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。     

基于多序列MRI影像组学模型预测宫颈鳞癌病理组织分型

目的探讨基于MR平扫多序列的影像组学模型在预测宫颈鳞癌组织分型的价值。材料与方法回顾性收集103例经病理证实子宫颈鳞癌患者,角化型48例,非角化型55例,按3︰1比例随机分成训练集和测试集。所有患者均在治疗前行常规磁共振平扫成像,经预处理后,逐个序列图像手动勾画三维肿瘤感兴趣区,提取并筛选影像组学特征,在训练集中,分别基于T1、T2、T2抑脂序列图像特征及联合以上多序列图像特征,构建朴素贝叶斯预测模型,并在测试集中进行预测和评价。结果训练集中T1、T2、T2抑脂及联合多序列模型ROC曲线AUC值分别为0.718、0.705、0.756和0.863(P0.001),组间ROC曲线Delong test检验中显示联合模型ROC曲线与T2、T1模型ROC曲线存在统计学差异,P值分别为0.004和0.018;测试集中联合多序列预测非角化型结果最佳,ROC曲线的AUC值为0.860,P=0.003,准确率为0.720,召回率0.900;组间ROC曲线比较仅发现联合模型ROC曲线与T1模型ROC曲线存在统计学差异,Z=2.200,P=0.027。结论基于MR多序列的影像组学模型能够预测宫颈鳞癌非角化型,并且联合多序列的预测模型预测效果最好。     

基于肿瘤基底部膀胱壁纹理分析预测膀胱癌肌层浸润性

目的探讨基于肿瘤基底部膀胱壁超声灰阶图像纹理特征的组学模型鉴别膀胱癌肌层浸润性的价值。方法回顾性分析广西医科大学第一附属医院2017年1月至2022年2月经病理证实的膀胱癌患者175例, 按7∶3的比例分为训练集和测试集。利用MaZda软件分别手动勾画同一病灶基底部膀胱壁、病灶区域的感兴趣区域并提取纹理特征。对训练集采用最小绝对缩减和变量选择算子(LASSO)回归及十折交叉验证筛选特征, 构建膀胱壁、病灶区域组学模型, 并绘制ROC曲线评估模型效能。结果从膀胱壁、病灶区域ROI各提取出279个纹理特征后, 各筛选出5个纹理特征用于构建组学评分模型。膀胱壁的组学模型训练集和测试集的曲线下面积(AUC)为0.921、0.856, 病灶区域的组学模型训练集和测试集的AUC为0.849、0.704。在训练集和测试集中, 膀胱壁的组学模型AUC比病灶区域的组学模型大(均P<0.05)。结论基于肿瘤基底部膀胱壁纹理特征的组学评分模型能有效鉴别膀胱癌肌层浸润性, 且较基于病灶区域纹理特征的模型表现出更好的性能。     

基于超声影像组学在预测BI-RADS 4类肿瘤良恶性中的价值

目的 基于二维超声瘤内及含瘤周5 mm区域构建影像组学模型,判断其对乳腺影像报告与数据系统(BI-RADS)4类乳腺肿瘤良恶性的预测价值。方法 回顾性收集176例超声诊断为BI-RADS 4类且病理结果明确的女性患者的乳腺肿瘤超声图像,按照7∶3的比例随机分为训练集(123例)、测试集(53例)。在软件上勾画肿瘤区域(瘤内组),并自动适形外扩5 mm(含瘤周组),分别提取并筛选出最佳影像组学特征后建立瘤内组模型及含瘤周组模型。利用受试者工作特征(ROC)曲线下面积(AUC)、校准曲线和决策曲线来评价模型。结果 训练集中瘤内组及含瘤周组的AUC分别为82.3%、90.1%,测试集中瘤内组及含瘤周组的AUC分别为78.6%、87.1%,Delong检验P<0.05;灵敏度、特异度、准确度在训练集瘤内组分别为85.7%、50.0%、72.4%,含瘤周组分别为88.3%、71.7%、82.1%,在测试集分别为83.7%、46.9%、69.1%和83.7%、69.3%、78.1%。结论 基于超声的含瘤周区域影像组学模型能更好地对乳腺BI-RADS 4类肿瘤的良恶性进行预测。     

基于机器学习算法的胃癌淋巴结转移预测模型研究

目的 基于4种机器学习(ML)算法构建胃癌淋巴结转移的预测模型并验证。方法 回顾性收集531例胃癌根治术患者的临床资料,按3∶1比例将患者随机分为训练集399例和测试集132例。通过单因素分析筛选胃癌淋巴结转移的特征选择变量,分别建立逻辑回归、随机森林、K-邻近算法、支持向量机算法模型并进行变量重要性排序。将所有ML算法模型在测试集中进行验证,绘制受试者工作特征(ROC)曲线,基于曲线下面积(AUC)、灵敏度、特异度、准确度确定最优ML算法模型。基于最优ML算法模型的变量重要性排序构建列线图模型,通过ROC曲线、校准曲线、决策曲线评价列线图模型的区分能力、校准能力和临床适用性。结果 4种ML算法模型比较结果显示,随机森林模型为最优算法模型,其在训练集中的准确度、灵敏度、特异度分别为72.7%、69.9%、75.0%,AUC为0.803,其在测试集中的准确度、灵敏度、特异度分别为64.4%、66.7%、62.5%,AUC为0.751。基于随机森林算法模型的变量构建列线图模型,ROC曲线显示列线图模型在训练集、测试集中的AUC分别为0.721、0.776,校准曲线和决策曲线显示列线图模型在...     

基于CT的全肝影像组学模型评价乙型肝炎肝纤维化分期的价值

目的 以X线计算机体层摄影术(CT)为基础,构建全肝影像组学模型,并对乙型肝炎肝纤维化分期进行评估。方法 收集100例乙型肝炎肝脏纤维化患者的临床及影像资料,按7:3比例分为训练组与验证组,训练组71例,验证组29例。应用AK分析软件提取患者肝脏平扫图像的纹理属性,然后对训练组提取纹理特征展开特征降维操作,再构建出影像组学纤维化指数(RFI)模型。基于RFI模型使用ROC曲线分别用于评估不同纤维化分期的诊断效能,并评价其在验证组中的效能。结果 降维后共剩余8个特征用于构建RFI模型,ROC曲线分析显示RFI模型在训练组和测试组中均表现出良好的预测效能,AUC分别为0.81和0.80,特异度分别为0.74和0.71,敏感度分别为0.81和0.75。结论 应用肝脏CT构建出来的影像组学模型,能够对肝纤维化分期进行定量分析,有望为临床提供一种无创性评价工具。     

多时相CT影像组学模型预测胸腺瘤风险分类

目的 观察多时相CT影像组学模型预测胸腺瘤风险分类的价值。方法 纳入86例经病理确诊的单发胸腺瘤患者,包括32例高风险及54例低风险胸腺瘤,按照7∶3比例将其分为训练集(n=59)和验证集(n=27);采用单因素及多因素logistic回归分析训练集临床及CT特征,筛选胸腺瘤风险分类的独立预测因素,构建临床-CT模型。分别基于平扫、动脉期(AP)、静脉期(VP)、平扫+AP、平扫+VP、AP+VP及平扫+AP+VP提取并筛选最优影像组学特征,计算影像组学评分(Rad-score);采用受试者工作特征(ROC)曲线选取最佳影像组学模型,以之联合临床-CT特征构建联合模型。绘制ROC曲线,计算曲线下面积(AUC),评估各模型预测胸腺瘤风险分类的效能。结果 周围脂肪浸润是胸腺瘤风险分类的独立预测因素(OR=0.029,P=0.004)。ROC曲线显示,模型_AP+VP为最佳影像组学模型,其与联合模型预测训练集胸腺瘤风险分类的AUC分别为0.860及0.877,均高于临床-CT模型的0.736(Z=1.925、-2.464,P均＜0.05),预测验证集的AUC分别为0.835及0.847,亦高于临床-CT模型的0.641(Z=1.840、-2.137,P均＜0.05);模型_AP+VP与联合模型在训练集和验证集的AUC差异均无统计学意义(Z=-1.180、0.291,P均＞0.05)。结论 多时相CT影像组学模型可有效预测胸腺瘤风险分类。     

基于自动乳腺全容积扫查影像组学对预测乳腺癌腋窝淋巴结负荷的价值

目的 对比分析基于自动乳腺全容积扫查(ABVS)和ABVS冠状面的影像组学对乳腺癌腋窝淋巴结负荷的预测价值。方法 回顾性分析51例乳腺癌患者,包括19例高负荷(淋巴结转移≥3个)和32例低负荷(淋巴结转移<3个),分别基于ABVS图像(模型1)、ABVS最大冠状面(模型2)提取最优影像组学特征,使用逻辑回归(LR)构建模型,根据受试者工作特征(ROC)曲线下面积(AUC)评估模型性能,应用Delong测试评估模型间的诊断效能差异。结果 模型1、模型2预测乳腺癌腋窝淋巴结负荷的AUC值分别为0.767、0.733,经Delong测试后二者无统计学意义(P=0.757)。超声医师诊断的AUC值为0.617,与模型1(P<0.001)和模型2(P=0.011)均存在统计学意义。结论 基于ABVS冠状面的影像组学能有效预测乳腺癌患者腋窝淋巴结负荷。     

平扫CT特征联合纹理分析鉴别经治乳腺癌患者肺部单发转移癌与原发腺癌北大核心CSCD

目的评估基于平扫CT特征及纹理分析联合模型鉴别经治乳腺癌患者单发肺内病灶为乳腺癌孤立性肺转移(SPMBC)或原发性肺腺癌(PLA)的价值。方法回顾性分析111例经治乳腺癌伴术后病理证实的SPMBC(SPMBC组,n=54)或PLA(PLA组,n=57)患者,对比其肺内病灶CT表现。采用MaZda软件提取并筛选CT所示病灶最佳纹理参数,以集成算法为分类器,针对组间差异有统计学意义的CT表现、最佳纹理参数或联合二者分别构建CT特征模型、纹理特征模型及联合模型,以鉴别SPMBC与PLA;以5折交叉验证法及受试者工作特征(ROC)曲线评估各模型的诊断效能。结果CT特征模型、纹理特征模型及联合模型鉴别经治乳腺癌患者伴SPMBC与PLA的平均曲线下面积分别为0.64±0.08、0.82±0.07及0.85±0.05。CT特征模型的平均分类准确率(0.60±0.09)低于纹理特征模型及联合模型(0.78±0.09、0.82±0.08,t=-3.14、-4.06,P均<0.05),纹理特征模型平均分类准确率与联合模型差异无统计学意义(t=-0.66,P>0.05)。结论平扫CT特征联合纹理分析有助于鉴别诊断经治乳腺癌患者SPMBC与PLA。     

平扫CT影像组学鉴别肺炎型黏液腺癌与大叶性肺炎

目的 观察平扫CT影像组学鉴别肺炎型黏液腺癌(PTMA)与大叶性肺炎(LP)的价值。方法 回顾性分析57例PTMA(PTMA组)和129例LP患者(LP组),按7∶3比例将其纳入训练集(n=131)和测试集(n=55)。比较组间患者临床资料，筛选临床特征，构建临床模型；勾画病灶ROI,提取其影像组学特征，建立影像组学模型；基于临床特征及影像组学特征建立列线图模型。观察3种模型鉴别PTMA与LP的效能。结果 组间患者年龄和呼吸道症状占比差异均有统计学意义(P均<0.05)。临床模型鉴别训练集和测试集PTMA与LP的曲线下面积(AUC)分别为0.784和0.909。最终纳入16个影像组学特征建立影像组学模型，其在训练集和测试集鉴别PTMA与LP的AUC分别为0.909和0.870;列线图模型的AUC分别为0.939和0.933。影像组学模型及列线图模型在训练集鉴别PTMA与LP的AUC均大于临床模型(P均<0.05)。结论 平扫CT影像组学有助于鉴别PTMA与LP。     

机器学习鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌

目的 探讨基于影像组学特征构建的机器学习模型鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌的可行性。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患者，其中浸润性腺癌32例，非浸润性腺癌55例（原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾画ROI，A.K.软件提取影像组学特征。筛选有意义的特征参数，以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）及逻辑回归（LR）3种机器学习模型，采用十折交叉验证法得到最优模型，绘制ROC曲线，评价3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、LR 3种机器学习模型可有效鉴别浸润性腺癌与非浸润性腺癌，准确率分别为93.30%、86.70%和83.30%，AUC分别为0.94、0.92和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，可于术前有效鉴别肺浸润性腺癌与非浸润性腺癌。     

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。     

基于非下采样双树复轮廓波变换的小波纹理特征识别肺良恶性结节CT图像

目的 观察基于非下采样双树复轮廓波变换（NSDTCT）的小波纹理特征在识别肺良恶性结节CT图像中的应用价值。方法 从肺结节患者的CT图像中分别提取基于NSDTCT和基于Contourlet变换的小波纹理参数,对高维纹理参数采用单因素分析、Lasso回归等方法进行降维。对降维后的纹理参数分别构建诊断良恶性肺结节的支持向量机分类诊断模型,绘制ROC曲线,比较2种方法的诊断效能。结果 采用NSDTCT方法,基于经Lasso降维且自变量数目较少的纹理参数构建的诊断模型分类效果最好,判断良恶性肺结节的准确率为98.37%,AUC为1.00;采用Contourlet变换方法,基于全部提取纹理参数构建的模型分类效果最好,诊断准确率为56.05%,AUC为0.73;2个模型的ROC曲线的AUC差异有统计学意义（Z=6.430,P<0.001）。结论 基于NSDTCT的纹理分析方法对判断良恶性肺结节的准确性较高。     

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。     

基于增强CT影像组学特征预测难治性恶性黑色素瘤肺转移患者的免疫治疗疗效

目的探讨基于胸部增强CT影像组学特征预测免疫治疗用于难治性恶性黑色素瘤肺转移疗效的价值。方法回顾性分析49例难治性恶性黑色素瘤肺内转移患者,均接受程序性死亡受体(PD-1)单抗免疫治疗,采用实体瘤疗效评价标准(RECIST)1.1评价疗效,并将患者分为进展组(n=17)和未进展组[n=32,包括稳定组(n=16)及部分缓解组(n=16)]。提取免疫治疗前增强CT图像中肺转移病灶信息,以3D-Slicer软件手动逐层勾画整个病灶并进行分割;采用Pyradiomics程序提取病灶形状特征、灰度一阶特征、纹理特征和小波特征,以Pearson相关性分析和递归式特征消除策略进行降维。以支持向量机(SVM)方法建立分类模型,预测病变进展的可能性。绘制受试者工作特征(ROC)曲线,评价模型预测进展组、非进展组的效能。结果对每个靶病灶提取841个增强CT影像组学特征,最终筛选出3个影像组学纹理特征,分别为wavelet-HHH_glszm_Low Gray Level Zone Emphasis、wavelet-HHL_first order_Skewness和wavelet-LLL_gldm_Small Dependence High Gray Level Emphasis,用于构建影像组学模型。模型预测训练组病变进展的曲线下面积(AUC)为0.913[95%CI(0.777,1.000)],测试组为0.860[95%CI(0.643,1.000)];预测训练组病变进展的敏感度、特异度、准确率、阳性预测值和阴性预测值分别为83.3%、95.5%、91.2%、90.9%和91.3%,测试组分别为80.0%、80.0%、80.0%、66.7%和88.9%。结论基于治疗前胸部增强CT影像组学特征建立的模型对恶性黑色素瘤肺转移免疫治疗疗效具有较好预测价值。     

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。     

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。     

CT纹理分析鉴别诊断血液病并发侵袭性肺曲霉病或肺毛霉菌病

目的 观察CT纹理分析鉴别诊断血液病并发侵袭性肺曲霉菌病(IPA)或肺毛霉菌病(PM)的价值。方法 回顾性分析111例血液病患者的胸部CT,其中65例合并IPA(IPA组),46例合并PM(PM组)。采用IBEX软件分析CT图像,手动勾画病灶ROI,并提取纹理特征参数,计算特征值;比较组间纹理特征值差异,选取差异有统计意义的纹理特征参数,采用受试者工作特征(ROC)曲线分析其鉴别诊断IPA与PM的效能。结果 共于2组提取979个CT纹理特征参数,其中繁忙度(Busyness)、粗糙度(Coarseness)、纹理强度(TextureStrength)及表面密度(SurfaceAreaDensity)的特征值组间差异均有统计学意义。ROC曲线分析结果显示,TextureStrength的曲线下面积(AUC)最大(0.807),敏感度76.52%,特异度82.69%;多参数联合分析显示,联合应用4个参数的AUC最大(0.915),敏感度87.01%,特异度96.83%。结论 CT纹理分析可用于鉴别血液病并发IPA或PM,多参数联合可提高其诊断效能。