基于临床及CT特征构建预测肺浸润性黏液腺癌的机器学习模型

  目的  肺黏液腺癌是一种罕见的肺癌亚型,存在独特的分子生物学特征,并影响治疗方案的选择。本研究拟通过建立浸润性黏液腺癌的机器学习模型来提高治疗前黏液腺癌诊断的准确性。  方法  回顾性分析河北医科大学第四医院在2017年1月—2022年5月期间经穿刺活检或手术病理证实的620例肺浸润性腺癌患者资料。采用倾向性评分匹配法(PSM)进行1 : 1匹配后按7 : 3比例将患者随机分为训练集和测试集, 应用具有统计学差异的变量构建支持向量机(SVM)、随机森林(RF)及逻辑回归(LR)3种机器学习模型, 并通过AUC值选择最优模型。通过5折交叉验证方法分析最优机器学习模型AUC值及绘制决策曲线分析(decision curve analysis, DCA)曲线, 并构建诺莫图。  结果  结果显示病灶位于下叶、囊腔、支气管截断征及ΔCTV值是浸润性黏液性腺癌的独立预测因素。将以上4个特征通过机器学习构建预测模型并进行模型比较, 最终显示逻辑回归模型(AUC = 0. 801)为最优模型。将285例随机抽取30%为测试集(85例), 剩余样本作为训练集进行5折交叉验证, 逻辑回归模型在验证集中得到AUC为0. 777, 测试集中的AUC为0. 785, 准确度为0. 682, 训练集中的AUC为0. 803, 准确度为0. 749。最终构建逻辑回归模型的诺莫图, 模型校准曲线中的Briser Score为0. 149, 且绘制的DCA曲线同样显示该模型具有良好的预测能力及稳定性。  结论  通过对基于临床及CT特征的机器学习模型的分析, 构建了原发性肺浸润性黏液性腺癌的临床预测模型, 该模型具有潜在指导临床诊断的作用。      

基于钼靶影像组学列线图预测乳腺癌Her-2表达状态

目的：探讨基于钼靶影像组学列线图在术前预测乳腺癌Her-2表达状态的应用价值。方法：分析手术或穿刺前行乳腺钼靶检查的262例女性浸润性导管癌(IDC)病人。按照7∶3比例随机分为训练集183例和测试集79例。利用钼靶图像手动勾画感兴趣区(ROI),通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归提取影像组学特征,通过统计和LASSO机器学习方法降维,保留纳入模型的最优预测特征,采用logistic回归作为分类器,建立影像组学模型;结合影像资料,通过单-多因素logistic回归,筛选独立危险因素建立影像特征模型;将影像组学特征结合独立危险因素建立影像组学列线图模型。采用受试者操作特征(ROC)曲线分析各模型的预测效能并计算曲线下面积(AUC),并绘制校准曲线及决策曲线评估其效能。结果：列线图模型的预测效能最佳,训练集敏感度84.62%,特异度84.75%,AUC值为0.920,测试集敏感度84.00%,特异度83.33%,AUC值为0.916。校准曲线中列线图模型的预测曲线与理想曲线一致性较好...     

基于动态增强MRI瘤内和瘤周的影像组学模型在预测三阴性乳腺癌的诊断价值

目的 探讨基于动态增强磁共振(DCE-MRI)瘤内和最佳瘤周区域影像组学模型来预测三阴性乳腺癌(TNBC)。方法 回顾性分析东部战区总医院2017年6月至2022年5月入院治疗并行手术病理证实的232例乳腺癌患者。采用随机抽样的方法按照8∶2比例分为训练集(n=185)和测试集(n=47)。所有患者均行乳腺DCE-MRI检查，在DCE-MRI序列上手动逐层勾画感兴趣区(ROI),瘤周区域分别等距外扩。线性相关阈值和方差分析用于特征筛选，联合逻辑回归(LR)的机器学习方法构建影像组学模型。融合模型由瘤内及最佳瘤周影像组学特征共同组成。采用受试者工作特性曲线(ROC)来评价各模型的诊断性能，Delong检验来比较各模型预测性能。结果 瘤内模型的训练集和测试集的ROC曲线下面积(AUC)分别为0.833、0.768。瘤周特征建模以瘤周6 mm范围结果最佳，在训练集和测试集AUC分别为0.814、0.790。瘤内和瘤周的融合模型的预测效能最佳，在训练集和测试集AUC分别为0.924、0.881。结论 基于乳腺DCE-MRI瘤内和瘤周的融合影像组学模型可以很好的预测三阴性乳腺癌。     

CT影像加权组学评分预测非小细胞肺癌的免疫治疗疗效

目的 通过治疗前胸部增强CT肺内多病灶组学特征构建加权组学评分模型，预测非小细胞肺癌患者接受程序性死亡受体1(PD-1)/PD配体1(PD-L1)免疫治疗的疗效。方法 回顾性收集北京协和医院2015年6月至2022年2月接受PD-1/PD-L1免疫治疗的非小细胞肺癌病例。根据临床结局分为有效组(部分缓解或完全缓解)和无效组(疾病稳定或疾病进展)。从治疗前动脉期CT图像提取多病灶影像组学，通过基于注意力机制的多示例学习算法在病例水平获得加权组学特征，采用Logistic回归建立加权评分模型。采用受试者工作特征曲线下面积(AUC)分别比较加权评分模型、PD-L1模型、临床模型、加权评分+PD-L1模型和综合模型预测肿瘤治疗疗效的效能。结果 最终纳入237例患者，随机分为训练集(n=165)和测试集(n=72)。训练集和测试集患者的平均年龄分别为(64±9)岁和(62±8)岁。加权评分模型预测免疫治疗疗效的AUC在训练集和测试集中分别为0.85和0.80,高于PD-L1-1模型(Z=37.30,P<0.001和Z=5.69,P=0.017)、PD-L1-50模型(Z=38.36,P&l...     

术后早发性结直肠癌患者预后模型的构建及验证

目的 探讨术后早发性结直肠癌（EOCRC）的独立预后因素,并建立预后列线图模型。方法 从SEER数据库中收集2010—2015年诊断为EOCRC并接受手术治疗的患者,以7∶3的比例随机分为训练集和验证集。采用Cox回归分析筛选独立预后因素,构建列线图。通过C-指数、受试者操作特征（ROC）曲线、校准图及决策曲线分析（DCA）来评估预后模型的准确性和可靠性。结果 Cox回归分析显示,种族、婚姻状况、组织学类型、TNM分期、分化程度、SEER分期及癌胚抗原水平是最终影响患者生存的独立预后因素（HR>1,P<0.05）。训练集和验证集的C指数分别为0.801、0.811。在训练集中,模型预测患者3、5年生存率的AUC分别为0.862、0.845;在验证集中,模型预测3、5年的AUC分别为0.860和0.854。校准曲线和决策曲线提示预后模型能够较为准确地预测患者生存情况。结论 本研究确定了术后EOCRC患者的独立预后因素,并建立了临床可用的预测预后列线图模型。     

基于高分辨率T2WI的影像组学对直肠癌EGFR表达的预测价值

目的:探讨基于高分辨率T2WI的影像组学对直肠癌EGFR表达状态的预测价值。方法:回顾性分析经术后病理确诊且在接受治疗前行MRI检查的208例直肠癌患者的临床及影像资料,根据EGFR表达水平不同将患者分为阳性组和阴性组。在高分辨率T2WI图像上勾画病灶的三维容积兴趣区(VOI)并提取影像组学特征,将208例患者分为训练集(n=145)和测试集(n=63),并对特征进行降维,将降维后的特征建立支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)及线性判别分析(LDA)四种分类器学习模型,分别绘制训练集和测试集的受试者工作特征(ROC)曲线,并获得曲线下面积(AUC)。结果:208例患者中,EGFR阳性表达99例(47.6%)。二元Logistic回归分析显示示低分化和淋巴结转移是EGFR阳性表达的独立危险因素(P<0.05)。训练集与测试集的患者在性别、年龄、TN分期及分化程度差异均无统计学意义(P>0.05)。4种影像组学模型均有一定的预测效能,其中SVM模型训练集与测试集的诊断效能均为最高,在训练集和测试集中的AUC分别为0.803、0.725。结论:基于高分辨率T2...     

基于CT影像组学的机器学习模型预测透明细胞肾癌的WHO/ISUP级别

目的 探讨基于三期CT图像的影像组学特征建立机器学习模型术前预测透明细胞肾细胞癌（ccRCC）WHO/ISUP核分级的价值。方法 回顾性收集2016年1月至2023年1月安徽医科大学第一附属医院经病理证实的236名ccRCC患者的3期（平扫期、皮髓质期、实质期）CT图像和临床病理资料。并按照7∶3的比例随机分为训练集和测试集,人工手动分割病灶后提取三期影像组学特征,并对提取得到的特征进行降维,筛选出最有价值的组学特征并用机器学习的方法建立3种机器学习模型,分别为逻辑回归（LR）、支持向量机（SVM）、随机森林（LR）。模型的诊断性能通过受试者工作特征曲线（ROC）及曲线下面积（AUC）来评估。结果 最终筛选得到15个有价值的特征用来构建模型,在测试集中3种机器学习模型的AUC值分别为0.797、0.753、0.761。结论 基于三期CT图像影像组学特征建立的机器学习模型在术前预测ccRCC的WHO/ISUP级别具有一定的价值。     

基于机器学习构建放射性碘治疗疗效的预测模型

目的 基于分化型甲状腺癌(DTC)患者的临床资料及放射学参数,通过机器学习算法构建放射性碘治疗(RAI)疗效的预测模型。 方法 选取2015年12月至2020年12月于山东大学第二医院核医学科接受RAI治疗的1 642例DTC患者为研究对象,在RAI治疗结束的6个月后评估其治疗疗效,筛选与疗效相关的核心特征进行机器学习建模。将研究对象按就诊时间(2019年7月)划分为训练集(n=973)和验证集(n=669),于训练集中利用Logistic、随机森林、支持向量机、Adaboost 4种方法进行模型构建,利用受试者工作特征曲线下面积(AUC)、灵敏度和特异度评估模型的性能,绘制校准曲线及决策曲线评估模型的准确度和临床受益性,并在验证集中评估模型外部稳定性。 结果 4种模型的预测性能较高,稳定性较好,预测精度和净收益高于目前临床常规应用的肿瘤-淋巴结-转移(TNM)分期和复发风险分层。Logistic模型表现最佳,其AUC在训练集中为0.827、验证集中为0.869。 结论 基于机器学习构建的术后RAI治疗疗效预测模型有较高的预测性能,由此构建的列线图可实现个体化精准预测。     

肝硬化患者首次静脉曲张破裂出血列线图预测模型的构建及验证

目的 构建肝硬化患者首次食管胃底静脉曲张出血的非侵入性预测模型及模型的验证。方法 回顾性分析2016年1月至2021年11月我院收治的358例既往未发生消化道出血的肝硬化患者的临床资料,按7∶3比例分为训练集(n=254)和验证集(n=104),随访至少1年根据患者是否发生首次出血训练集分为出血组(n=97),非出血组(n=157),验证集分为出血组(n=51),非出血组(n=53);使用单因素及多因素Logistic回归分析在训练集中研究肝硬化患者首次食管胃底静脉曲张出血的危险因素,并构建列线图模型。分别在训练集及验证集中使用的ROC曲线下面积、灵敏度、特异度、校标曲线等指标评价风险预测模型的预测精度,临床决策曲线(DCA)评价预测模型的临床效用。结果 Child-Turcotte-Pugh评分(CTP)、中性粒细胞-淋巴细胞比(NLR)、血红蛋白、血小板计数与肝硬化患者首次食管胃底静脉曲张出血有良好的相关性。基于CTP、HGB、PLT、NLR构建的预测模型在训练集上ROC曲线下面积(AUC)为0.823(95%CI 0.771～0.876),灵敏度为0.75、特异度为0.77;在验...     

五种机器学习模型预测颈动脉粥样硬化患者发生缺血性脑卒中的效能比较

目的 比较logistics分类(LR)、高斯朴素贝叶斯分类(GNB)、补充朴素贝叶斯分类(CNB)、支持向量机(SVM)和k近邻分类(KNN)五种机器学习(machinelearning, ML)模型预测颈动脉粥样硬化患者发生缺血性脑卒中的效能。方法 选取2021年3月1日—11月30日上海市第八人民医院神经内科住院的101例颈动脉粥样硬化患者为研究对象,收集患者基线资料、实验室检查及颈动脉超声检查资料,将数据集按8∶2的比例拆分为训练集和测试集,logistic回归确定模型预测变量,应用5倍重采样技术,测试不同机器学习模型的预测性能,使用准确度、灵敏度、特异度和ROC曲线下面积(AUC)等指标综合比较五种ML模型的预测效能。结果 五种预测模型的准确度62.2%～83.0%、灵敏度62.5%～83.6%、特异度77.4%～100.0%、AUC 0.629～0.936,其中GNB模型的准确度83.0%、特异度100.0%、AUC 0.936较高,与其他模型比较差异有统计学意义(P<0.05)。结论 五种模型均可用于预测颈动脉粥样硬化患者发生缺血性脑卒中的风险,其中GNB模型预测效...     

神经网络预测股骨颈骨折术后并发症的价值

目的应用神经网络建立股骨颈骨折术后股骨头坏死预测模型,并与Logistic回归预测模型进行比较,探讨其临床应用价值。方法收集了2013年3月—2017年1月在上海市3家医院行内固定治疗的378例新鲜股骨颈骨折患者,按4：1划分为训练集和测试集,使用SPSS 20.0分别建立Logistic回归模型、MLP神经网络模型以及RBF神经网络模型,比较3种模型的预测性能。结果多因素分析结果显示,VAS评分、Garden分型、完全负重时间、受伤至手术时长、BMI、术后错位程度、取不取内固定、Charlson合并症指数（Charlson comorbidity index, CCI）均与股骨颈骨折术后股骨头坏死预后相关。MLP神经网络模型训练集和测试集的AUC为0.940、0.923;Logistic回归模型训练集和测试集的AUC为0.850、0.834;RBF神经网络模型训练集和测试集的AUC为0.809、0.788。所有预测变量中,变量重要性排名依次为VAS评分、Garden分型、CCI、BMI、完全负重时间、取不取内固定、受伤至手术时长、术后错位程度。结论MLP神经网络在预测股骨颈骨折术后股骨头坏死方面的预测效能高于Logistic回归,具有较好的应用前景。     

基于集成学习算法构建前列腺癌预测模型

目的：利用机器学习算法建立前列腺癌诊断预测模型,为前列腺癌患者的穿刺术前诊断提供参考。方法：收集2017年1月-2018年12月中国医科大学附属盛京医院泌尿外科接受前列腺穿刺的255例患者的临床信息作为变量,采用Logistic多因素分析、信息增益率两种方法筛选研究变量,应用十折交叉验证划分训练集和测试集,采用多种机器学习算法（RF,SVM,Logistic,Naive Bayes）建立前列腺癌诊断模型,收集2019年1-6月的75例患者作为验证集,进一步评估模型性能和临床应用的可能性。结果：应用信息增益率筛选变量所建立的模型性能优于Logistic多因素回归分析。在4种机器学习算法中,Naive Bayes算法AUC最高,在试验集和验证集上分别为0.826和0.797。RF算法的Precision最高,在试验集和验证集上分别达到0.839和0.791。结论：基于前列腺穿刺患者的多种临床信息,通过机器学习方法建立诊断预测模型具有较高的准确率,能够为前列腺癌的诊断提供一定参考。     

基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者腋窝淋巴结负荷的价值

目的探讨基于机器学习的MRI影像组学列线图预测早期乳腺癌患者腋窝淋巴结（ALN）负荷的应用价值。方法回顾2015年1月至2022年6月丽水市中心医院经术后病理检查证实的377例早期乳腺癌患者,按7∶3的比例随机分为训练集264例和验证集113例。根据病理检查结果,将患者分为低负荷组（阳性ALN≤2枚,303例）和高负荷组（阳性ALN＞2枚,74例）。在Radcloud平台提取动态增强MRI第2期图像中乳腺肿瘤的影像组学特征,并依次采用方差阈值、单变量选择和最小绝对收缩和选择算子方法筛选最优影像组学特征。基于上述特征构建了5种机器学习分类器包括K近邻（KNN）、支持向量机（SVM）、逻辑回归（LR）、随机森林（RF）、极端梯度提升决策树（XGBoost）,选择验证集中AUC最高的分类器作为最佳影像组学模型。进一步行多因素logistic回归分析构建基于影像组学评分（Rad-score）和临床危险因素的列线图模型。采用ROC曲线评估不同模型的诊断效能。结果低负荷组和高负荷组在MRI报告淋巴结状态间的差异有统计学意义（P＜0.01）。经降维得到了16个与ALN负荷高度相关的影像组学特征。在验证集中,SVM分类器的诊断效能最好（AUC=0.762）。进一步结合Rad-score和MRI检查报告淋巴结状态建立列线图模型。ROC曲线结果显示,列线图模型在训练集和验证集中均呈现出良好的诊断效能,AUC分别为0.887、0.818。结论基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者ALN负荷具有较高的应用价值。     

基于增强CT不同影像组学模型术前预测食管鳞状细胞癌分化的应用

目的采用增强CT图像、不同机器学习模型建立食管鳞状细胞癌术前病理分化的影像组学模型,探讨影像组学模型术前预测食管鳞状细胞癌分化的可行性及价值。方法回顾性分析172例术后病理结果为食管鳞状细胞癌病例,分为分化良好组和分化不良组。将其增强CT图像以DICOM格式导入医准-达尔文系统,按3∶1随机分为训练集和测试集,提取静脉期CT图像的影像组学特征,应用最小最大值归一化法、最优特征筛选和最小绝对收缩和选择算子(LASSO)回归对其进行降维、筛选,分别构建支持向量机、随机森林和Logistic回归模型,利用5倍交叉验证对三种模型进行训练,绘制三种模型训练集和测试集ROC曲线,评估其诊断效能。结果三种影像组学模型的AUC均大于0.7,支持向量机模型AUC最高,AUC为0.88。不同分化组的临床炎性指标差异无统计学意义(P0.05)。训练集和测试集临床特征差异无统计学意义(P0.05)。结论基于增强CT三种影像组学模型可用于术前预测食管鳞状细胞癌病理分化程度。     

机器学习结合影像组学特征预测急性脑卒中机械取栓预后

目的：结合机器学习与影像组学特征构建预测急性缺血性脑卒中(acute inschemic strohe,AIS)机械取栓治疗后预后的模型并进行验证。方法：回顾性分析在南京市第一医院就诊的AIS患者,按随机数字表法分为训练集(n=105)和测试集(n= 50),另收集在南京医科大学附属常州市第二人民医院就诊的AIS患者(n=45)作为外部验证。采用A.K.软件提取弥散加权成像(diffusion weighted imaging,DWI)和灌注加权成像(perfusion weighted imaging,PWI)病变区的影像特征,应用最低绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归模型筛选最佳影像组学特征,基于所选特征通过支持向量机(support vector machine,SVM)分类器建立预测急性脑卒中预后预测模型,使用受试者操作特征(receiver operating character? istic,ROC)曲线评价模型的预测效能,并应用验证集对模型进行外部验证。结果：每例患者DWI和PWI图像各提取1 316个影像组学特征,降维后筛选出40个与卒中预后高度相关的特征。ROC曲线分析显示联合DWI+PWI的模型预测训练集和测试集的曲线下面积(area under curve,AUC)(训练集：0.981;测试集：0.891)均高于单序列模型(DWI或PWI),其准确度分别达0.943、 0.900。外部验证结果显示基于DWI+PWI的模型同样优于单序列(DWI或PWI)的预测模型,灵敏度和特异度分别为0.864、 0.783,其准确度可达0.822。结论：结合机器学习与影像组学特征构建的模型可预测AIS机械取栓治疗预后,并具有较好的泛化能力。     

消化性溃疡出血患者住院时间延长的危险因素分析及预测评分模型研究

背景　消化性溃疡出血（PUB）是消化内科住院患者常见的病因之一,而住院时间在评估疾病严重程度、疾病诊疗和管理质量中起着重要作用,但PUB患者住院时间延长相关的研究报道较少见。目的　分析PUB患者住院时间延长的危险因素,并制定相应的预测评分模型,为临床干预及管理提供参考。方法　选取2018-2019年从无锡市人民医院消化内科出院的PUB住院患者485例,采用随机化方法进行分组,其中2/3的病例纳入训练集,1/3的病例纳入测试集。以住院时间的第75百分位数为分界点（>8 d）,将全部患者分为超长组和正常组。采用回退法多因素Logistic回归分析探究PUB患者住院时间延长的危险因素,并依据回归系数对危险因素进行赋分,制定预测评分模型。分别绘制预测评分模型在训练集和测试集中预测PUB患者住院时间延长的受试者工作特征（ROC）曲线,并计算ROC曲线下面积（AUC）。结果　485例患者中训练集323例,其中超长组75例,正常组248例;测试集162例,其中超长组34例,正常组128例。回退法多因素Logistic回归分析结果显示,年龄≥60岁〔OR=2.810,95%CI（1.567,5.040）〕、白细胞计数（WBC）和/或中性粒细胞分数（NE）升高〔OR=2.491,95%CI（1.310,4.738）〕、Forrest Ⅲ级以上溃疡〔OR=1.960,95%CI（1.098,3.498）〕、输血〔OR=3.367,95%CI（1.664,6.812）〕、合并肾功能不全〔OR=4.809,95%CI（1.456,15.884）〕是PUB患者住院时间延长的独立危险因素（P<0.05）。预测评分模型在训练集中预测PUB患者住院时间延长的AUC为0.77〔95%CI（0.71,0.84）〕,在测试集中预测PUB患者住院时间延长的AUC为0.76〔95%CI（0.66,0.86）〕,最佳界值均为2.45分。结论　年龄≥60岁、WBC和/或NE升高、Forrest Ⅲ级以上溃疡、输血、合并肾功能不全是PUB患者住院时间延长的独立危险因素;本研究依据危险因素制定了一种具有较高辨别力的简单易行的预测评分模型,具有为优化PUB患者住院评估及管理提供参考的潜能。     

基于双参数磁共振成像影像组学机器学习的前列腺癌风险分层

目的 探讨基于双参数MRI影像组学特征的机器学习模型在前列腺癌风险分层中的作用.方法 收集128例经病理证实的前列腺癌患者的临床资料,其中低风险组(Gleason评分≤3+4分)60例、高风险组(Gleason评分≥4+3分)68例.所有患者均接受3.0 T MRI检查,采集参数相同.统计与前列腺癌相关的临床危险因素,包括年龄、病灶体积、病灶位置、前列腺特异性抗原及前列腺影像报告和数据系统(PI-RADS)评分等.按7:3将患者随机分为训练集和验证集,分别用于影像组学模型的机器学习和验证.影像组学特征包括基于梯度的直方图特征、形态特征、灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)和Haralick特征.应用多因素logistic回归分析建立3个前列腺癌风险分层的预测模型:临床模型、影像组学模型和临床-影像组学联合模型,分别通过ROC曲线和决策曲线分析比较各模型的诊断效能与临床效益.结果 影像组学模型和临床-影像组学联合模型对验证集的预测效能相当(AUC=0.78,95％CI 0.63～0.93),并且均优于临床模型(AUC=0.75,95％CI 0.60～0.91).决策曲线分析表明,影像组学模型和临床-影像组学联合模型比临床模型具有更高的临床净收益.结论 与仅评估前列腺癌相关的临床危险因素相比,基于双参数MRI影像组学的临床-影像组学机器学习模型可以提高对前列腺癌风险分层预测的准确性.     

磁共振影像组学模型在直肠癌肝转移评估中的临床价值

  目的  探究基于不同磁共振序列构建的影像组学模型在直肠癌肝转移评估中的临床应用价值。  方法  回顾性纳入2015年4月?2018年5月经病理证实为直肠癌并在我院行治疗前基线磁共振检查的患者140例。根据肝脏穿刺活检、手术病理和影像结果分为肝转移组和未转移组。通过ITK-SNAP软件在T2加权图像（T2 weighted image,T2WI）、弥散加权图像（diffusion weighted image,DWI）和表观弥散系数（apparent diffusion coefficient,ADC）图像上对原发灶逐层勾画感兴趣区（region of interest,ROI）。3D ROI导入Artificial Intelligent Kit软件平台提取影像组学特征,每个序列图像提取396个特征。基于Python平台对特征数据进行预处理,使用支持向量机-合成少数类过采样法（Support Vector Machine-Synthetic Minority Over-Sampling Technique,SVM-SMOTE）对样本进行过采样,使截止随访时发生肝转移组和未发生肝转移组样本数平衡,之后按2∶1比例分为训练集和测试集。对影像组学特征进行筛选后,使用R软件构建logistic回归模型,用受试者工作特征（ROC）曲线和校准曲线对模型效果进行评价。  结果  纳入的患者中发生肝转移的有52例,截止随访时未发生肝转移的有88例,癌胚抗原（CEA）水平、MRI的T分期和N分期在肝转移组和未转移组的差异有统计学意义（P<0.05）。在对特征进行预处理和筛选后,最终,除去非影像组学特征17个,多序列联合数据集（T2WI+DWI+ADC）共筛选出32个特征,T2WI独立数据集10个特征,DWI独立数据集30个特征,ADC独立数据集15个特征。多序列联合数据集、T2WI独立数据集以及ADC独立数据集构建的模型能准确评估肝转移,训练集的ROC曲线下面积（AUC）为93.5%、89.2%、90.6%,测试集的AUC分别为80.8%、80.5%、81.4%,多序列联合数据集并未表现出高于独立数据集的AUC。DWI独立数据集表现稍差,训练集和测试集的AUC为90.3%、75.1%。校准曲线显示,联合数据集模型的波动最小,最接近参考线;3个独立数据集模型的波动范围相接近;4种模型的校准曲线均显示随着风险升高,模型预测从对风险的低估转为对风险的高估。总体而言,多序列联合数据集与独立T2WI数据集、独立ADC数据集都具有较高的AUC,而多序列联合数据集校准曲线偏离对角参考线最近,模型效果最好。独立T2WI和ADC数据集总体效果次之,独立DWI数据集效果欠佳。  结论  磁共振影像组学模型能够对直肠癌肝转移进行有效评估,为临床分期和诊治提供信息。     

基于双硫死亡相关lncRNA的宫颈癌预后模型构建及验证

目的:构建预测宫颈癌生存期的双硫死亡相关长链非编码RNA(lncRNA)预后模型。方法:从TCGA数据库下载307个宫颈癌RNA测序数据及临床信息,随机分为训练集和测试集。使用共表达分析和回归分析得到双硫死亡相关lncRNA并构建预后模型。根据风险评分中位数将患者分为高风险组和低风险组。使用Kaplan-Meier生存分析、Cox回归分析、受试者工作特征(ROC)曲线、主成分分析、列线图和校准曲线评估模型的预测效能。结果:共得到3个双硫死亡相关lncRNA并构建预后模型。Kaplan-Meier生存分析结果显示高风险组的总生存期短于低风险组。风险曲线显示高危患者的死亡率高于低危患者。Cox回归分析显示风险评分是独立预后因子。该模型预测患者1年、3年、5年存活率的ROC曲线下面积(AUC)分别为0.780、0.701、0.716。列线图和校准曲线表明预后模型接近于理想模型。结论:本研究构建了宫颈癌的双硫死亡相关lncRNA预后模型,该模型预测效能良好。     

基于T2WI与RS-EPI DWI影像组学特征的自动化机器学习模型预测直肠癌术前T分期的价值

  目的  探讨基于磁共振T2加权成像（T2 weighted image, T2WI）和分段读出平面回波成像（readout-segmented EPI, RS-EPI）与扩散加权成像（diffusion weighted image, DWI）的影像组学特征,通过开发和验证自动化机器学习模型,预测直肠癌术前病理T分期的价值。  方法  回顾性分析2016年10月?2018年12月经手术病理结果证实为直肠癌且在我院行术前直肠磁共振的患者131例。采用ITK-SNAP软件从T2WI和RS-EPI DWI图像中手动分割出肿瘤区域。使用PyRadiomics包提取出200个特征〔100个特征来自于T2WI,100个特征来自RS-EPI DWI的表观弥散系数（apparent diffusion coefficient, ADC）图〕。使用mwmote与neater重采样均衡数据,加入13例T_1-2期模拟数据。根据3∶1的比例将总体数据分割成训练集111例和测试集37例。在训练集上使用Tree-based Pipeline Optimization Tool（TPOT）最优化模型参数并选取最重要的组学特征建模,得到5个互相独立的T分期模型。使用准确率和受试者工作特征（ROC）曲线下面积（area under the curve, AUC）筛选出最优模型。在测试集和原数据集上预测直肠癌T分期。  结果  自动化机器学习推荐的5个T分期模型,在训练集上的准确率为0.802～0.838,敏感度为0.762～0.825,特异度为0.833～0.896,AUC范围为0.841～0.893,average precision（AP）范围为0.870～0.901。经过对比后,最终选择的模型的敏感度、特异度、AUC,在训练集上为0.810、0.875、0.893,在测试集上为0.810、0.813、0.810,在原始数据集上为0.810、0.830、0.860。  结论  基于T2WI和RS-EPI DWI的影像组学数据,通过自动化机器学习建立的模型在预测直肠癌T分期上有较高的准确率。