灰阶超声影像组学鉴别诊断皮下组织血管瘤与卡波西型血管内皮瘤

目的 观察灰阶超声影像组学鉴别诊断皮下组织血管瘤(HE)与卡波西型血管内皮瘤(KHE)的价值。方法 回顾性分析143例皮下组织HE和70例KHE共252处病灶,按7∶3比例将病灶随机分为训练集(n=176)和验证集(n=76);提取病灶灰阶超声影像组学特征,构建影像组学模型,结合临床资料建立联合模型,观察各模型鉴别诊断皮下组织HE与KHE的效能。结果 共选取22个系数非零的稳定特征。影像组学模型鉴别训练集皮下组织HE与KHE的曲线下面积(AUC)、准确率、敏感度、特异度、阳性预测值及阴性预测值分别为0.91[95%CI(0.89,0.93)]、91.41%、83.20%、93.92%、95.79%及89.00%;用于验证集分别为0.85[95%CI(0.83,0.87)]、90.78%、79.32%、97.90%、96.71%及88.68%。联合模型鉴别训练集皮下组织HE与KHE的AUC、准确率、敏感度、特异度、阳性预测值及阴性预测值分别为0.94[95%CI(0.92,0.96)]、94.33%、90.77%、96.38%、94.23%及94.90%;用于验证集分别为0.90[95%...     

基于超声影像组学的预测模型早期诊断甲状腺微小乳头状癌淋巴结转移的临床价值

目的 探讨基于超声的机器学习及其联合临床特征预测隐匿性甲状腺乳头状癌患者颈部淋巴结转移的价值。方法 回顾性分析81例颈部淋巴结转移的隐匿性甲状腺乳头状癌患者和103例无颈部淋巴结患者的临床资料和二维声像图,按7:3比例随机分为训练组和验证组,提取超声图像特征,构建支持向量机(support vector machine, SVM)模型,并结合临床特征建立联合模型,观察预测模型的诊断效能。结果 共筛选出11个超声图像特征和2个临床特征建立机器学习预测模型和联合预测模型。机器学习模型在训练组预测淋巴结转移的AUC、准确性、敏感度、特异度、阳性预测值、阴性预测值分别为0.78[95%CI(0.74,0.82)]、79%、76%、80%、78%、81%;在验证组分别为0.72[95%CI(0.68,0.75)]、71%、69%、69%、74%、74%。联合模型在训练组的AUC、准确性、敏感度、特异度、阳性预测值、阴性预测值分别为0.87[95%CI(0.83,0.90)]、87%、85%、87%、87%、88%;在验证组分别为0.81[95%CI(0.78,0.83)]、80%、83%、86%、73%、79%。结论 超声机器学习预测隐匿性甲状腺乳头状癌患者颈部淋巴结转移具有较好的预测效能,结合临床特征建立的联合预测模型效能更佳。