应用放射组学和剂量学特征预测食管癌放射治疗后的两年生存情况

目的:使用放射组学与剂量学特征参数,建立机器学习预测模型,预测食管癌患者放射治疗后两年的生存情况。方法:回顾性分析2013年1月至2017年12月在天津医科大学肿瘤医院接受放射治疗的食管癌患者共579例。从食管癌患者的放射治疗计划中提取GTV的放射组学和剂量学的特征,使用最大相关最小冗余与人工方法对特征参数进行筛选,分别选取14项放射组学和14项剂量学特征,并将特征变量进行标准化归一至[0,1]范围。建立支持向量机、逻辑回归和随机森林等机器学习模型,先使用14项放射组学特征,再使用28项放射组学和剂量学混合特征参数进行训练和测试,来预测食管癌放射治疗患者的两年生存情况。结果:仅使用放射组学特征预测放射治疗后两年生存情况时,支持向量机、逻辑回归和随机森林模型的准确率分别为84.98%、85.92%和84.51%。使用放射组学和剂量学的混合特征参数进行预测时,支持向量机、逻辑回归和随机森林模型的准确率分别为86.32%、83.02%和90.01%。在放射组学特征参数基础上,增加剂量学特征,支持向量机和随机森林模型的预测准确性得到有效提高。结论:针对支持向量机和随机森林模型,使用放射组学和放...     

影像组学评价非小细胞肺癌疗效进展

近年来,针对非小细胞肺癌(NSCLC)的治疗方法进展迅速。影像组学从医学图像中挖掘和筛选有价值的特征,以解析临床、分子和遗传等表型特征,有望在肺癌精准治疗中发挥重要作用。本文对影像组学评价化学治疗、放射治疗、靶向治疗及免疫治疗NSCLC疗效的应用进展进行综述。     

影像组学在非肿瘤病变方面的应用进展

影像组学自兴起以来在肿瘤学诊断、鉴别及预后方面取得了不少研究成果。在肿瘤学方面不断发展的同时,在临床非肿瘤性病变诊断方面影像组学也发挥其高通量、大数据方面的优势,取得了可喜的进步。相关报道围绕脑体积精确测量,注意缺陷多动障碍、精神分裂症、肥厚性心肌病及高血压性心脏病鉴别、急性冠脉综合征和粥样斑块特点以及肝硬化等疾病的诊断。研究结果显示,相对以往常规的影像方法,影像组学显示出更加精准的诊断优势。尽管相关研究方式不尽相同,多项研究结果显示ICC及AUC值可达0.9左右甚至接近1。现将上述研究详细综述如下。     

增强CT影像组学模型可术前评估甲状腺乳头状癌颈部中央区淋巴结转移

目的  探讨临床、CT影像组学及融合模型等6个模型术前预测甲状腺乳头状癌（PTC）中央区淋巴结转移（CLNM）的价值。 方法  纳入103例PTC患者,根据术后病理结果将患者分为无CLNM组（n=50）和CLNM组（n=53）,比较组间临床资料及CT征象差异,按7∶3比例随机将各组分为训练集及测试集,提取训练集CT影像组学的特征,构建临床模型、平扫期（NP）模型、动脉期（AP）模型、静脉期（AP）模型、NP+AP+VP模型及融合模型。模型的效能的评价标准为AUC、敏感度及特异性。 结果  两组的性别差异有统计学意义（P=0.002）;在CT征象中,两组间病灶直径（P=0.001）及甲状腺包膜侵犯（P=0.024）的差异有统计学意义。在NP模型、AP模型、VP模型及NP+AP+VP模型这4个组学模型中NP+AP+VP模型预测PTC患者发生CLNM的效能最佳。比较临床模型、NP+AP+VP模型及融合模型的预测效能,融合模型表现最佳,在训练集和测试集中均具有最高的AUC、敏感度和特异性。 结论  融合模型在训练集和测试集中预测PTC患者发生CLNM的效能均最好,有望对术前评估PTC患者CLNM提供有效的辅助手段。     

基于增强CT影像组学模型术前预测胰腺神经内分泌肿瘤病理分级

目的 观察基于CT影像组学模型术前预测胰腺神经内分泌肿瘤(PNET)病理分级(G1和G2/3级)的价值.方法 回顾性分析145例经病理证实的PNET,分为训练组91例、验证组54例,2组各自来源于同一医疗机构.基于训练组动脉期和门脉期CT图像提取PNET影像组学特征,以Pearson相关分析及ReliefF算法进行筛选...     

影像组学在肝细胞癌辅助诊断中的研究进展

肝细胞癌是常见的恶性肿瘤之一,其恶性程度高,预后性差,具有高发病率和高死亡率的特点。影像组学提供了一种量化分析方法,可将医学影像中的组织病理学、肿瘤生物学等信息转化为高维量化特征信息,并结合人工智能算法进行数据挖掘与统计分析,协助临床进行肿瘤的早期诊疗。本文介绍了影像组学在肝细胞癌鉴别诊断、病理分级、微血管侵犯与免疫组化标志物预测中的研究进展,讨论了在数据量、模型可靠性等方面存在的不足,并指出未来可向多中心、多任务等方向发展,以期为肝细胞癌的辅助诊断提供参考。     

高分辨CT影像组学模型鉴别亚厘米肺纯磨玻璃结节腺体前驱病变与微浸润腺癌的价值

目的  探讨基于高分辨CT影像组学模型鉴别表现为亚厘米肺纯磨玻璃结节的腺体前驱病变和微浸润腺癌（MIA）的价值。方法  回顾性分析2020年7月~2022年4月经手术病理证实的亚厘米纯磨玻璃结节患者共计68例（75个肺结节）,包括6个非典型腺瘤样增生、26个原位癌及43个MIA,根据病理类型分为腺体前驱病变组（非典型腺瘤样增生+原位癌）和微浸润组（MIA）,将其分为训练组54例(60个pGGN),验证组14例(15个pGGN）。采集临床资料（年龄、性别）、CT定性参数(边界、毛刺、分叶、支气管异常征、内部血管征、空泡征、胸膜牵拉征)及定量参数(最长径、最短径、平均CT值、最大CT值、最小CT值)。利用ITK-SNAP软件对每个纯磨玻璃结节行手动分割并导入AK软件进行影像特征提取。采取单因素及多因素分析方法筛选出训练组中两亚组之间差异有统计学意义的变量,利用多元Logistic回归的方法构建影像组学模型、临床特征模型及联合模型。通过ROC曲线及计算曲线下面积(AUC)对各模型的预测效能进行比较,使用Delong's检验比较各模型之间的差异。采用校正曲线及决策曲线分析评估联合模型的校准度及临床应用性,采用Hosmer-Lemeshow检验分析联合模型预测值与观测值之间的拟合程度。结果  联合模型在训练组和验证组中均具有最高的诊断效能（训练组AUC=0.857,95% CI：0.764~0.951,P < 0.0001;验证组AUC=0.84,95% CI：0.592~1.000,P=0.0071）,高于影像组学模型(训练组AUC=0.835,95% CI：0.735~0.935,P < 0.0001;验证组AUC=0.82,95% CI：0.563~1.000,P=0.0145)和临床特征模型(训练组AUC=0.764,95% CI：0.636~0.864,P < 0.0001;验证组AUC=0.63,95% CI：0.347~0.913,P=0.3677)。联合模型在训练组和验证组中的预测观察值与实际观察值之间均具有良好的一致性。结论  基于高分辨CT影像组学和临床特征构建的联合模型有助于术前鉴别表现为亚厘米肺纯磨玻璃结节的腺体前驱病变和MIA,提升肺结节诊治及管理水平。     

基于CT影像组学机器学习模型预测急性期创伤性脑损伤严重程度

目的 观察基于CT平扫(NCCT)影像组学特征建立的机器学习(ML)模型预测急性期创伤性脑损伤(TBI)严重程度的价值。方法 回顾性收集600例TBI为观察组,以另外65例TBI为外部验证集;另前瞻性纳入50例TBI为前瞻性验证集。根据出院时格拉斯哥预后评分(GOS)将观察组患者分为高危亚组(n=240)与低危亚组(n=360)。由医师A、B以相同标准分别评估观察组患者,基于首诊临床及NCCT资料以逻辑回归(LR)法建立人工模型,预测急性期TBI严重程度。按7 ∶ 3比例将观察组分为训练集(n=420,含168例高危、252例低危)与测试集(n=180,含72例高危、108例低危),基于训练集NCCT提取及筛选影像组学特征,采用LR、支持向量机(SVM)、随机森林(RF)、K近邻(KNN)4种ML法构建预测模型,分别于测试集、外部验证集(含34例高危、31例低危TBI)及前瞻性验证集(含21例高危、29例低危TBI)进行验证。结果 医师A、B判断观察组急性期TBI严重程度的曲线下面积(AUC)分别为0.606及0.771,人工模型的AUC为0.824。基于训练集NCCT筛选出的6个最佳影像组学特征构建的LR、SVM、RF和KNN ML 模型及人工模型在测试集的AUC分别为0.983、0.971、0.970、0.984及0.708,在外部验证集分别为0.879、0.881、0.984、0.863及0.733,而在前瞻性验证集分别为0.984、0.873、0.982、0.897及0.704。结论 基于CT影像组学建立的ML模型能有效预测急性期TBI严重程度。     

多参数MRI影像组学与深度学习模型鉴别良、恶性黏液样软组织肿瘤

目的 观察基于多参数MRI构建的影像组学与深度学习(DL)模型鉴别良、恶性黏液样软组织肿瘤(MSTT)的价值。方法 回顾性纳入141例经病理证实的MSTT患者,以7 ∶ 3比例随机将其分为训练集(n=98,包括51例恶性及47例良性MSTT)及测试集(n=43,包括22例恶性及21例良性MSTT)。分别于训练集T1WI和脂肪抑制(FS)-T2WI中提取并遴选影像组学特征及DL特征,并以之构建鉴别良、恶性MSTT的影像组学模型及DL模型。绘制受试者工作特征(ROC)曲线、校准曲线及决策曲线,对比评估2个模型的区分度、校准度及净收益。结果 于训练集提取并筛选得到9个最佳影像组学特征用于构建鉴别良、恶性MSTT的影像组学模型,包括2个一阶特征、1个形态特征、3个灰度共生矩阵特征、1个灰度相关矩阵特征和2个灰度大小区域矩阵特征;以其中7个最佳DL特征构建DL模型。所获影像组学模型和DL模型鉴别测试集良、恶性MSTT的ROC曲线下面积分别为0.758及0.911,后者高于前者(P=0.017);2个模型均具有良好校准度;相比影像组学模型,DL模型在测试集的总体净收益更高。结论 基于MRI构建的DL模型鉴别良、恶性MSTT的效能较影像组学模型更好且净收益更高。     

超声影像组学及联合基因检测筛选高侵袭性甲状腺乳头状癌研究进展

近年甲状腺癌发病率迅速升高,以甲状腺乳头状癌(PTC)最为常见。部分PTC具有高侵袭性,主要表现为早期颈部淋巴结转移(CLNM)、甲状腺外侵犯(ETE)及基因突变等。超声影像组学(USR)及其联合基因检测有助于诊断及评估PTC。本文就USR及其联合基因检测筛选高侵袭性PTC研究进展进行综述。