基于GBM分类器构建CTE标签评估不同程度活动期溃疡性结肠炎

【摘要】目的：探讨基于CT肠道成像（CTE）利用机器学习方法提取的影像特征在评估活动期溃疡性结肠炎（UC）病变程度中的价值。方法：将2017年9月－2020年9月在本院首诊为UC的157例患者患者纳入研究。根据Mayo临床评分方法,将所有患者分为轻度组（3~5分）40例、中度组（6~10分）52例、重度组（11~12分）65例。所有患者行肠镜及CTE检查。基于CTE图像记录每例患者13个影像学征象（病变范围、肠壁增厚、黏膜分层、肠壁异常强化、肠系膜充血、直肠周围脂肪沉淀、淋巴结增大、黏膜囊泡、肠腔狭窄、结肠袋消失、肠黏膜息肉、靶征和梳齿征）的出现情况。将所有患者按照5:5分为训练组和验证组,基于训练组数据,以Mayo分组为分类标签,对CTE征象进行特征筛选后纳入GBM分类器,利用机器学习方法构建CTE征象诊断模型,并利用验证组的数据对其进行验证。结果：经特征筛选后,将10个有统计学意义的CTE征象纳入GBM分类器,采用机器学习的方法构建CTE征象诊断模型,其在训练集中鉴别轻度与中重度、中度与重度、重度与轻中度的AUC分别为0.99、0.99和1.00,在验证组中相应AUC为0.99、0.96和0.98;在训练组合验证组中评估UC病变程度的总体诊断符合率分别为0.921（95%CI：0.8102~0.9553）和0.887（95%CI：0.7617~0.9274）。结论：利用多分类器机器学习的方法基于CTE影像特征构建的诊断模型可用于评估UC患者的病变程度。     

基于CT靶扫描构建多模态联合模型Nomogram评估孤立性肺结节

目的:探究基于CT靶扫描图像提取影像组学特征联合CT征象构建多模态联合模型术前评估孤立性肺结节(SPN)的可行性。方法:纳入2018年1月-2020年7月在郑州大学第二附属医院行胸部CT扫描诊断为SPN以SPN为中心的薄层靶扫描的患者,继而由医师遵循单盲原则定性评估患者CT征象后,对SPN进行病灶3D分割,导入pyradiomics进行特征提取。患者按照7:3比例随机分为训练组和测试组,以训练组患者SPN良恶性为研究目的,对影像组学特征进行去冗除杂以构建影像组学标签Rad-score,并纳入CT征象特征联合Rad-score构建多元逻辑回归模型评估SPN的良恶性。结果:共计纳入82名SPN患者,恶性结节共计43例,良性结节39名。训练组中59例患者,其中31例恶性,28例良性;测试组中23例患者,其中12例恶性,11例良性。取最小惩罚系数对应的10个特征构建的影像组学标签(Radiomics signature, Rad-score)。采用ROC分析Rad-score在训练组和测试组中评估恶性SPN的诊断效能,训练组中Rad-score的AUC=0.89,95%置信区间：0.81～0....