排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
目的 探讨基于多参数MRI(multiparametric magnetic resonance imaging, mp MRI)影像组学列线图预测子宫内膜癌(endometrial cancer, EC)淋巴血管侵犯(lymphatic vascular space invasion, LVSI)的价值。材料与方法 回顾性分析术前行盆腔mp MRI检查的202例经手术病理证实为EC患者的病例资料,并按7∶3随机分为训练集和验证集。运用开源的ITK-SNAP软件勾画兴趣区(region of interest, ROI),使用Pyradiomics软件从mpMRI影像图中提取EC影像组学特征。采用单因素分析临床基本资料和影像组学特征,通过最小绝对收缩和选择算法(least absolute shrinkage and selection operator, LASSO)回归筛选影像组学特征并计算影像组学分数(radiomics score, Rad-score),多因素logistic回归用于筛选LVSI独立危险因素,使用R语言建立模型并绘制列线图,模型的预测效能采用C指数(C-ind... 相似文献
2.
【摘要】目的:尝试配制一种应用于直肠/阴道腔内的短T2效应MRI对比剂,旨在提高阴道和直肠MRI质量。方法:将右旋糖酐铁溶液与超声耦合剂按不同比例混合,配制成含铁浓度分别为0.125、0.375、0.625、1.250、1.875、2.500、3.125和3.750mg/g共8种浓度的对比剂(实验组),以纯超声耦合剂和纯右旋糖酐铁溶液作为2个对照组。将3组混和均匀的物质分别注入不同的试管中进行3.0T MRI检查,扫描序列包括FSE T1WI、FRFSE T2WI和T2-mapping,其中T2-mapping序列重复扫描50次。测量8支试管的T2值。比较实验组不同铁浓度对比剂的T2值,筛选出最佳短T2效应的含铁浓度。结果:纯超声耦合剂和纯右旋糖酐铁溶液的T2值分别为(773.90±5.04)和(83.00±3.40)ms。实验组中8种含铁浓度的对比剂的T2值依次为(931.04±19.44)、(867.4±18.89)、(832.98±19.40)、(622.88±7.74)、(88.68±4.15)、(62.80±9.23)、(26.82±4.30)和(18.24±3.68)ms,各组间差异有统计学意义(F=53644.11,P<0.001)。随着对比剂铁含量的增高,在T2WI上的信号呈下降趋势;当铁含量为3.125mg/g时,信号强度与无信号背景接近,同时其在T1WI上的信号强度与纯超声耦合剂相当。结论:铁浓度为3.125mg/g的右旋糖酐铁溶液与超声耦合剂的混合剂可作为直肠和阴道腔内较合适的短T2效应对比剂。 相似文献
3.
目的 探讨直肠MR造影(MR rectography, MRR)对直肠癌壁外血管侵犯(extramural vascular invasion, EMVI)的术前诊断价值。方法 选取我院2018年4月~2019年12月间拟手术治疗的160例直肠癌患者术前行MRR。最终纳入139例患者,其中,女性54例(38.8%)、男性85例(61.2%),平均年龄为(61.1±12.5)岁。2位影像科医师独立分析MRR图像判断是否存在术前EMVI。与手术病理结果比较,计算MRR对EVMI评价的敏感性、特异性、准确性、阳性预测值和阴性预测值。采用受试者操作特征(receiver operating characteristics, ROC)曲线下面积(area under the curve,AUC)评价其诊断效能。结果 139例直肠癌患者中,术后病理证实44例(31.7%)为EMVI阳性,95例(68.3%)为EMVI阴性。读片医师A对EMVI评价准确性、敏感性、特异性、阳性预测值、阴性预测值分别为0.806、0.822、0.809、0.65和0.90,AUC为0.891(95%CI 0.840~0... 相似文献
4.
目的基于机器学习建立并验证放射组学预测非小细胞肺癌(non-small cell lung cancer, NSCLC)表皮生长因子受体(epidermal growth factor receptor, EGFR)基因突变模型。方法收集462例病理证实的NSCLC且术前行CT和明了EGFR基因状态的患者。从患者术前薄层CT中提取107个放射组学特征。采用随机森林(random forest)建立机器学习模型预测NSCLC的EGFR突变状态,并采用5-折叠交叉验证进行校正。结果 462例NSCLC患者中,EGFR突变型214例(46.3%)。单因素分析发现5个特征以及吸烟状况和性别与EGFR突变相关。利用这5个放射组学特征以及吸烟状态和性别构建随机森林模型在训练集对EGFR突变的ROC曲线下面积(he area under the ROC curve, AUC)为0.774,敏感性为74.5%,特异性为79.1%。在验证集中AUC为0.756,敏感性为79.7%,特异性为65.7%。结论基于机器学习的放射组学模型能较好的预测NSCLC的EGFR的突变,有助于临床医生术前治疗方案的选择。 相似文献
5.
目的 探讨基于胸部CT建立机器学习模型预测肺腺癌气腔播散(STAS)状态的价值。方法 回顾性分析462例经手术病理证实的原发性肺腺癌,90例STAS阳性(STAS阳性组),372例STAS阴性(STAS阴性组),比较组间一般资料及CT征象差异。按7 :3比例将患者随机分为训练集(n=323)和验证集(n=139),采用随机森林算法针对差异有统计学意义的变量建立预测肺腺癌STAS的模型,对训练集进行训练,获得平均AUC最大的模型,以之对验证集进行预测,并计算AUC,评价其诊断效能。结果 组间年龄及12个CT征象差异均具有统计学意义(P均<0.05)。以上述13个变量建立的预测模型对训练集进行预测,获得最大AUC为0.80的模型,其预测训练集和验证集肺腺癌STAS的AUC、敏感度及特异度分别0.80、0.78及0.77和0.77、0.78及0.73。结论 基于胸部CT的机器学习模型可有效预测肺腺癌STAS状态。 相似文献
6.
目的探索多参数MRI影像组学信号模型预测直肠癌(rectal cancer,RC)KRAS基因突变的价值.材料与方法回顾性分析深圳市人民医院2019年4月至2020年12月104例经病理证实且行术前MRI检查的直肠癌患者的临床病理资料和提取RC的多参数MRI影像组学特征.采用t检验、χ2检验或Mann-Whitney U检验分析临床病理特征和影像组学特征与KRAS基因突变的相关性,将有统计学意义的特征纳入LASSO回归模型进行特征选择和建立影像组学信号.采用受试者工作特征(receiver operating characteristic,ROC)的曲线下面积(area under the curve,AUC)评价影像组学信号对KRAS基因突变的预测效能.结果临床病理资料在有无KRAS基因突变间差别无统计学意义.321个影像组学特征中,单因素分析表明16个影像组学特征与KRAS基因突变有相关性.LASSO回归筛选出7个影像组学特征构建影像组学信号,在验证集和预测集中预测KRAS基因突变的AUC值分别为0.81(0.70~0.92)和0.77(0.63~0.91,P=0.60),其中ADC特征中一阶偏度的压缩系数最大为3.36.结论MRI影像组学特征可以作为预测KRAS基因突变的生物学标记,其中ADC特征中偏度的预测效能最好. 相似文献
7.
目的 探讨基于术前CT放射组学的机器学习模型预测肺腺癌气腔播散(STAS)的价值。方法 回顾性分析829例病理证实为肺腺癌并且术前3个月行CT检查的患者资料。在中心Ⅰ的709例患者中,采用单因素分析比较STAS状态与临床及放射组学特征间的差异(P<0.05)。随机从中心Ⅰ的578例STAS阴性患者中,选取25%(150例)与131例STAS阳性患者构建放射组学信号。采用10折叠交叉验证(10-fold cross-validation)套索回归(LASSO)进一步特征筛选并用多元Logstic回归建立放射组学信号。将中心Ⅰ患者按0.7∶0.3比例分为训练集及内部验证集。在训练集中用利用放射组学信号和差异有统计学意义的临床特征采用多因素Logstic回归建立预测模型并绘制列线图(Nomogram)。以中心Ⅱ的120例患者作为测试集检验模型的预测效能。结果 多因素Logistics回归结果表明性别和组学分数为独立危险因素。联合模型的在训练集曲线下面积(AUC)为0.84(90%CI:0.80~0.88),在内部验证集和外部测试集的AUC分别为0.83(95%CI:0.78~0.90)... 相似文献
1