机器学习在鉴别肺纯磨玻璃结节浸润性腺癌与非浸润性腺癌中的应用

目的 研究基于影像组学特征构建的机器学习模型对鉴别肺纯磨玻璃结节浸润性腺癌与非浸润性腺癌的价值。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌，其中浸润性腺癌32例，非浸润性腺癌55例（包括原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾化感兴趣区（ROI），A.K.软件（Artificial Intelligent Kit，GE health）进行影像组学特征提取。采用单因素方差分析、秩和检验及t检验筛选有意义的特征参数，Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数分别构建支持向量机（SVM）、随机森林（RF）、逻辑回归（LR）三种机器学习模型，采用十折交叉验证法得到最优模型，并绘制ROC曲线用于评价三种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、logistics回归三种机器学习模型可以有效鉴别两组病变，准确率（Accuracy）依次为93.30%、86.70%、83.30%，曲线下面积（AUC）分别为0.94、0.92、0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，说明利用机器学习的方法可以在术前有效的鉴别浸润性腺癌与非浸润性腺癌。     

CT图像纹理分析鉴别诊断磨玻璃密度肺腺癌的浸润性

目的 探讨CT图像纹理分析鉴别诊断表现为磨玻璃密度结节的肺腺癌浸润性的价值。方法 收集在我院接受肺部CT检查且手术病理证实为肺腺癌患者100例（浸润性腺癌56例,非浸润性腺癌44例）。随机选择69例为训练组,31例为验证组。使用A.K.（Analysis-Kinetics）分析软件进行影像特征提取;Kruskal-Wallis非参数检验和Spearman相关性分析进行特征降维;使用R语言软件包"GLM"函数,建立Logistic回归模型;以交叉验证方法对回归模型进行检验。采用ROC曲线评价独立预测因素的诊断效能。结果 影像特征提取得到396个影像组学特征,经降维最终得到与鉴别肺非浸润腺癌与浸润腺癌最相关的参数3个,建模后验证Logistic回归模型示其诊断准确率为83.30%,敏感度及特异度分别为77.80%、91.70%。结论 CT图像纹理分析可有效鉴别表现为磨玻璃密度结节肺腺癌的浸润性。     

基于CT影像组学模型预测肺原位腺癌及微浸润腺癌与浸润性腺癌

目的 探讨基于CT影像组学预测肺腺癌中的原位癌（AIS）和微浸润腺癌（MIA）以及浸润性腺癌（IAC）的价值。方法 回顾性分析542例经手术病理确诊且病理亚型明确的肺腺癌患者，将AIS及MIA归为第1组，IAC为第2组。比较2组患者性别和年龄差异。采用特征提取软件提取病灶三维纹理特征参数，分析组间差异明显的影像组学特征，筛选最佳影像组学特征构建预测模型。按2：1比例将数据分为训练集和验证集，采用6种机器学习算法对5倍交叉验证数据集进行分类，选择最佳分类器；以之分析5倍交叉验证数据集、训练集和验证集，获得模型预测肺腺癌病理分型的ROC曲线及相应AUC、特异度、敏感度及准确率。结果 第1组235例，第2组307例，组间性别和年龄差异均无统计学意义（χ²=0.56、t=-0.19，P=0.63、0.98）。共提取病灶1 766个三维纹理特征参数，其中988个影像组学特征存在明显组间差异，最终以10个最佳影像组学特征构建预测模型。以Perceptron分类器为最佳分类器。模型预测验证集病理分型的AUC为0.95，准确率、特异度、敏感度分别为0.88、0.87、0.84。结论 基于CT影像组学模型能有效预测肺腺癌中的AIS及MIA与IAC。     

MRI鉴别诊断表现为磨玻璃结节的早期浸润性肺腺癌

目的 探讨MRI鉴别诊断表现为磨玻璃结节的早期浸润性肺腺癌的价值。方法 回顾性分析34例表现为肺部磨玻璃结节的肺腺癌患者的MRI资料,根据病理结果将其分为非浸润性腺癌组（包括不典型腺瘤样增生、原位腺癌和微浸润性腺癌,n=15）和浸润性腺癌组（n=19）。测量并比较2组病变的最大径、T2WI信号强度和ADC值,绘制ROC曲线,评价其鉴别诊断浸润性腺癌的效能。结果 非浸润性腺癌组病变最大径小于浸润性腺癌组[（9.91±2.63）mm vs（13.12±2.71）mm,P<0.01]。非浸润性腺癌组病变T2WI信号强度低于浸润性腺癌组（92.97±8.33 vs 113.57±22.88,P<0.01）。非浸润性腺癌组病变ADC值低于浸润性腺癌组[（0.98±0.22）×10^-3 mm²/s vs（1.34±0.31）×10^-3 mm²/s,P=0.01]。ROC曲线分析结果显示,病变最大径诊断浸润性腺癌与非浸润性腺癌的AUC为0.791,临界值为11.52 mm,敏感度为73.72%,特异度为73.33%。结论 病变最大径、T2WI信号强度、ADC值对鉴别诊断表现为磨玻璃结节的浸润性与非浸润性肺腺癌具有一定价值。     

基于MRI影像组学鉴别浸润性与非浸润性乳腺癌

目的 探讨基于MRI影像组学鉴别浸润性与非浸润性乳腺癌的价值。方法 回顾性分析100例接受乳腺常规MR和动态增强扫描的乳腺癌患者（75例浸润性、25例非浸润性），将其分为训练组（n=70）和验证组（n=30）。提取病灶纹理特征，采用最小绝对缩减和变量选择算子（LASSO）回归对训练组纹理特征进行降维，建立影像组学标签。比较浸润性与非浸润性乳腺癌临床、病理及影像学特征，以多因素Logistic回归分析建立影像组学模型，采用ROC曲线评价模型的诊断效能。结果 共提取3 132个影像学特征，经LASSO回归降维获得19个价值较高者，建立影像组学标签。浸润性与非浸润性乳腺癌之间，训练组和验证组毛刺、基底细胞角蛋白（CK5/6）、瘤细胞增殖因子（Ki-67）和影像组学标签差异均有统计学意义（P均<0.05），训练组时间-强度曲线（TIC）类型差异有统计学意义（P<0.05），验证组TIC类型差异无统计学意义（P>0.05）。训练组CK5/6、Ki-67和影像组学标签为浸润性乳腺癌的独立危险因素（P均<0.05）；以其构建影像组学模型，在训练组和验证组鉴别浸润性乳腺癌的AUC分别为0.97和0.85，均优于CK5/6、Ki-67和影像组学标签。结论 基于MRI影像组学模型鉴别浸润性与非浸润性乳腺癌效果较好。     

肺结节超高分辨率CT靶扫描影像组学联合机器学习在原位腺癌与微浸润腺癌鉴别中的价值

目的 基于肺结节超高分辨率CT(UHRCT)靶扫描影像组学特征,分别采用Logistic回归（LR）和支持向量机（SVM）构建机器学习模型,以鉴别磨玻璃结节（GGN）中的原位腺癌（AIS）和微浸润腺癌（MIA）。方法 回顾性分析手术病理证实肺腺癌的198例患者（AIS 56例;MIA 142例）,按分层抽样将患者随机分为训练组（n=138）和验证组（n=60）。手动分割GGN,从中提取影像组学特征。采用最小冗余最大相关性算法和套索算法对影像组学特征进行降维,分别使用LR和SVM构建预测模型。采用受试者操作特征（ROC）曲线评价模型的预测性能。结果 在训练组中,LR和SVM曲线下面积（AUC）分别为0.787(95%CI:0.712～0.863)和0.896(95%CI:0.842～0.951)。在验证组中,LR和SVM的AUC分别为0.824(95%CI:0.713～0.936)和0.839(95%CI:0.734～0.945)。结论 基于肺结节UHRCT靶扫描影像组学结合机器学习能较好鉴别AIS与MIA,为患者GGN个性化分析提供潜在方法。     

基于CT平扫影像组学模型鉴别结节/肿块型 肺隐球菌病及肺腺癌与肺结核

目的 探讨基于CT平扫影像组学预测模型鉴别诊断结节/肿块型肺隐球菌（PC）与肺腺癌、肺结核（TB）的可行性。方法 回顾性分析28例结节/肿块型PC和30例肺腺癌、26例TB的平扫CT资料，提取病灶纹理特征，对其进行特征选择，获得PC组与肺腺癌组、PC组与肺TB组之间存在显著差异的特征参数。按7：3比例将所有样本分为训练集合测试集，采用随机森林法以较优特征参数建立预测模型，对训练集数据进行评估，之后于测试集数据进行验证；绘制相应ROC曲线，评估模型的鉴别诊断效能。结果 针对PC和肺腺癌、PC和肺TB分别获得7个和4个较优纹理特征参数。测试集验证结果显示模型鉴别PC与肺腺癌以及PC与肺TB的AUC、敏感度、特异度、准确率分别为0.96、1.00、0.78、0.89及0.99、0.88、0.89、0.88。结论 基于CT平扫图像影像组学可用于鉴别诊断结节/肿块型PC及肺腺癌与肺TB。     

增强动脉期CT影像组学特征联合临床术前预测胃癌脉管浸润

目的 观察增强动脉期CT影像组学特征联合临床术前预测胃癌脉管浸润(LVI)的价值。方法 回顾性纳入298例胃癌患者,根据是否伴LVI将其分为阳性组(n=155)及阴性组(n=143),并按7 ∶ 3比例分为训练集(n=208)及测试集(n=90)。基于增强动脉期CT图提取病灶影像组学特征,采用logistic回归分析筛选胃癌LVI的临床影响因素;分别采用支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)及极端梯度提升树(XGBoost)建立影像组学模型、临床模型及临床-影像组学模型,评估各模型预测胃癌LVI的效能。结果 以SVM、LR、RF及XGBoost建立的影像组学模型预测训练集胃癌LVI的曲线下面积(AUC)分别为0.896、0.821、1.000及1.000,其在测试集的AUC分别为0.744、0.801、0.740及0.747。基于4种机器学习建立的临床模型在训练集的AUC均为0.810,在测试集均为0.840。基于SVM、LR、RF及XGBoost建立的临床-影像组学模型预测训练集胃癌LVI的AUC分别为0.920、0.900、1.000及1.000,其在测试集的AUC分别为0.900、0.890、0.840及0.790。测试集中,基于SVM、LR及RF的临床-影像组学模型的AUC均大于影像组学模型和临床模型(P均＜0.05)。结论 增强动脉期CT影像组学联合临床有助于术前预测胃癌LVI。     

基于增强CT影像组学模型鉴别肾透明细胞癌与非透明细胞癌

目的 建立基于增强CT的影像组学模型,评估其鉴别肾透明细胞癌（ccRCC）与非透明细胞癌（non-ccRCC）的应用价值。方法 将147例ccRCC及32例non-ccRCC患者随机分为训练集125例和测试集54例。将所有患者的增强CT资料导入ITK-SNAP软件,手动勾画ROI,获得16个特征,分别建立基于特征的随机森林（RF）模型和逻辑回归（LR）模型,采用ROC曲线观察模型对ccRCC的诊断效能。结果 训练集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度0.83;LR模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.83。测试集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.89;LR模型诊断ccRCC的AUC为0.88（P<0.05）,特异度为0.90,敏感度为0.77。结论 基于增强CT影像组学模型可用于鉴别ccRCC与non-ccRCC;RF模型诊断价值较LR模型更高。     

CT平扫图像纹理分析鉴别浸润性肺腺癌与非钙化结核球

目的 探讨基于CT平扫图像纹理分析鉴别诊断浸润性肺腺癌与非钙化结核球的可行性。方法 回顾性分析52例经病理证实的单发肺结节患者的平扫CT资料，其中31例浸润性肺腺癌，21例非钙化结核球。采用MaZda软件于2种病灶各提取300个纹理特征，之后以费希尔参数法（Fisher）、最小分类误差与最小平均相关系数法（POE+ACC）、相关信息测度法（MI）分别筛选出10个最佳纹理特征，并将其合并得到3种方法联合的最佳纹理特征组合（MPF）。采用线性判别分析（LDA）和非线性判别分析（NDA）对4组最佳纹理特征进行分类，LDA及NDA分别以K-近邻分类器（K-NN）及人工神经网络（ANN）进行分类。分析4组纹理特征鉴别2种病变的最小错误率，比较2组病变间30个最佳纹理特征的差异，并绘制其鉴别2种病变的ROC曲线，计算AUC，评价其诊断效能。结果 对于单组最佳纹理特征，NDA/ANN-Fisher法的错误率最低，为7.69%（4/52）；对于MPF，NDA/ANN-MPF法的错误率最低，为5.77%（3/52）；而NDA/ANN-Fisher法的错误率与NDA/ANN-MPF法差异无统计学意义（χ²=0.15，P>0.05）。2种病变间存在10个纹理特征差异有统计学意义，其中差异熵S（1，1）、差方差S（1，1）及梯度方差的诊断效能较好（AUC=0.71、0.71、0.70），3者间AUC差异无统计学意义（P均>0.05）。结论 基于CT平扫图像纹理分析可较好地区分浸润性肺腺癌和非钙化肺结核球，为鉴别诊断提供可靠的客观依据。     

能谱CT平扫多参数成像判断纯磨玻璃密度肺腺癌病理亚型

目的 探讨能谱CT平扫多参数成像判断纯磨玻璃密度结节（pGGN）肺腺癌病理亚型的价值。方法 回顾性分析45例接受能谱CT平扫并经病理证实的pGGN肺腺癌，将其分为A组[非IAC组，21例，包括9例原位腺癌（AIS）和12例微浸润腺癌（MIA）]和B组[浸润性腺癌（IAC）组，24例]。基于联合40%自适应统计迭代重建（ASIR-V）技术重建的70 keV单能水平图像评估pGGN的CT征象，包括分叶征、毛刺征、空泡征、空气支气管征及胸膜凹陷征和异常血管征；获取定量分析成像参数，包括40~140 keV单能量CT值、水基值（WC）、有效原子序数（Eff-Z）及能谱曲线斜率k1~k3（分别为40~70 keV、71~100 keV、101~140 keV段能谱曲线斜率）。结果 B组异常血管征出现率高于A组（P<0.05）。组间分叶征、毛刺征、空气支气管征、空泡征及胸膜凹陷征差异均无统计学意义（P均>0.05）。B组k1低于A组（P<0.05），而组间k2、k3差异均无统计学意义（P均>0.05）。B组WC高于A组（P<0.05），但2组间Eff-Z差异无统计学意义（P>0.05）。结论 能谱CT平扫多参数成像可在显示pGGN形态学表现的基础上提供多种定量参数和较常规CT更多的诊断信息，有助于判断pGGN肺腺癌的病理亚型。     

基于MRI影像组学预测肝泡型包虫病边缘微血管侵犯

目的 评估基于MR T2WI影像组学模型预测肝泡型包虫病（HAE）病灶边缘微血管侵犯的价值。方法 回顾性分析89例经术后病理证实的HAE患者,其中32例病灶边缘存在微血管侵犯、57例无侵犯。提取病灶MR T2WI影像组学特征,以方差阈值法和单变量选择法筛选最优特征,以随机森林（RF）、极限梯度增强树（XGBoost）和逻辑回归（LR）三种分类器构建预测HAE病灶边缘微血管侵犯的机器学习（ML）模型。按8：2比例将患者分为训练集（n=70）和测试集（n=19）,验证模型的预测效能;绘制受试者工作特征（ROC）曲线,计算其曲线下面积（AUC）。结果 共提取1 409个影像组学特征,经特征降维选出7个最优影像组学特征,并以之构建模型。ROC曲线显示,XGBoost模型在训练集及测试集中的AUC分别为0.96和0.89。结论 基于MR T2WI影像组学XGBoost模型可有效预测HAE病灶边缘微血管侵犯。     

基于多参数MRI及影像组学建立机器学习模型诊断临床显著性前列腺癌

目的 建立基于多参数MRI（mpMRI）和影像组学特征的机器学习模型,评价其诊断临床显著性前列腺癌（CSPC）的价值。方法 结合纹理分析、MR动态增强定量分析、前列腺影像报告与数据系统（PI-RADS）评分和部分临床资料建立Logistic回归（LR）、逐步回归（SR）、经典决策树（cDT）、条件推断树（CIT）、随机森林（RF）和支持向量机（SVM）模型,运用ROC曲线和决策曲线分析法（DCA）评价上述模型和变量的重要性。结果 验证组中RF模型诊断CSPC的AUC大于SVM、cDT、SR模型（P均<0.05）,RF模型与LR、CIT模型诊断CSPC的AUC差异无统计学意义（P均>0.05）,其余各模型间诊断CSPC的AUC差异无统计学意义（P均>0.05）。概率阈值为16%~91%时,RF模型的净获益最大,优于其他模型;概率阈值为23%~91%时,SVM模型的净获益仅次于RF模型而优于其他模型。前列腺特异性抗原密度（PSAD）和部分纹理分析参数的重要性较高。结论 RF模型诊断CSPC优于其他模型,SVM模型次之。PSAD和纹理分析相关参数诊断CSPC的重要性高于PI-RADS评分和动态增强MRI定量参数。     

对比增强液体衰减反转恢复序列MRI影像组学评估成人弥漫性低级别胶质瘤1p/19q状态

目的 观察对比增强液体衰减反转恢复（CE-FLAIR）序列MRI影像组学模型判断成人弥漫性低级别胶质瘤（DLGG）1p/19q状态的价值。方法 纳入135例成人DLGG患者、含81例1p/19q共缺失,经分层抽样按7 ∶ 3比例将其分为训练集（n=95）及验证集（n=40）。基于训练集CE-FLAIR数据提取、筛选DLGG 1p/19q共缺失影像组学特征,构建支持向量机（SVM）、随机森林（RF）、极限梯度提升（XGBoost）、轻量梯度提升机（LightGBM）及逻辑回归（LR）模型;绘制受试者工作特征曲线,计算曲线下面积（AUC）,评价影像组学模型判断训练集及验证集DLGG 1p/19q状态的价值,并以DeLong检验进行比较。结果 共提取851个影像组学特征,以Mann-Whitney U检验筛选出74个差异有统计学意义者,再经5折交叉验证的最小绝对收缩和选择算子选出12个与1p/19q状态显著相关者;以之构建的SVM、RF、XGBoost、LightGBM及LR模型评价训练集DLGG 1p/19q状态的AUC分别为0.89、0.97、0.97、0.96及0.85,评估验证集的AUC分别为0.86、0.92、0.93、0.92及0.78。验证集中,LR模型的AUC低于SVM、RF、XGBoost及LightGBM （Z=2.981、3.136、3.014、2.827,P均<0.05）,而后四者间AUC差异均无统计学意义（P均>0.05）;RF模型准确率最高,为88.24%。结论 基于CE-FLAIR影像组学模型可有效评估成人DLGG1p/19q状态;SVM、RF、XGBoost及LightGBM模型效能均较高,以RF模型准确率最高。     

CT纹理特征分析鉴别诊断表现为肺部亚实性结节的微浸润腺癌和浸润性腺癌

目的 评估CT纹理特征术前鉴别表现为亚实性肺结节的微浸润腺癌（MIA）和浸润腺癌（IAC）的价值。方法 回顾性收集胸部CT表现为亚实性肺结节、经手术病理证实为MIA或IAC的100例患者,包括43例MIA和57例IAC。选择4个CT主观征象（密度、大小、分叶、形态）构建诊断MIA与IAC的CT主观征象模型。提取896个CT纹理特征,并构建CT纹理特征模型。绘制ROC曲线评估纹理特征模型、CT主观征象模型鉴别诊断MIA和IAC的效能。结果 CT主观征象中,亚实性结节的密度和大小的一致性非常好,选择密度征象[优势比=8.177,95%CI（1.142,58.575）]为CT主观征象模型的独立预测因子;于896个纹理特征中,选择4个纹理特征构建模型。训练集中纹理特征模型诊断MIA与IAC的敏感度为0.85（33/39）,特异度为0.90（28/31）,AUC为0.94[95%CI（0.88,0.99）];验证集中纹理特征模型的敏感度为0.89（16/18）,特异度为1.00（12/12）,AUC为0.97[95%CI（0.92,1.00）]。结论 CT纹理特征有助于提高术前鉴别诊断表现为亚实性肺结节的MIA和IAC的效能。     

多层感知器模型预测纯磨玻璃结节肺腺癌浸润程度

目的 利用CT数据建立预测纯磨玻璃结节（pGGN）肺腺癌浸润程度的多层感知器（MLP）模型，并验证其诊断效能。方法 收集2015年1月—2018年10月393例接受手术治疗并经术后病理证实为肺腺癌或不典型腺瘤样增生（AAH）的pGGN患者（共442枚pGGN）作为训练集，建立MLP模型和二元Logistic回归模型。以2019年6月―8月89例接受手术治疗的pGGN患者（共100枚pGGN）作为验证集，利用受试者工作特征（ROC）曲线下面积（AUC）及模型预测准确率、敏感度及特异度评估其效能。结果 二元Logistic回归模型验证集的AUC、预测准确率、敏感度及特异度分别为0.799、0.820、0.683及0.915，而MLP模型验证集分别为0.869、0.880、0.805及0.932，MLP模型较二元Logistic回归模型绝对净重新分类改善指数（NRI）为6%（Z=3.473、P=0.001）。结论 所建MLP模型对预测表现为pGGN的肺腺癌中的IA具有较高准确率。     

CT纹理分析鉴别诊断胰腺导管腺癌、胰腺神经内分泌肿瘤及实性假乳头状肿瘤

目的 探讨CT纹理特征诊断及鉴别诊断胰腺导管腺癌（PDAC）、胰腺神经内分泌肿瘤（PNET）及实性假乳头状瘤（SPTP）的可行性。方法 回顾性分析经病理证实的98例PDAC、62例SPTP及39例PNET患者的CT资料，于肿瘤横断面最大层面沿肿瘤边界手动勾画ROI，提取46个CT纹理特征。按二分类（PDAC vs rest；SPTP vs rest；PNET vs rest）和三分类（PDAC vs SPTP vs PNET）分组方式将数据分组。以单因素回归分析每个纹理特征鉴别二分类各组的诊断效能，并计算AUC；基于随机森林算法选择特征后，采用6种机器学习分类器（LDA、K-NN、RF、Adabost、NB、NN）对二分类和三分类分组进行分类，以多因素回归分析分类器的诊断效能，基于十折交叉验证标准计算AUC。结果 采用单个纹理特征鉴别胰腺肿瘤时，低密度短域补偿和灰度不均匀性分别对PDAC vs rest和SPTP vs rest有较好鉴别能力（AUC=0.73、0.79，P<0.01），而总和均值对PNET vs rest具有极好鉴别能力（AUC=0.90，P<0.01）。分类器鉴别PDAC vs rest、SPTP vs rest、PNET vs rest的诊断效能很好或极好，最大AUC分别为0.88（RF）、0.86（RF）和0.94（Adaboost）。分类器鉴别三分类分组的准确率均较好，以RF最高（0.80）。结论 CT纹理分析可鉴别PDAC、SPTP和PNET；采用机器学习算法可进一步提高鉴别诊断效能。     

Machine Learning–Based Ultrasound Radiomics for Evaluating the Function of Transplanted Kidneys

The aim of the study described here was to investigate the value of different machine learning models based on the clinical and radiomic features of 2-D ultrasound images to evaluate post-transplant renal function (pTRF). We included 233 patients who underwent ultrasound examination after renal transplantation and divided them into the normal pTRF group (group 1) and the abnormal pTRF group (group 2) based on their estimated glomerular filtration rates. The patients with abnormal pTRF were further subdivided into the non-severe renal function impairment group (group 2A) and the severe impairment group (group 2B). The radiomic features were extracted from the 2-D ultrasound images of each case. The clinical and ultrasound image features as well as radiomic features from the training set were selected, and then five machine learning algorithms were used to construct models for evaluating pTRF. Receiver operating characteristic curves were used to evaluate the discriminatory ability of each model. A total of 19 radiomic features and one clinical feature (age) were retained for discriminating group 1 from group 2. The area under the receiver operating characteristic curve (AUC) values of the models ranged from 0.788 to 0.839 in the test set, and no significant differences were found between the models (all p values >0.05). A total of 17 radiomic features and 1 ultrasound image feature (thickness) were retained for discriminating group 2A from group 2B. The AUC values of the models ranged from 0.689 to 0.772, and no significant differences were found between the models (all p values >0.05). Machine learning models based on clinical and ultrasound image features, as well as radiomics features, from 2-D ultrasound images can be used to evaluate pTRF.