增强MR组学联合临床因素预测肝细胞癌根治性切除术后早期复发的价值研究

目的 探究联合临床因素的肝细胞癌(hepatocellular carcinoma,HCC)术前MR影像组学模型对预测HCC切除术后早期复发的价值。材料与方法 回顾性分析116例(训练集82例、测试集34例)术前进行过腹部MRI扫描且经病理确诊为HCC患者的动态对比增强MRI (dynamic contrast enhanced MRI,DCE-MRI)的图像和临床因素。运用3D Slicer软件勾画病变感兴趣区(region of interest,ROI)并提取影像组学特征,通过最大相关-最小冗余算法、最小绝对值收缩和选择算子(least absolute shrinkage and selection operator,LASSO)降维,使用LASSO建立影像组学评分,引入临床因素构建Logistic回归模型,并联合影像组学评分构建列线图模型,通过计算受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC),进行Delong检验和临床决策曲线分析(decision curve ana...     

基于增强CT影像组学鉴别胸腺瘤组织学分型

目的 观察基于增强CT影像组学鉴别胸腺瘤组织学分型的价值。方法 回顾性分析226例经病理证实的胸腺瘤患者,按7∶3比例将其分为训练集(n=159)及测试集(n=67);利用最大相关最小冗余(mRMR)及最小绝对收缩和选择算子(LASSO)算法筛选最佳影像组学特征,构建鉴别胸腺瘤组织学分型的影像组学模型;以单因素及多因素logistic回归分析筛选鉴别胸腺瘤组织学分型相关的临床及CT表现,构建临床模型和联合影像组学特征及临床、CT特征的影像组学列线图。绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评价3种模型鉴别胸腺瘤组织学分型的效能并比较其差异,评价影像组学列线图的临床价值。结果 最终基于增强动脉期及静脉期CT筛选出19个最佳影像组学特征,以建立影像组学模型。临床模型由患者年龄、重症肌无力、病灶CT表现形态、侵犯邻近组织及动脉期CT值构成。训练集中,影像组学列线图及影像组学模型区分低危组胸腺瘤与高危组胸腺瘤的AUC (0.91、0.89)均高于临床模型(0.79,Z=3.62、2.49,P均＜0.05),而影像组学列线图与影像组学模型AUC差异无统计学意义(Z=1.54,P=0.12);3种模型在测试集中的AUC差异均无统计学意义(P均＞0.05)。阈值概率为0.1~1.0时,影像组学列线图的临床获益均大于临床模型及影像组学模型。结论 基于增强CT影像组学模型和基于临床、CT表现及影像组学特征的影像组学列线图均有利于鉴别胸腺瘤组织学分型,后者临床获益更高。     

基于双参数MRI影像组学机器学习鉴别前列腺癌Gleason评分分级分组中的应用

目的 探讨基于双参数MRI影像组学机器学习模型对前列腺癌(PCa)Gleason评分分级分组中的价值。方法 回顾性收集经病理证实为PCa的患者138例,其中GG>2患者83例,GG≤2患者55例。所有病人术前均进行MRI检查。按7∶3将患随机分为训练集和测试集,分别用于影像组学模型的机器学习和验证,采用RF、SVM和XGboost构建3组模型(ADC、T₂WI、ADC+T₂WI),采用受试者操作特征(ROC)曲线评估析各模型鉴别GG≤2与GG>2PCa的诊断效能。结果 测试集中应用SVM算法的T₂WI+ADC模型诊断效能最高,AUC为0.896。其次为T₂WI+ADC中的RF模型,AUC为0.871。在各特征集中,RF和SVM算法的模型的AUC均高于XGboost算法。结论 基于双参数MRI影像组学机器学习模型可较好地鉴别GG≤2与GG>2PCa。     

基于IVIM影像组学模型对前列腺癌和前列腺增生的鉴别诊断价值

目的 探讨基于体素内不相干运动（IVIM）中真性扩散系数（D）、伪扩散系数（D*）及灌注分数（f）图影像组学模型对前列腺癌和前列腺增生的鉴别诊断价值。资料与方法 回顾性分析南京医科大学附属泰州市人民医院2019年1月—2021年5月经穿刺活检或手术病理证实的前列腺癌患者106例、前列腺增生患者100例的影像资料，患者均行常规MRI检查及IVIM检查。首先应用Firevoxel软件获得IVIM序列D、D*及f图，将所得伪彩图导入ITK-SNAP软件勾画感兴趣区。采用Pyradiomics软件进行高通量特征提取，最后采用最大相关最小冗余及最小绝对收缩和选择算子稀疏约束法算法筛选影像组学特征并构建模型。采用随机抽样方法将患者按7∶3分成训练组144例与验证组62例，通过受试者工作特征曲线对3个模型的诊断效能进行验证，用决策曲线分析评估影像组学模型的临床预测效能。结果 基于D、D*及f图像组学模型预测前列腺癌和前列腺增生，训练组中曲线下面积分别为0.987、0.978、0.992，验证组中曲线下面积分别为0.985、0.975、0.985。决策曲线显示D、D*及f图影像组学模型在临床上可以获得...