多模态超声列线图模型鉴别BI-RADS 4类乳腺病变良恶性的临床价值

目的 建立基于临床资料、剪切波弹性成像参数和超声影像组学的列线图模型,探讨其鉴别BI-RADS 4类乳腺病变良恶性的效能。方法 回顾性收集2017年12月至2023年6月3家医院共403例BI-RADS 4类乳腺病变患者的临床资料、剪切波弹性成像及病理检查结果,以2017年12月至2019年6月南京鼓楼医院和2019年6月至2019年12月安徽医科大学第一附属医院共283个乳腺病灶为训练集,2022年4月至2023年6月北京世纪坛医院120个乳腺病灶为验证集,按病理结果,将训练集和验证集分为良性组和恶性组。通过提取病灶灰阶超声影像组学特征计算影像组学评分（Rad-score）。采用单因素及多因素Logistic回归分析鉴别BI-RADS 4类乳腺病变良恶性的影响因素,构建预测模型并绘制列线图,采用受试者工作特征（ROC）曲线、校准曲线及临床决策曲线评估该模型的效能。结果 经过特征提取及筛选,最终纳入13个影像组学特征用于计算Rad-score,验证集良、恶性组Rad-score分别为[-1.07 (-1.64, -0.37)分、0.07（-0.3,0.56）分],二者比较差异有统计学意义（Z=514,P<0.001）。多因素Logistic回归分析显示年龄（OR值：1.107,P<0.001）和最大剪切波速度（SWVmax）（OR值：3.919,P<0.001）及Rad-score（OR值：4.18,P<0.001）是预测乳腺恶性病变的独立影响因素。基于以上3个因素构建的列线图模型在训练集中及验证集中鉴别BI-RADS 4类乳腺病变良恶性的ROC曲线下面积均高于SWVmax和Rad-score（均P＜0.001）,且拟合度均良好（均P＞0.05）;在验证集中使用列线图模型预测BI-RADS 4类病变能获得更高的临床收益,将非必要穿刺活检率降低了61.16%。结论 基于患者年龄、SWVmax及Rad-score构建的列线图模型能有效预测BI-RADS 4类乳腺病变良恶性,降低非必要穿刺活检率,有一定的临床价值。     

基于乳腺二维超声及自动乳腺容积扫描构建影像组学及列线图模型预测乳腺癌分子分型

目的 观察基于乳腺二维超声及自动乳腺容积扫描(ABVS)构建的影像组学及列线图模型预测乳腺癌分子分型的价值。方法 回顾性分析326例经病理证实的女性单发乳腺癌患者资料,以8∶2比例将其分为训练集(n=260)及验证集(n=66),根据免疫组织化学结果划分Luminal与非Luminal亚组;基于乳腺二维超声及ABVS图像提取影像组学特征构建相应模型及联合模型。采用单因素及多因素logistic回归分析筛选乳腺癌分子分型的独立预测因素,联合影像组学评分构建列线图模型。绘制受试者工作特征(ROC)曲线,评估各模型预测乳腺癌分子分型的效能。结果 肿瘤最大径(OR=1.029)及有无汇聚征(OR=0.408)均为乳腺癌分子分型的独立预测因素(P均<0.05)。二维超声、ABVS、联合影像组学模型及列线图模型预测验证集乳腺癌分子分型的曲线下面积(AUC)分别为0.67、0.75、0.84及0.83,其中,联合影像组学模型与列线图模型AUC差异无统计学意义(P>0.05)并均高于二维超声及ABVS模型(P均<0.05)。结论 基于二维超声及ABVS构建的联合影像组学模型及列线图模...     

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。     

影像组学和BI-RADS分类鉴别乳腺结节的效能比较

目的:对比影像组学和BI-RADS分类鉴别乳腺结节良恶性的效能;方法:收集2018年9月到2019年9月期间超声发现的、有明确病理结果的乳腺结节。利用影像组学技术建立影像组学标签,计算其敏感性、特异性和准确性,并与BI-RADS分类方法比较;结果:总共纳入112个结节(恶性n=37,良性n=75)。恶性结节的影像组学标签值高于良性结节,具有统计学差异(P0.001)。影像组学标签鉴别乳腺结节良恶性的最佳截断值为-0.52,对应的敏感性、特异性、准确性和ROC曲线下面积(AUC)分别为81.08%、84.00%、83.04%和0.91;BI-RADS分类分别为72.97%、92.00%、85.71%和0.84。两者的鉴别效能无统计学差异(AUC比较,P=0.08);结论:影像组学具备良好的乳腺结节良恶性鉴别效能。     

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。     

超声组学对乳腺BI-RADS 4类病变的良恶性鉴别诊断价值

【目的】探讨超声组学对乳腺BI-RADS 4类病变的良恶性鉴别诊断价值。【方法】前瞻性收集本院2018年6月至2019年12月期间乳腺超声发现的、有病理结果的BI-RADS 4类病变,共计223例。将研究人群按时间节点分为训练组（114例）和验证组（109例）。基于训练组病例建立乳腺病灶的超声组学评分指标。绘制超声组学评分的受试者工作特征（receiver operating characteristic,ROC）曲线,以曲线下面积（area under the curve,AUC）定量评估超声组学评分鉴别BI-RADS 4类病变良恶性的效能,计算其敏感性和特异性,并于验证组中验证其诊断效能。【结果】纳入的223个病例中,恶性占32.29%。训练组和验证组的恶性占比分别为28.95%、35.78%。超声组学评分在训练组和验证组的AUC及其95%置信区间分别为0.826（0.743-0.909）和0.810（0.723-0.898）。在训练组中,超声组学评分鉴别BI-RADS 4类病变良恶性的敏感性和特异性分别为78.79%和81.48%。在验证组中,其对应的敏感性和特异性分别为66.67%和82.86%。【结论】超声组学评分指标对乳腺BI-RADS 4类病变具备良好的鉴别诊断价值。     

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AUC （0.82）与影像组学模型（0.81）差异无统计学意义（Z=0.08,P>0.05）。校正曲线显示联合模型列线图的校准度良好。结论 基于临床联合CT影像组学特征列线图可有效预测AP预后。     

基于声像图特点及人口学特征建立模型预测乳腺影像报告和数据系统分级

目的 探讨基于声像图特点及人口学特征的Logistic回归模型预测乳腺影像报告和数据系统（BI-RADS）分级的价值。方法 回顾性分析5 324名女性体检者乳腺超声及人口学资料,采用多因素Logistic回归分析分别建立基于乳腺声像图特点的模型1及基于乳腺声像图特点和人口学特征的模型2,以ROC曲线分析2种模型对BI-RADS ≥ 4a级乳腺病变的预测效能。结果 超声示5 019名（5 019/5 324,94.27%）BI-RADS分级≤ 3级,305名（305/5 324,5.73%）存在BI-RADS分级≥ 4a级乳腺病变。结节数量、形态、回声、血流信号、年龄和体质量指数（BMI）是BI-RADS ≥ 4a级的独立预测因子（P均<0.05）。基于结节数量、形态、回声和血流信号构建回归模型1,其诊断BI-RADS ≥ 4a级的AUC为0.821（P<0.05）,特异度90.58%,敏感度61.25%,准确率88.13%。基于结节数量、形态、回声、血流信号、年龄和BMI构建回归模型2,其AUC为0.874（P<0.05）,特异度93.69%,敏感度68.75%,准确率91.80%。结论 基于声像图特点及人口学特征的模型对BI-RADS分级有一定预测价值。     

乳腺良恶性病变鉴别的MRI影像组学预测模型构建:基于随机森林、支持向量机、逻辑回归分类器

  目的  构建基于随机森林、支持向量机和逻辑回归分类器的MRI影像组学预测模型,对乳腺良恶性病变进行鉴别,并评估上述模型的诊断价值。  方法  回顾性分析在南方科技大学盐田医院进行MRI影像检查并获得手术病理的34例乳腺病变患者的动态增强MRI图像。按0.8∶0.2的比例将病例分为训练集（n=27）和测试集（n=7）。采用3D Slicer软件勾画乳腺病灶靶区并生成3D感兴趣体积,对每个感兴趣体积提取1037个影像组学特征,使用LASSO进行影像组学特征降维,然后在训练集中采用随机森林、支持向量机和逻辑回归等3种分类器分别构建乳腺良恶性病变的预测模型,并在测试集中进行评估。  结果  经LASSO降维后共选出6个影像组学特征标签进行建模,3种模型在训练集中的分类效果均非常好（曲线下面积>0.90）,其中稳定性最高的是基于逻辑回归分类器建立的乳腺良恶性病变影像组学预测模型。  结论  基于随机森林、支持向量机和逻辑回归的MRI影像组学预测模型在诊断乳腺良恶性病变方面都具有较好的诊断效能,其中逻辑回归模型更为稳定。影像组学方法可为乳腺良恶性病变的预测提供新的手段。      

基于T2加权成像的影像组学特征和临床特征模型在早期宫颈鳞状细胞癌深间质浸润中的诊断价值

  目的  初步探讨基于T2加权成像(T2-weighted imaging, T2WI)的影像组学特征联合患者临床特征构建的模型对早期宫颈鳞状细胞癌深间质浸润(deep stromal invasion, DSI)的诊断价值。  方法  回顾性纳入2017年1月至2021年2月在北京协和医院行根治性子宫切除术的早期宫颈鳞状细胞癌患者,并按8∶2的比例随机分为训练集和验证集。收集训练集患者的术前临床特征和矢状位T2WI图像影像组学特征资料,经筛选、特征降维后,采用Logistic回归分析法建立早期宫颈癌DSI诊断模型,包括临床特征模型、影像组学模型和临床-影像组学模型。基于验证集数据,采用受试者工作特征(receiver operating characteristic, ROC)曲线对上述模型的性能进行验证。  结果  共168例符合纳入和排除标准的早期宫颈鳞状细胞癌患者入选本研究。其中训练集135例,验证集33例;经组织病理学证实为浅间质浸润的患者72例,DSI患者96例。共筛选出患者年龄、术前鳞状细胞癌抗原水平、国际妇产科联盟分期3个临床特征和4个影像组学特征用于模型构建。ROC曲线分析显示,临床特征模型、影像组学模型和临床-影像组学模型诊断早期宫颈鳞状细胞癌DSI的曲线下面积分别为0.797(95% CI: 0.623~0.971)、0.793(95% CI: 0.633~0.954)和0.820(95% CI: 0.665~0.974),且以临床-影像组学模型的诊断效能最高,其灵敏度、特异度和准确度分别为85.7%(95% CI: 49.8%~100%)、73.7%(95% CI: 57.9%~100%)和78.8%(95% CI: 69.7%~93.9%)。  结论  基于T2WI图像的影像组学特征联合临床特征构建的临床-影像组学模型可作为一种无创的术前检查手段高效判断早期宫颈鳞状细胞癌间质浸润深度。     

MRI影像组学评估急性脑梗死患者临床预后的价值

  目的  研究讨论扩散加权成像（DWI）序列联合T2 Flair影像组学模型对急性基底节区脑梗死患者非溶栓治疗预后的临床价值。  方法  纳入2021年滨州医学院附属医院神经内科经过头颅MRI扫描的患者78例作为研究对象，患者均经临床症状及辅助检查证实为急性基底节区脑梗死。基于研究对象入院时和非溶栓治疗1周后出院时的改良Rankin量表评分变化，分成预后好组、预后差组。采用3D Slicer软件手动勾画DWI图像及T2 Flair图像高信号的梗死部位区域，采用Radiomics插件对所勾取的影像资料进行组学特征提取，结合患者出入院时的改良Rankin量表评分分别行单因素分析；再通过Logistic回归曲线算法进行多因素分析，利用ROC曲线分析各种因素的预测效能，评估研究对象的预后价值。  结果  DWI、T2 Flair序列双重组合影像组学模型，训练组的曲线下面积（AUC）为0.9189，测试组为0.7846。吸烟和组学积分是急性基底节区脑梗死非溶栓治疗后预后不良试组AUC为的独立危险因素，训练组ROC临床模型的AUC为0.6497，测试组为0.5468。训练组Nomogram模型的AUC为0.9297，测试组AU为0.8154。Nomogram模型与临床模型的差异、Nomogram模型与影像组学模型的差异均有统计学意义（P<0.05）。  结论  联合DWI、T2 Flair序列的影像组学模型可以评估急性脑梗死患者非溶栓治疗的预后，Nomogram模型比临床预测模型以及组学模型的预测效能更好。      

基于T2WI影像组学模型可预测低级别胶质瘤1p/19q的缺失状态

  目的  基于磁共振T2WI构建影像组学模型,预测低级别胶质瘤1p/19q缺失状态的价值。  方法  回顾性分析本院经病理证实的154例低级别胶质瘤患者（1p/19q共缺失100例,1p/19q非共缺失54例）,按照分层抽样7∶3分成训练集和验证集。使用3D-Slicer软件对肿瘤区域进行手动分割,用pyradiomics进行特征提取。临床资料的分析采用t检验/χ2检验;影像组学特征采用方差法和10折交叉验证的LASSO算法进行筛选,最后建立支持向量机、高斯朴素贝叶斯、K-近邻、逻辑回归模型,采用ROC曲线的曲线下面积值和sklearn分类报告中的参考指标（准确度、敏感度、特异性、F1分数）进行效能评价。  结果  4种模型中,支持向量机的曲线下面积值最高,训练集和验证集分别为0.95、0.91;参考指标中表现最佳为K-近邻,其准确度、敏感度、特异性及F1分数分别为0.87、0.97、0.70、0.91;其次为支持向量机,各项指标与模型平均值相当。  结论  基于T2WI影像组学模型可以有效地预测低级别胶质瘤1p/19q的缺失状态。      

CT影像组学模型预测膀胱癌术后1年复发的初步研究

  目的  探究基于CT图像的影像组学模型预测膀胱癌术后1年复发的可行性。  方法  回顾性纳入2014年5月至2018年7月于北京协和医院行手术治疗的膀胱癌患者,并对其进行随访,记录疾病复发状况。收集膀胱癌患者术前CT泌尿系成像实质期图像,经滤波处理后进行影像组学特征提取;采用JMIM特征选择算法识别与膀胱癌术后1年复发相关的最佳影像组学特征,采用随机森林模型、自适应增强模型、梯度提升树模型以及3个模型构成的组合模型构建膀胱癌术后1年复发的预测模型,并基于10次10折交叉验证法对各模型进行验证。采用受试者工作特征曲线对各模型的预测性能进行评定。  结果  共228例符合纳入和排除标准的膀胱癌患者入选本研究。随访1年时51例患者复发,177例患者未复发。经交叉验证,随机森林模型、自适应增强模型、梯度提升树模型和组合模型预测膀胱癌术后1年复发的曲线下面积分别为0.729(95% CI: 0.649~0.809)、0.710(95% CI: 0.627~0.793)、0.709(95% CI: 0.624~0.793)、0.732(95% CI: 0.651~0.812),准确度分别为76.8%(95% CI: 70.6%~82.0%)、73.7%(95% CI: 67.4%~79.2%)、61.8%(95% CI: 54.7%~67.7%)、75.0%(95% CI: 68.8%~80.4%),灵敏度分别为52.9%(95% CI: 38.6%~66.8%)、62.7%(95% CI: 48.1%~75.5%)、80.4%(95% CI: 64.3%~88.2%)、58.8%(95% CI: 44.2%~72.1%),特异度分别为83.6%(95% CI: 77.1%~88.6%)、76.8%(95% CI: 69.8%~82.7%)、56.5%(95% CI: 48.9%~63.9%)、79.7%(95% CI: 72.8%~85.2%)。  结论  有机结合基于CT图像构建的多个影像组学模型可预测膀胱癌术后1年的复发风险。     

食管鳞状细胞癌患者根治术后生存预测模型的建立与验证:一项多中心真实世界队列研究

  目的  建立并验证食管鳞状细胞癌患者根治术后生存预后预测模型与风险分级标准,为术后最优辅助治疗方案的确定提供真实世界证据。  方法  分别收集2011年5月31日至2018年7月31日在河南省安阳市肿瘤医院(安阳中心)和2009年8月1日至2018年12月31日在广东省汕头大学医学院附属肿瘤医院(汕头中心)连续就诊的食管鳞状细胞癌患者的临床数据和生存随访数据。以安阳中心数据集为建模集,采用基于多因素Cox比例风险回归逐步后退法和AIC准则(Akaike information criterion)的“两步法”构建总生存预测模型。通过Bootstrap重抽样1 000次对模型进行内部统计验证,在汕头中心数据集进行外部验证。根据列线图得分构建预后风险分级标准。  结果  建模队列和验证队列分别纳入4 171例和1 895例食管鳞状细胞癌患者。模型由年龄、性别、肿瘤原发位置、T分期、N分期、淋巴结清扫数、肿瘤大小、辅助治疗方案和术前血红蛋白水平9个变量组成。其中,N分期与辅助治疗方案存在显著交互作用(P＜0.001),即与单纯手术相比,N+期患者可能从辅助治疗中获益,但辅助治疗无法改善N0期患者的预后。建模队列的模型一致性指数(C-index)为0.728 (95% CI: 0.713~0.742),经Bootstrap内部验证后为0.722 (95% CI: 0.711~0.739),验证队列的模型C-index为0.679 (95% CI: 0.662~0.697)。校准图提示模型预测生存率与观测生存率一致性良好。在两个队列中模型准确性均显著高于第7版AJCC(American Joint Committee on Cancer)TNM分期系统(P＜0.05)。此外,在各TNM分期内部,该模型仍可实现理想的预后风险分层效果。  结论  本研究为我国食管鳞状细胞癌患者根治术后总生存提供了个体化预测模型,并揭示N分期可能是制订食管鳞状细胞癌患者术后辅助治疗方案的重要决定因素。     

基于卷积神经网络的病理活检胃癌诊断模型

  目的  基于深度学习技术,建立胃活检病理切片胃癌诊断模型,并对模型的性能进行评价。  方法  回顾性收集2015年1月—2020年1月浙江省人民医院胃活检诊断为正常胃黏膜、慢性胃炎、高级别上皮内瘤变和胃腺癌患者的病理切片。以20倍率扫描为全视野数字图像(whole slide image, WSI),并按2:2:1的比例随机分为图块分类数据集、切片分类训练集与切片分类测试集。对图块分类数据集病变区域进行标注、图块截取后,按20:1:1的比例随机分为训练集、测试集、验证集。基于Efficientnet和ResNet网络结构构建卷积神经网络(convolutional neural network,CNN)图块级癌与非癌分类模型,并以图块分类准确率、受试者操作特征曲线下面积(area under the curve, AUC)评价该模型的性能。基于此模型拼接获取整张WSI的癌变热力图,提取热力图中切片级癌与非癌分类特征,对LightGBM算法进行训练,最终完成整张胃癌活检切片的诊断与识别,其识别结果以AUC、准确率、灵敏度、特异度进行评价。  结果  共入选符合纳入和排除标准的胃良性疾病(正常胃黏膜、慢性炎症)病理切片500张,胃癌(高级别上皮内瘤变、胃腺癌)病理切片500张。图块分类数据集、切片分类训练集与切片分类测试集WSI分别为400张、400张、200张。图块分类训练集、测试集、验证集图块分别为402 000个、20 000个、20 000个。以Efficientnet-b1网络结构建立的CNN模型对测试集、验证集图块分类的准确率[测试集:91.3%(95% CI: 88.2%~95.4%);验证集:92.5%(95% CI: 89.0%~95.3%)]、AUC[测试集:0.95(95% CI: 0.93~0.98);验证集:0.96(95% CI: 0.92~0.98)]均最高。基于LightGBM算法构建的模型识别整张切片为胃癌的AUC为0.98(95% CI: 0.89~0.98),准确率为88.0%(95% CI: 81.6%~94.3%),灵敏度为100%(95% CI: 88.0%~100%),特异度为67.0%(95% CI: 57.0%~85.0%)。  结论  基于胃活检病理切片建立的CNN诊断模型可对癌变组织进行定位,实现图块级和切片级病变性质精确分类,准确识别胃癌,有望提高病理诊断效率。     

基于CT小肠成像预测中重度期克罗恩病的列线图模型构建

  目的  探索中重度克罗恩病（CD）的CT小肠造影特征,构建预测中重度期CD的列线图。  方法  收集2019年1月~2022年6月期间扬州大学附属医院收治的180例CD患者,随机分为训练组（n=120）和验证组（n=60）。依据克罗恩病简化内镜评分评估CD的活动性,分为缓解、轻度期（n=94）、中重度期（n=86）。比较分析训练组和验证组不同分期CT小肠造影征象差异,并使用Rstudio4.1.2软件R包构建模型,绘制ROC曲线、校准曲线及临床决策曲线。  结果  二项Logistic回归分析CT小肠造影征象显示:肠壁厚度（OR=1.746,95% CI:1.085~2.811)、ΔV-P（ΔV-P =静脉期肠壁CT值-平扫肠壁CT值）（OR=1.148,95% CI:1.062~ 1.241）、肠壁分层强化（OR=14.183,95% CI:3.737~53.824）、肠系膜脂肪密度高（OR=5.332,95% CI:1.278~22.246）4个参数是诊断中重度度CD独立参数。模型在训练组和验证组ROC曲线下面积分别为0.952（95% CI:0.925~0.979,P < 0.05）、0.955（95% CI:0.911~0.997,P < 0.05）,模型校准曲线与理想曲线贴合良好,决策曲线显示在一定阈值范围内患者净收益较大。  结论  肠壁厚度、ΔV-P、肠壁分层强化及肠系膜脂肪密度增高是诊断中重度期CD的独立因素,以此构建的列线图能够预测中重度期CD活动性。      

MRI纹理特征评估乳腺癌脉管浸润及其对病理信息缺失的填充

  目的  探讨MRI纹理特征评估浸润性乳腺癌脉管浸润的价值,及其对缺失的乳腺癌分子分型和细胞角蛋白5/6基因表达信息的填充。  方法  将114例接受MRI检查并经病理确诊为乳腺癌的患者分为训练组（n=51）、内部验证组（n=30）、外部验证组（n=33）。根据临床病理特征与MRI征象观察脉管浸润独立危险因素,构建MRI征象模型和纹理特征模型,评估2种模型的诊断效能估。采取交叉验证支持向量机递归特征消除法进行纹理特征选择,结合乳腺癌患者病理信息,建立非负矩阵分解（NMF）模型与协同过滤模型,采取受试者工作特征曲线进行模型填充性能评价。  结果  3组患者瘤周胸肌前水肿、淋巴结转移状态差异具有统计学意义（P < 0.05）,是影响脉管浸润的独立危险因素。纹理特征模型诊断乳腺癌脉管浸润的曲线下面积高于MRI征象模型（P < 0.05）。在缺失率为20%~40%时,NMF法的曲线下面积高于协同过滤法（P < 0.05）;在特征数为140时,NMF模型的曲线下面积高于协同过滤模型（P < 0.05）。使用影像组学特征NMF模型的曲线下面积高于不使用影像组学特征NMF模型（P < 0.05）。  结论  MRI纹理特征可在术前有效预测乳腺癌脉管浸润,填充缺失的分子分型以及细胞角蛋白5/6基因表达信息。      

增强CT影像组学模型可术前评估甲状腺乳头状癌颈部中央区淋巴结转移

  目的  探讨临床、CT影像组学及融合模型等6个模型术前预测甲状腺乳头状癌（PTC）中央区淋巴结转移（CLNM）的价值。  方法  纳入103例PTC患者,根据术后病理结果将患者分为无CLNM组（n=50）和CLNM组（n=53）,比较组间临床资料及CT征象差异,按7∶3比例随机将各组分为训练集及测试集,提取训练集CT影像组学的特征,构建临床模型、平扫期（NP）模型、动脉期（AP）模型、静脉期（AP）模型、NP+AP+VP模型及融合模型。模型的效能的评价标准为AUC、敏感度及特异性。  结果  两组的性别差异有统计学意义（P=0.002）;在CT征象中,两组间病灶直径（P=0.001）及甲状腺包膜侵犯（P=0.024）的差异有统计学意义。在NP模型、AP模型、VP模型及NP+AP+VP模型这4个组学模型中NP+AP+VP模型预测PTC患者发生CLNM的效能最佳。比较临床模型、NP+AP+VP模型及融合模型的预测效能,融合模型表现最佳,在训练集和测试集中均具有最高的AUC、敏感度和特异性。  结论  融合模型在训练集和测试集中预测PTC患者发生CLNM的效能均最好,有望对术前评估PTC患者CLNM提供有效的辅助手段。