基于超声特征构建列线图鉴别乳腺放射状瘢痕与浸润性导管癌

目的 构建基于超声特征的列线图鉴别乳腺放射状瘢痕(RS)与浸润性导管癌(IDC)。方法 回顾性分析48例乳腺RS及160例IDC患者临床和超声资料,通过随机抽样按7∶3比例分为训练集(33例RS和112例IDC患者)与验证集(15例RS和48例IDC患者)。对临床及超声特征进行单因素和多因素分析,基于多因素回归分析建立预测RS和IDC的列线图。通过校准曲线、受试者工作特征(ROC)曲线评价列线图的预测效能,使用决策曲线分析(DCA)评估其临床应用价值。结果 训练集中,年龄、病灶最大径及高回声晕是鉴别乳腺RS与IDC的独立预测变量;基于上述变量构建列线图及ROC曲线。校准曲线显示列线图的一致性较好,列线图在训练集与验证集的曲线下面积(AUC)分别为0.820(95%CI:0.742～0.898)、0.861(95%CI:0.771～0.951)。DCA结果显示,鉴别两类疾病在多数合理阈值概率,使用列线图预测比不使用更能让患者在临床获益。结论 基于超声特征构建的列线图可以较准确地鉴别乳腺RS与IDC,为临床决策提供一定的参考依据。     

基于灰阶超声影像组学在鉴别膀胱尿路上皮癌病理分级中的应用价值

目的 通过灰阶超声影像组学特征鉴别膀胱尿路上皮癌病理分级。方法 回顾性分析2016年4月～2023年5月山西白求恩医院153例经病理证实的膀胱尿路上皮癌患者。灰阶超声图像手工勾画肿瘤感兴趣区并提取组学特征,LASSO特征降维后采用3种机器学习方法建模并选出最优影像组学模型。采用ROC曲线对模型性能评估,采用Hosmer-Lemeshow适合度检验评价模型的拟合度,并绘制校正曲线,采用决策曲线分析进一步探讨模型的临床应用价值。结果 3种机器学习模型中的支持向量机算法模型性能表现最优,此模型在训练集和测试集的曲线下面积分别为0.858(95%CI:0.787～0.928)和0.832(95%CI:0.708～0.936),校准曲线显示出良好的一致性。决策曲线分析结果显示具有较高的净收益。结论 基于灰阶超声影像组学在鉴别膀胱尿路上皮癌病理分级具有术前诊断价值,有助于临床精准诊疗。     

超声影像组学标签对乳腺癌腋窝淋巴结转移的预测价值

目的探讨基于常规超声的影像组学特征预测乳腺癌腋窝淋巴结转移的应用价值。 方法回顾性收集2020年1月至2020年10月于中山大学肿瘤防治中心就诊经手术病理确诊的265例乳腺癌患者的临床资料和术前超声图像,按超声检查时间顺序,将患者分为训练集（159例）和验证集（106例）。应用ImageJ软件手动勾画病灶区域,使用Pyradiomics从每个病灶区域中提取影像组学特征,采用多种方法逐步筛选特征,应用Logistic回归构建预测乳腺癌腋窝淋巴结转移的超声影像组学标签。在训练集和验证集上采用ROC曲线、校准曲线和决策曲线评估超声影像组学标签预测乳腺癌腋窝淋巴结转移的效能。 结果最终筛选出8个关键超声影像组学特征用于构建超声影像组学标签。该标签在训练集和验证集中预测乳腺癌腋窝淋巴结转移的ROC曲线下面积分别为0.805（95%CI：0.734~0.876）、0.793（95%CI：0.706~0.880）。在校准曲线中,该标签在训练集和验证集均表现出较好的校准度（P=0.592、0.593）,决策曲线分析进一步表明了该标签具有一定的临床实用性。 结论基于超声的影像组学标签在预测乳腺癌腋窝淋巴结转移方面具有一定价值,可为治疗前乳腺癌的准确分期以及治疗方案的合理选择提供参考依据。     

灰阶超声影像组学鉴别诊断皮下组织血管瘤与卡波西型血管内皮瘤

目的 观察灰阶超声影像组学鉴别诊断皮下组织血管瘤(HE)与卡波西型血管内皮瘤(KHE)的价值。方法 回顾性分析143例皮下组织HE和70例KHE共252处病灶,按7∶3比例将病灶随机分为训练集(n=176)和验证集(n=76);提取病灶灰阶超声影像组学特征,构建影像组学模型,结合临床资料建立联合模型,观察各模型鉴别诊断皮下组织HE与KHE的效能。结果 共选取22个系数非零的稳定特征。影像组学模型鉴别训练集皮下组织HE与KHE的曲线下面积(AUC)、准确率、敏感度、特异度、阳性预测值及阴性预测值分别为0.91[95%CI(0.89,0.93)]、91.41%、83.20%、93.92%、95.79%及89.00%;用于验证集分别为0.85[95%CI(0.83,0.87)]、90.78%、79.32%、97.90%、96.71%及88.68%。联合模型鉴别训练集皮下组织HE与KHE的AUC、准确率、敏感度、特异度、阳性预测值及阴性预测值分别为0.94[95%CI(0.92,0.96)]、94.33%、90.77%、96.38%、94.23%及94.90%;用于验证集分别为0.90[95%...     

基于超声影像组学特征列线图模型术前鉴别早期与中晚期宫颈鳞癌

目的 观察基于经阴道超声影像组学特征建立的列线图模型术前鉴别早期与中晚期宫颈鳞癌的价值。方法 回顾性收集经术后病理证实的227例宫颈鳞癌患者,利用3D-Slicer软件于术前经阴道声像图中勾画ROI,提取并经冗余性分析、最小绝对收缩和选择算子(LASSO)和10折交叉验证筛选影像组学特征,构建影像组学模型并得到Radscore评分;利用多因素logistic回归纳入Radscore及临床资料构建列线图模型。比较2个模型术前鉴别早期与中晚期宫颈鳞癌的受试者工作特征曲线下面积(AUC);评估列线图模型的校准度及临床收益。结果 最终纳入18个超声影像组学特征;以之构建术前鉴别早期与中晚期宫颈鳞癌的影像组学模型在训练集和验证集的AUC分别为0.839和0.744;联合年龄、流产次数及Radscore评分构建的列线图模型在训练集和验证集的AUC分别为0.882和0.773。DeLong检验结果显示,上述2模型在训练集的AUC差异有统计学意义(P＜0.05)。Hosmer-Lemeshow检验显示,列线图模型在训练集和验证集的校准度均佳(χ²=5.053、7.063,P均＞0.05);决策曲线分析(DCA)显示其在0.01~1.00阈值区间净收益相对较大。结论 基于经阴道超声影像组学特征的列线图模型可于术前较好地鉴别早期与中晚期宫颈鳞癌。     

基于超声特征构建列线图预测涎腺多形性腺瘤的肿瘤间质比

目的 构建基于超声特征的列线图预测涎腺多形性腺瘤(SPA)的肿瘤间质比(TSR)。方法 回顾性分析169例SPA患者临床和超声资料,并根据病理结果分为低间质组(TSR<40%)与高间质组(TSR≥40%)。利用最小绝对收缩与选择算子回归进行特征选择,多因素Logistic回归筛选预测SPA-TSR的独立影响因素,建立列线图模型。通过校准曲线、受试者工作特征(ROC)曲线评价列线图的预测效能,使用决策曲线分析(DCA)评估其临床应用价值。结果 病灶最大径、形态、囊性成分及血流信号是SPA-TSR的独立影响因素;基于上述变量构建列线图及绘制ROC曲线。列线图的曲线下面积(AUC)为0.785(95%CI:0.716～0.855),校准曲线显示列线图的一致性较好。DCA结果显示列线图具有临床价值。结论 基于超声特征构建的列线图可以较准确地预测SPA-TSR,为临床决策提供一定的参考依据。     

超声影像组学在鉴别诊断甲状旁腺腺瘤和甲状旁腺增生中的价值

目的 探讨超声影像组学方法在鉴别诊断甲状旁腺腺瘤（PA）和甲状旁腺增生（PH）中的临床应用价值。方法 选取2019年1月至2023年6月我院收治的133例甲状旁腺功能亢进症患者（共181枚病灶）,其中腺瘤66例（67枚）,增生67例（114枚）,比较两组临床资料及病灶常规超声特征。所有病灶按7:3分为训练集（126枚）和验证集（55枚）,基于灰阶超声图像勾画感兴趣区（ROI）并提取影像组学特征。应用最小绝对收缩和选择算子（LASSO）回归筛选特征并构建影像组学模型;应用多因素Logistic回归筛选重要的常规超声特征并构建常规超声模型;应用多因素Logistic回归构建基于影像组学特征和常规超声特征的联合模型。绘制受试者工作特征曲线（ROC）以评估各模型的效能并在验证集中进行验证;绘制校准曲线分析影像组学模型和联合模型预测结果与实际结果的一致性。结果 基于LASSO算法筛选出8个影像组学特征用于构建影像组学模型。单因素和多因素Logistic回归分析显示,病灶最大径、外周线状高回声和极性供支血管征为鉴别PA和PH的重要常规超声特征（均P＜0.05）。在训练集和验证集中,影像组学模型曲线下面积（AUC）分别为0.764和0.750,常规超声模型AUC分别为0.812和0.838,联合模型AUC分别为0.825和0.856。联合模型AUC在训练集和验证集中均高于影像组学模型,差异均有统计学意义（均P＜0.05）;其余各模型间AUC比较差异均无统计学意义。结论 影像组学联合模型能较准确地鉴别甲状旁腺腺瘤和甲状旁腺增生,可为临床制定手术方案提供一定的参考价值。     

基于超声造影影像组学预测局部进展期直肠癌新辅助放化疗病理完全缓解的应用研究

目的评估基于超声造影的影像组学模型对局部进展期直肠癌(LARC)患者新辅助放化疗(nCRT)后病理完全缓解(pCR)的预测效能。方法本研究回顾性纳入2018年4月至2023年4月在广西医科大学第一附属医院接受nCRT后行全直肠系膜切除的106例LARC患者, 以6∶4随机划分为训练集63例(pCR者14例)和验证集43例(pCR者12例)。基于PyRadiomics从超声造影图像肿瘤感兴趣区域提取影像学特征。采用类内相关系数、Mann-WhitneyU检验、最小绝对收缩和选择算子算法对特征进行降维。最后选取7个与pCR相关的影像学特征, 基于R语言使用弹性网络回归构建超声造影影像组学模型, 并与临床特征融合构建一个联合模型。采用ROC曲线下面积(AUC)评估模型的诊断效能。结果训练集中, 超声造影影像组学模型的AUC为0.695(95%CI=0.532～0.859), 联合模型的AUC为0.726(95%CI=0.584～0.868)。验证集中, 超声造影影像组学模型的AUC为0.763(95%CI=0.625～0.902), 联合模型的AUC为0.790(95%CI=0.653～0....     

超声影像组学在腮腺多形性腺瘤与腺淋巴瘤鉴别诊断中的应用价值

目的：探讨超声影像组学对腮腺多形性腺瘤及腺淋巴瘤鉴别诊断能力。方法：回顾性收集2016年1月-2021年9月于皖南医学院第一附属医院（弋矶山医院）经手术病理证实的133例多形性腺瘤和99例腺淋巴瘤的超声图像及临床相关资料。按7∶3的比例分为训练集162例、验证集70例。利用ITK-SNAP软件上手动勾画肿瘤的感兴趣区（Region Of Interest，ROI），采用Pyradiomics 软件提取二维超声腮腺病灶影像组学定量特征，将提取特征正则化，采用Spearman相关分析，再使用选择最小绝对收缩与选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）模型，筛选出最佳特征。分别采用支持向量机（SVM）、K紧邻（KNN）、决策树（Decision tree）三种机器学习算法根据筛选的最佳特征构建超声影像组学模型，建立对多形性腺瘤和腺淋巴瘤鉴别诊断能力。绘制受试者操作特征（Receiver Operating Characteristic，ROC）曲线评价鉴别各个模型诊断的效能。采用Delong检验评估模型的差异，应用决策曲线分析（DCA）评估模型的临床应用价值。结果：超声影像组学鉴别腮腺常见的良性肿瘤时，提取影像组学21个特征，利用SVM、KNN、Decision tree算法所构建模型鉴别效能AUC、灵敏度、特异度、准确度分别是：0.848、0.842、0.814、0.826；0.721、0.947、0.481、0.652；0.620、0.684、1.000、0.608。通过DeLong检验发现SVM算法优于其他两种算法所构建的模型。结论：超声影像组学利用机器算法可以用于多形性腺瘤与腺淋巴瘤的鉴别。     

基于超声影像组学及临床特征的可解释性机器学习模型预测乳腺癌新辅助化疗疗效

目的 探讨基于乳腺癌原发灶超声影像组学特征联合临床病理因素构建的机器学习模型预测乳腺癌新辅助化疗(NAC)病理完全缓解的临床价值。方法 回顾性纳入272例术前接受NAC治疗且有病理检查结果的乳腺癌患者,从超声图像中提取并筛选影像组学特征后构建影像组学评分,基于多因素Logistic回归分析、XGBoost、决策树、随机森林、支持向量机等机器学习算法,评分联合临床病理特征构建乳腺癌患者NAC疗效的预测模型并对模型性能加以验证。结果 受试者工作特征曲线显示,基于随机森林算法构建的联合模型预测性能最佳(训练集AUC:0.855,测试集AUC:0.844)。决策曲线分析表明,随机森林模型具有更高的临床获益。SHAP分析显示,对模型预测结果贡献程度最大的3个变量依次为影像组学评分值、Her-2、ER。结论 基于超声影像组学特征构建的机器学习模型可协助评估乳腺癌患者NAC疗效,随机森林模型在诊断性能和临床实用性方面表现最佳。     

基于超声影像组学联合临床病理学特征预测乳腺癌Ki-67表达状态

目的探讨基于超声影像组学联合临床病理学特征预测乳腺癌患者肿瘤增殖细胞核抗原67(Ki-67)表达状态的可行性。方法回顾性分析2018年1月至2022年2月在南京医科大学附属常州第二人民医院接受二维超声和Ki-67检查的乳腺癌患者。其中来自城中院区的427例患者按照8∶2的比例随机划分为训练集和验证集, 来自阳湖院区的229例患者作为独立的外部测试集。从二维超声图像的感兴趣区域提取影像组学特征, 采用Mann-WhitneyU检验、递归特征消除以及最小绝对收缩和选择算子进行特征降维并建立影像组学评分(Rad-score)。随后, 采用单/多因素逻辑回归分析, 根据Rad-score和临床病理学特征构建联合预测模型。使用ROC曲线下面积(AUC)、校准曲线和决策曲线分析以评估模型性能和实用性。结果联合模型在训练、验证和测试集中预测乳腺癌Ki-67表达状态的AUC分别为0.858、0.797、0.802, 均优于影像组学(0.772、0.731、0.713)和临床模型(0.738、0.750、0.707)。校准曲线和决策曲线分析表明联合模型具有良好的校准度和临床价值。结论基于超声影像组学和临...     

自动乳腺全容积扫描影像组学联合临床和超声特征列线图鉴别良、恶性乳腺导管内病变

目的 观察自动乳腺全容积扫描(ABVS)影像组学联合临床及超声特征列线图鉴别良、恶性乳腺导管内病变的价值。方法 回顾性分析144例经病理证实乳腺导管内病变女性患者的临床及超声资料;按照2 ∶ 1比例将其随机分为训练集(n=96)及验证集(n=48)。基于ABVS图像提取并筛选最优影像组学特征,构建影像组学模型,计算影像组学评分(Radscore);将临床、超声特征及Radscore纳入单因素和多因素logistic回归分析,筛选鉴别良、恶性乳腺导管内病变的独立影响因素,构建临床-超声模型,并联合影像组学模型构建列线图模型;以受试者工作特征(ROC)曲线评估各模型鉴别良、恶性乳腺导管内病变的效能。结果 患者年龄 、病变边缘 、微小钙化灶 及Radscore 均为良、恶性乳腺导管内病变的独立影响因素。影像组学模型、临床-超声模型及列线图模型鉴别良、恶性乳腺导管内病变的曲线下面积(AUC)在训练集分别为0.766、0.866及0.901,在验证集分别为0.770、0.765及0.854。结论 ABVS影像组学联合临床及超声特征列线图鉴别良、恶性乳腺导管内病变效能良好。     

超声组学在腮腺混合瘤和Warthin瘤鉴别诊断的应用研究

目的探讨超声组学鉴别腮腺混合瘤和Warthin瘤的价值。方法选取38例混合瘤及20例Warthin瘤患者作为研究对象。基于感兴趣区的勾选,从腮腺肿瘤的超声图像中提取超声组学特征。通过假设检验及套索回归,从所选特征构建预测模型并评估其诊断效能。结果通过特征提取共获得5 936个超声组学特征。通过假设检验及套索回归,最终纳入2个特征用于诊断模型的构建。超声组学评分模型在训练组的曲线下面积(area under curve, AUC)为0.91,灵敏度为94.1%,特异度为83.3%;验证组的AUC为0.88,灵敏度为100%,特异度为78.6%。结论基于超声的影像组学评分对鉴别腮腺混合瘤和Warthin瘤具有良好的诊断效能。     

基于CT皮质期影像组学预测肾细胞癌亚型的研究

目的：探讨基于CT皮质期影像组学鉴别肾透明细胞癌(ccRCC)和非透明细胞癌(non-ccRCC)的价值。方法：回顾性分析2017年1月—2022年12月经病理证实的122例肾细胞癌患者的资料,其中ccRCC 82例,non-ccRCC 40例,并以随机数表法按7∶3的比例将患者分成训练集(n=85)和验证集(n=37)。在CT皮质期手工逐层勾画肿瘤感兴趣区(ROI)后提取影像组学特征,使用特征间线性相关检查和F检验依次进行特征筛选,采用逻辑回归分类器构建影像组学模型。采用t检验、χ²检验及Logistic回归分析筛选CT影像特征,建立常规影像模型。综合影像组学评分和常规影像模型建立联合模型。绘制ROC曲线评估各模型的预测效能,AUC比较采用Delong检验。结果：影像组学模型在训练集和验证集中的AUC分别为0.990(95%CI 0.976～1.0)和0.890(95%CI 0.774～1.0)。在训练集和验证集中,影像组学模型和联合模型的预测效能均优于常规影像模型,差异有统计学意义(P均<0.05);相比联合模型,在验证集中影像组学模型的预测效能略高,但...     

基于临床联合CT影像组学特征列线图预测急性胰腺炎预后

目的 观察基于临床联合CT影像组学特征构建的联合模型列线图预测急性胰腺炎(AP)预后的价值。方法 回顾性分析203例临床首诊AP患者的临床及上腹部CT资料,按7∶3比例将其分为训练集(n=142)和验证集(n=61),基于增强静脉期CT提取并筛选最优影像组学特征,计算影像组学评分Radscore;根据预后分为预后良好组(n=114)与预后不良组(n=89)。将临床变量(包括临床及CT表现)及Radscore纳入单因素和多因素逻辑回归分析,筛选影响AP预后的独立危险因素;构建临床、影像组学和联合模型,以受试者工作特征(ROC)曲线评价其预测AP预后的效能;以联合模型预测指标构建列线图,结合校准曲线评估其校准度。结果 共筛选出7个最优影像组学特征用于计算Radscore,其中C反应蛋白、糖尿病史和Radscore为影响AP预后的独立危险因素。联合模型预测训练集及验证集AP预后的AUC(0.84、0.82)均高于临床模型(0.71、0.66,Z=3.12、2.71,P均<0.05);其预测训练集的AUC(0.84)高于影像组学模型(0.76,Z=2.39,P=0.02),预测验证集的A...     

超声影像组学对BI-RADS 4a类不规则乳腺结节良恶性的鉴别价值

目的 探讨超声影像组学对BI-RADS 4a类不规则乳腺结节良恶性的鉴别价值,并结合影像组学、超声特征及临床独立危险因素特征建立列线图,评估其在减少不必要活检中的价值。方法 回顾性收集常规超声检查筛选出的BI-RADS 4a类不规则乳腺结节905例,随机分为训练队列（n=634）和验证队列（n=271）,比例为7∶3。共收集851个影像组学特征,以手术病理结果为金标准,通过Logistic回归模型构建影像组学模型,同时利用单因素逻辑分析及多因素逻辑分析结合影像组学特征、超声特征及临床独立危险因素建立影像组学模型,通过ROC曲线评估影像组学模型及列线图模型对超声BI-RADS 4a类形态不规则乳腺结节的诊断效能。结果 905例不规则乳腺结节中,恶性结节485个,良性结节420个;患者年龄22～83(50.05±11.13)岁,训练队列及验证队列的年龄、Rad-score值、肿块直径等结果差异无统计学意义（P>0.05）;训练队列影像组学模型AUC值为0.927(95%CI:0.900～0.950),验证队列影像组学模型AUC值为0.946(95%CI:0.908～0.976),该模...     

基于18F-FDG PET/CT影像组学构建术前预测卵巢上皮癌淋巴结转移风险模型研究

目的:旨在结合临床特征构建基于PET/CT的影像组学模型,预测卵巢上皮癌淋巴结转移风险。方法:回顾性分析2017年1月—2020年11月接受肿瘤细胞减灭术的卵巢上皮癌患者275例,按照7∶3的比例随机划分为训练组(189例)和验证组(86例)。由两名经验丰富的放射科医生进行手工感兴趣区的勾画并提取组学特征。单变量分析筛选组学特征,Lasso回归分析分别构建基于PET及CT图像组学特征的组学标签。通过多因素Logistic回归分析构建模型,共构建三个模型:临床模型,临床+PET标签模型,临床+CT标签模型。通过受试者工作曲线、校准曲线及净重分类指数对上述模型进行评估,最佳模型构建列线图。结果:Lasso回归分析建立了PET及CT的组学标签,训练组中临床特征+CT组学标签模型的预测能力最好,AUC为0.726(95%CI 0.654~0.797),敏感度0.705,特异度0.667。而在验证组中临床特征+PET组学标签模型预测能力最好,AUC为0.713(95%CI 0.602~0.825),敏感度0.750,特异度为0.652,远高于其他模型。三个模型校准图显示临床特征+PET组学标签的模型在训练组和验证组中均有良好的校准度。临床特征+PET组学标签的模型泛化能力可能更强,我们为这个模型构建了列线图。结论:与单独使用临床特征相比,整合PET/CT的影像组学标签至模型中,可以提高模型诊断准确性并提供互补信息。在研究中构建的影像组学模型列线图是预测卵巢上皮癌患者淋巴结转移风险及高级别浆液性癌无进展生存的有效工具。     

上气道形态学参数联合临床特征列线图模型诊断儿童阻塞性睡眠呼吸暂停

目的 观察以上气道形态学参数联合临床特征建立的列线图模型诊断儿童阻塞性睡眠呼吸暂停(OSA)的效能。方法 收集355例接受睡眠监测及鼻咽部CT检查的≤10岁儿童的影像学及临床资料,按7∶3比例将其随机归入训练集(n=248)或验证集(n=107);其中237例确诊OSA。以训练集中的OSA为结局变量,采用单因素及多因素logistic回归分析筛选OSA影响因素,建立OSA列线图模型;以受试者工作特征(ROC)曲线、校准曲线和决策曲线分析(DCA)评价该模型诊断儿童OSA的效能。结果 单因素及多因素logistic回归分析显示,上气道最狭窄处左右径、腺样体形态和睡眠打鼾病程是OSA的独立影响因素(P均<0.05)。以上述3个变量构建OSA列线图模型,ROC曲线显示其诊断OSA的曲线下面积(AUC)为0.93[95%CI(0.89,0.96)]。以Bootstrap法行内部验证,校准曲线的平均绝对误差为0.01;于验证集进行外部验证,其AUC为0.85[95%CI(0.78,0.93)],校准曲线的平均绝对误差为0.02。DCA示训练集和验证集的净收益率均高于无效线。结论 基于上气道...     

垂体相关临床及MRI影像组学特征联合列线图鉴别特发性中枢性性早熟与单纯乳房早发育

目的 观察垂体相关临床及MRI影像组学特征联合列线图鉴别特发性中枢性性早熟(ICPP)与单纯乳房早发育(PT)的价值。方法 纳入67例ICPP及51例PT共118例患儿,按照7 ∶ 3比例随机分为训练集(n=83)和验证集(n=35),记录其垂体相关临床资料,以多因素logistic回归分析筛选并建立临床模型。采集垂体MRI,基于矢状位T1WI提取垂体影像组学特征,以最大相关最小冗余、最小绝对收缩和选择算子及多因素logistic回归筛选最佳影像组学特征,构建影像组学模型。联合应用临床、MRI及影像组学特征构建列线图模型。绘制受试者工作特征曲线,评估模型鉴别诊断效能;以决策曲线分析(DCA)观察临床获益度。结果 训练集ICPP与PT患儿年龄、骨龄、体质量、黄体生成素(LH)基础值、卵泡刺激素基础值及垂体高度差异均有统计学意义(P均＜0.05)。骨龄及LH基础值是鉴别ICPP与PT的独立因素(OR=1.807、1.422,P均＜0.05),以之建立的临床模型鉴别训练集、验证集ICPP与PT的曲线下面积(AUC)分别为0.849和0.812。共提取垂体1 781个影像组学特征,于其中筛选出1个形态特征、1个一阶特征及1个灰度区域大小矩阵特征建立影像组学模型,其鉴别训练集和验证集ICPP与PT的AUC分别为0.956和0.947。基于最终得出的2个临床及3个垂体MRI影像组学特征构建的列线图模型鉴别训练集、验证集ICPP与PT的AUC分别为0.981、0.977,均优于临床模型(P均＜0.05),而与影像组学模型差异无统计学意义(P均＞0.05)。一定危险阈值范围内,列线图模型净收益最大。结论 基于垂体相关临床及MRI影像组学特征建立的联合列线图模型用于鉴别ICPP与PT具有较高价值。     

基于CT影像组学鉴别局灶性隐源性机化性肺炎与肺腺癌

目的 基于影像组学建立列线图鉴别局灶性隐源性机化性肺炎（FCOP）与肺腺癌（LA）。方法 回顾性搜集77例FCOP与77例LA的影像及临床资料,按照7∶3随机分为训练集106例和验证集48例。采用A.K.软件提取组学特征,降维后获得影像组学标签,建立列线图,并评估模型的诊断效能、校准度及临床应用价值。结果 11个高度相关的组学特征构建影像组学标签,并联合癌胚抗原（CEA）建立列线图,训练集和验证集的受试者工作特征曲线（ROC）下面积均为0.84,且具有较高的校准度及临床应用价值。结论 基于CT影像组学特征建立的列线图能较好地用于鉴别FCOP与LA。