的价值。方法 回顾性分析334例LAESCC,按7 ∶ 3比例将患者分为训练集(n=234)或验证集(n=100),对其进行随访,记录术后有无ER(即术后12个月内肿瘤复发)。采用单因素及多因素logistic回归比较训练集有、无ER患者临床、CT表现及术前病理资料,筛选ER独立危险因素,构建CT-术前病理模型。基于训练集静脉期CT图像提取及筛选LAESCC影像组学特征并建立影像组学模型,以之联合独立危险因素建立联合模型。绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评估各模型诊断效能。结果 334例中,168例ER、166例无ER;训练集有、无ER均为117例、验证集51例ER、49例无ER。CT显示LAESCC长度、cT分期、cN分期及术前病理分化程度均为ER独立危险因素(P均＜0.05);CT-术前病理模型在训练集和验证集的AUC分别为0.759和0.783。共选出10个最佳影像组学特征,以之建立的影像组学模型在训练集和验证集的AUC分别为0.770和0.730,联合模型在训练集和验证集的AUC分别为0.838和0.826。联合模型在训练集的AUC高于术前CT-病理模型及影像组学模型(P均＜0.01)。结论 CT影像组学联合CT及术前病理特征能有效预测LAESCC术后ER。     

增强CT影像组学联合临床指标预测结直肠癌壁外血管侵犯

目的 观察增强CT影像组学联合临床指标预测结直肠癌壁外血管侵犯(EMVI+)的价值。方法 回顾性分析经术后病理确诊的131例结直肠癌患者资料,按7∶3比例将其分为训练集(n=92,含44例EMVI+、48例EMVI-)与测试集(n=39,含23例EMVI+、16例EMVI-)。基于术前门静脉期CT提取及筛选肿瘤最佳影像组学特征并据以构建影像组学模型;以单因素及多因素logistic回归分析训练集临床、CT及病理学资料,筛选结直肠癌EMVI+的独立预测因素并建立临床模型,基于影像组学模型及临床模型建立联合模型。绘制受试者工作特征曲线,计算曲线下面积(AUC),评估各模型预测结直肠癌EMVI+的效能。以校准曲线及决策曲线分析评估模型校准度及临床实用性。结果 共筛选出4个最佳影像组学特征,以之构建影像组学模型。糖类抗原(CA)19-9及CA72-4均为结直肠癌EMVI+的独立预测因素(OR=1.033、1.285,P均<0.05)。联合模型预测训练集结直肠癌EMVI+的AUC高于影像组学模型和临床模型(AUC=0.908、0.825、0.770,P=0.017、0.003);影像组学、临床及联合模型在测试集的AUC分别为0.751、0.632、0.799,两两之间AUC差异均无统计学意义(P均>0.05)。影像组学模型及联合模型的校准度均较好。训练集以>0.1、测试集以>0.12为阈值时,联合模型的临床净获益较高。结论 增强CT影像组学联合临床能有效预测结直肠癌EMVI。