CT影像组学联合传统影像特征对胃肠道间质瘤Ki-67指数表达的预测价值

【摘要】目的：探讨基于增强CT的影像组学联合传统影像特征对无创性预测胃肠道间质瘤（GIST）Ki-67增殖指数（Ki-67 PI）表达的价值。方法：回顾性搜集我院2010年9月至2020年9月经手术病理确诊的原发性GIST患者的病例资料。诊断医师采用盲法独立分析增强CT图像,提取传统的影像征象。利用ITK-SNAP软件在增强CT图像上勾画病灶感兴趣区,利用AK软件提取纹理特征,将患者随机分为训练集与验证集。采用逻辑回归筛选特征参数并构建影像组学模型。再分别建立传统影像特征模型、组学模型及联合两者的组合模型。结果：传统影像特征模型的诊断效能尚可,其ROC曲线的曲线下面积（AUC）在训练集和验证集中分别为0.720（95%CI：0.651～0.788）及0.665（95%CI：0.547～0.784）。影像组学模型的诊断效能良好,其AUC在训练集中具有最优值,为0.802（95%CI：0.744～0.860）,其AUC在验证集中为0.730（95%CI：0.623～0.836）。此外,联合影像组学和传统影像特征组成的多参数组合模型在训练集中效能良好,AUC值为0.823（95%CI：0.768～0.878）,其在验证集中具有最优的诊断效能,AUC值为0.731（95%CI：0.626～0.836）。结论：基于增强CT的影像组学联合传统影像特征建立的组合模型具有无创预测GIST患者Ki-67 PI表达状态的价值。     

基于18F－FDG PET/CT的影像组学在预测乳腺癌分子分型和Ki－67表达中的价值

目的探讨基于18F-FDG PET/CT的影像组学预测乳腺癌分子分型和细胞增殖核抗原Ki-67表达水平的价值。方法回顾性分析2016年4月至2023年5月于苏州大学附属第一医院行18F-FDG PET/CT检查并经病理学检查证实的134例乳腺癌患者[均为女性, 年龄(55.4±13.3)岁]。利用LIFEx软件提取影像组学特征, 采用最小绝对收缩和选择算子(LASSO)算法和两独立样本t检验来筛选特征, 并计算影像组学得分, 得到影像组学模型;利用有监督的logistic回归筛选并得到临床模型;结合影像组学和临床特征, 采用logistic回归分析建立复合预测模型。绘制ROC曲线, 并采用Delong检验比较不同模型AUC的差异。结果 134例患者中, 三阴性乳腺癌(TNBC)22例, 人表皮生长因子受体2(HER2)过表达型47例, Luminal A型和B型分别37例和28例。其中, Ki-67高表达型85例, 低表达型49例。复合模型预测TNBC、HER2过表达型, Luminal A型和Ki-67表达的AUC及95%CI分别为:0.843(0.770～0.900)、0.808(...     

T2-FLAIR影像组学对高级别脑胶质瘤术后1年复发的预测价值

目的：探讨T2-液体衰减反转恢复序列（T2-FLAIR）影像组学对高级别脑胶质瘤（HGG）术后1年复发的预测价值。方法：回顾性收集我院2019年1月—2021年12月收治的81例HGG (WHOⅢ～Ⅳ级)患者,所有患者均接受标准的肿瘤切除手术及术后辅助治疗。获取患者术后4周内的MRI T2-FLAIR图像,根据术后1年内的随访数据将患者分为未复发组（51例）和复发组（30例）,将所有患者按照7∶3比例随机分配为训练组（57例）和验证组（24例）。采用3D-Slicer软件对残腔周围T2-FLAIR高信号区进行图像分割,并提取851个影像组学特征,包括一阶特征、形状特征、纹理特征、小波变换后的特征。采用观察者一致性检验、最大相关最小冗余算法、最小绝对收缩和选择算子算法逐步进行组学特征选择;采用logistic回归模型构建疗效评估模型;采用受试者工作特征（ROC）曲线分析模型的诊断效能。结果：最终筛选出12个影像组学特征纳入影像组学模型,训练组和验证组ROC曲线下面积（AUC）分别为0.789和0.757。进一步将临床参数IDH1基因突变状态、1p19q杂合缺失情况纳入模型后,联合模型中的...     

软组织肉瘤MRI影像学特征与Ki-67表达水平的相关性研究

【摘要】目的：探讨软组织肉瘤MRI影像特征与其Ki-67表达水平的相关性。方法：搜集48例临床或影像疑似软组织肉瘤的患者，均行3.0T MRI扫描，扫描序列包括常规T1WI平扫、T2WI平扫及T1WI增强扫描，其中25例行扩散加权成像（DWI）检查。由2位影像诊断医师评估常规影像学特征，同时测量病变区域的ADC平均值（ADCmean）及ADC最小值（ADCmin）。Ki-67≥30％为高表达组，Ki-67＜30％为低表达组。采用受试者工作特征（ROC）曲线评估软组织肉瘤各影像学特征对Ki-67高表达与低表达的鉴别诊断效能。结果：48例软组织肉瘤中22例Ki-67低表达，26例Ki-67高表达。瘤周强化鉴别诊断Ki-67高表达与Ki-67低表达的曲线下面积（AUC)为0.855，敏感度与特异度分别为85%、86%；平扫T2信号不均匀性（≥50%）鉴别诊断Ki-67高表达与Ki-67低表达的AUC为0.710，敏感度与特异度分别为69%、72%；肿瘤边界鉴别诊断Ki-67高表达与Ki-67低表达的AUC为0.692，敏感度与特异度分别为77%、56%。软组织肉瘤Ki-67高表达组与Ki-67低表达组的ADCmean值、ADCmin值差异均有统计学意义（P＜0.05），且Ki-67高表达组的ADCmean值、ADCmin值均低于Ki-67低表达组，ADCmean值、ADCmin值与其Ki-67表达水平均呈负相关。ADCmean阈值为1.332×10-3mm2/s时，敏感度与特异度分别为85%、73%；ADCmin阈值为0.883×10-3mm2/s时，敏感度与特异度分别为89%、78%。结论：软组织肉瘤的常规影像学特征中瘤周强化、T2信号不均匀性、肿瘤边界与其Ki-67表达水平相关，其中瘤周强化的诊断效能最高。ADCmean及ADCmin值可用于鉴别软组织肉瘤Ki-67高表达与Ki-67低表达。     

基于MRI影像组学预测宫颈癌Ki-67表达水平

目的:开发并验证基于多参数MRI图像特征的影像组学特征预测模型对术前宫颈癌症患者的Ki-67指数状态的预测。方法:回顾性分析来自两个不同机构的91例宫颈癌患者的MRI影像及病理结果。根据术后免疫组化结果，将Ki-67指数分为高表达组(>60%)及低表达组(≤60%)。从每位患者的T₂/SPAIR、ADC和CE T₁WI图像中共提取3390个影像学特征。单变量分析和最小绝对收缩选择算子(LASSO)对影像组学特征进行降维处理，最终筛选出关键特征。采用Logistic回归、决策树、支持向量模型(SVM)方法构建模型。采用受试者操作特征(ROC)曲线分析影像组学特征的预测准确性，计算曲线下面积(AUC)。结果:91例患者中，27例Ki-67低表达，64例Ki-67高表达。最终从T₂/SPAIR、CE T₁WI、ADC图像中分别筛选出4、6、5个影像学特征。对Ki-67状态的预测，三个序列对应的模型构建方法为Logistic回归、SVM、Logistic模型，最终获得的训练组AUC分别为0.801、0...     

结合瘤周影像组学建立磨玻璃结节手术切除预测模型

目的 融合肺磨玻璃结节(GGN)瘤内及瘤周影像组学特征,并与临床模型相结合建立GGN手术切除预测模型。方法 回顾性搜集311例肺GGN患者CT图像,包括良性/腺体前驱病变121例,肺腺癌(微浸润腺癌/浸润性肺腺癌)190例。对GGN行手动分割获得瘤内ROI,使用膨胀算法外扩3 mm获得瘤周ROI,分别提取影像组学特征。按照7∶3比例随机划分训练集(217例)与验证集(94例),使用支持向量机构建瘤内组学模型、瘤周组学模型及融合组学模型。选取其中表现最好的模型与临床模型相结合,建立GGN手术切除预测模型。使用曲线下面积(AUC)、准确率、敏感度、特异度评价各模型预测效能,DeLong检验用于比较各模型AUC差异,使用决策曲线评估各模型的临床应用。结果 瘤内组学模型训练集AUC值为0.805(95%CI:0.745～0.866),验证集AUC值为0.787(95%CI:0.696～0.878);瘤周组学模型训练集AUC值为0.727(95%CI:0.655～0.799),验证集AUC值为0.759(95%CI:0.653～0.866);融合组学模型训练集AUC值为0.827 (95%CI:...     

基于ADC和增强MRI的影像组学模型预测低级别胶质瘤TERT启动子突变状态

目的:探讨基于ADC和增强MRI的影像组学模型对低级别胶质瘤端粒酶逆转录酶基因（TERT）启动子突变状态的预测价值。方法:回顾性搜集109例经病理证实的低级别胶质瘤患者,所有患者术前均行MRI检查,在ADC和对比增强T₁WI（T₁CE）图像上选取病灶最大层面,沿肿瘤边缘勾画ROI,提取影像组学特征。采用三联法（Fisher, POE+ACC,MI）和最小绝对收缩选择算子（LASSO）进行特征筛选,然后行多因素logistic回归分析,构建影像组学预测模型。采用ROC曲线评估预测模型的诊断效能。结果:在ADC和T₁CE图像上分别提取279个影像组学特征,最终筛选出11个影像组学特征,分别建立ADC模型、T₁CE模型和联合分析（ADC+T1CE）模型共3个影像组学模型。联合分析模型的预测效能最佳,训练集中曲线下面积（AUC）为0.928（95%CI:0.859～0.996）,验证集中AUC为0.878（95%CI:0.758～0.997）。结论:基于ADC和增强MRI的影像组学模型能有效预测低级别胶质瘤...     

基于T2WI影像组学及联合诊断模型鉴别腮腺多形性腺瘤与腺淋巴瘤

【摘要】目的：探讨基于磁共振T2WI的影像组学模型对腮腺多形性腺瘤与腺淋巴瘤的鉴别诊断价值。方法：回顾性分析2015年1月－2019年11月在本院经手术病理证实且具有完整术前MR平扫图像的99例腮腺肿瘤患者的病例资料,将患者按7:3的比例随机分为2组：训练集70例,验证集29例。按照术后病理结果,将训练集和验证集均进一步分为多形性腺瘤组和腺淋巴瘤组。使用MaZda软件进行纹理分析,在每例患者T2WI上于肿瘤最大层面勾画ROI,提取310个纹理特征;采用R语言软件对纹理数据进行预处理,并采最小冗余最大相关（mRMR）算法对每例患者提取的310个纹理特征进行降维;然后采用Lasso回归分析及10折交叉验证法进一步筛选纹理特征,用以建立影像组学标签。基于建立的影像组学标签及患者的临床资料,采用多变量Logistic回归分析建立联合诊断模型。采用ROC曲线评估影像组学标签及联合诊断模型的诊断效能。采用Hosmer-Lemesow拟合优度检验分析诊断模型的拟合度。结果：通过降维、筛选后最终保留8个纹理特征,建立的影像组学标签（RS）的计算公式为RS=0.251×Vertl_GLevNonU+0.134×Skewness+0.227×S(5,5)Correlat+0.408×X45dgr_LngREmph-0.131×Teta4+0.187×WavEnHH_s.3+0.183×S(5,-5)Correlat-0.027×Teta1+0.201。在训练集和验证集中,影像组学标签鉴别腮腺多形性腺瘤与腺淋巴瘤的AUC分别为0.83（95%CI：0.73~0.93）和0.82（95%CI：0.64~1.00）。基于多变量Logistic回归分析,最终将性别、单发或多发、病灶位置及影像组学标签作为独立的影响因子纳入联合诊断模型,这4项指标的优势比（OR）分别为0.177（95%CI：0.027～0.878）、15.608（95%CI：1.090～736.275）、4.876（95%CI：3.768～10.754）和9.729（95%CI：2.644～50.430）。训练集和验证集中,联合诊断模型鉴别2类肿瘤的AUC分别为0.90（95%CI：0.83~0.97）和0.96（95%CI：0.88~1.00）,均高于影像组学标签。Hosmer-Lemesow拟合优度检验结果显示,在训练集和验证集中,模型预测值与实际值的差异均无统计学意义（χ2=9.424,P=0.308;χ2=7.565,P=0.477）。结论：基于磁共振T2WI影像组学分析联合相关临床资料构建的诊断模型在鉴别腮腺多形性腺瘤与腺淋巴瘤方面具有较高的诊断价值。     

基于ADC影像组学鉴别诊断儿童髓母细胞瘤与间变型室管膜瘤

【摘要】目的:基于ADC影像组学特征,结合临床基本资料、常规影像学特征,利用支持向量机（SVM）构建模型以提高儿童髓母细胞瘤与间变型室管膜瘤术前鉴别诊断准确率。方法:分析本院2011年-2020年经病理证实的髓母细胞瘤患者及间变型室管膜瘤患者临床基本资料及常规影像学特征,采用Mann-WhitneyU检验分析其年龄差异,采用Fisher精确检验比较性别及常规影像特征差异,筛选有统计学意义特征作为临床特征组。由2名经专业培训医师手动勾画肿瘤最大层面ROI,使用3dslice内部radiomicsmodel提取影像组学特征,采用一致性检验及最小绝对收缩与选择算子算法（LASSO）筛选组学特征作为组学特征组。将筛选所得的临床特征及影像组学特征作为综合组。采用SVM分别构建3个模型并利用留一法进行验证。通过受试者操作特征曲线下面积（AUC）及决策曲线（DCA）验证其鉴别诊断价值。结果:共搜集髓母细胞瘤24例,间变型室管膜瘤14例。临床特征组模型包括年龄、弥散受限及“融蜡征”（P＜0.05）,其AUC为0.920（95%CI:0.8312~1）,影像组学特征组模型AUC为0.938（95%CI:0.8666~1）,综合组模型AUC为0.979（95%CI:0.9438~1）。DCA结果显示当风险阈值＞23%时,综合组模型的临床应用价值最高。结论：基于ADC影像组学、结合发病年龄、弥散受限及“融蜡征”的SVM模型,能有效区分儿童髓母细胞瘤及间变型室管膜瘤,区分能力高达97.9%。     

动态对比增强磁共振成像影像组学评估胶质瘤异柠檬酸脱氢酶1突变与微血管生成

【摘要】目的：探讨动态对比增强磁共振成像（DCE-MRI）影像组学在评估胶质瘤异柠檬酸脱氢酶1（IDH1）突变与微血管生成中的应用价值。方法：回顾性分析105例经病理证实的胶质瘤患者,按7:3分为训练组和验证组,采用3DSlicer软件半自动勾画感兴趣区,依次从T1WI,T2FLAIR,ADC,容积转运常数（Ktrans）及血管外细胞外容积比（Ve）图像中提取影像组学特征。利用最小绝对收缩和选择算子算法进行特征选择并计算影像组学评分（Radscore）,基于筛选出的影像组学特征构建预测胶质瘤IDH1突变的支持向量机模型。对纳入的临床放射学特征进行逻辑回归分析,结合Radscore建立综合列线图。应用免疫组化检测胶质瘤IDH1基因分型、血管内皮生长因子（VEGF）表达、CD105阳性标记的微血管密度（CD105-MVD）。采用受试者工作特征（ROC）曲线评价模型的诊断效能。采用Spearman相关性检验分析Radscore与VEGF表达、CD105-MVD的相关性。P<0.05为差异具有统计学意义。结果:Ktrans与Ve联合模型评估胶质瘤IDH1突变训练组AUC=0.889,验证组0.890;综合列线图训练组AUC=0.938,验证组0.914。各模型的Radscore与VEGF表达、CD105-MVD均呈负相关,其中联合模型的相关性最高（r=-0.570,P<0.001;r=-0.665,P<0.001）。结论:DCE-MRI影像组学可有效评估胶质瘤IDH1突变,且在分析胶质瘤IDH1突变与血管生成相关性方面具有重要临床价值。     

MRI纹理特征与肝细胞肝癌Ki-67表达的相关性

【摘要】目的：探讨ADC图、T2WI、DWI的纹理特征诊断肝细胞肝癌（HCC）Ki-67标记指数高低的价值。方法：搜集本院经病理确诊的HCC患者57例并将其分为Ki-67＞20%、Ki-67≤20%两组。通过MaZda软件手工勾画兴趣区（ROI）并分别提取ADC图、T2WI、DWI纹理特征，随后采用Fisher系数、分类错误概率联合平均相关系数（POE+ACC）、交互信息（MI）的方法分别选择10种最佳纹理特征。纹理特征的组间比较采用t检验或Mann-Whitney U检验，描绘受试者工作特征（ROC）曲线并计算曲线下面积（AUC）值，并将每个序列组间比较有统计学差异的纹理特征纳入二元logistic回归模型进行自变量筛选，并建立预测模型。应用灵敏度、特异度、AUC值来评估预测模型的分类性能。结果：对于区别HCC的Ki-67标记指数高低，t检验和U检验结果显示ADC图组间差异有统计学意义的纹理特征20个；T2WI序列共选择出组间差异有统计学意义的纹理特征10个；组间比较结果显示DWI纹理特征在Ki-67标记指数高、低组间差异无统计学意义。二元logistic回归显示ADC图中的S(5,0)和方差以及T2WI中的S(5,0)和均值、高频对角分量小波系数能量s-5是Ki-67>20%的独立预测因素。S(5,0)和方差、高频对角分量小波系数能量s-5数值越大，S(5,0)和均值的数值越小，患者Ki-67>20%的风险越高。结合ADC图中的S(5,0)和方差以及T2WI中的高频对角分量小波系数能量s-5，建立HCC Ki-67表达程度的预测模型，AUC值为0.795，敏感度为61.5%，特异度为90.3%。结论：利用MRI影像组学评估HCC的Ki-67表达，其影像组学预测模型具有较高的诊断效能。     

MRI影像组学术前预测脑膜瘤病理分级的研究

【摘要】目的：探讨基于MRI的影像组学分析对脑膜瘤病理分级的预测效能。方法：回顾性分析经病理证实的137例脑膜瘤患者的MRI资料（T2WI和对比增强T1WI），其中低级别脑膜瘤（WHO Ⅰ级）99例，高级别脑膜瘤（WHO Ⅱ级）38例。按7:3的比例将患者分为训练组（95例）和验证组（42例）。评估肿瘤的常规MRI征象，包括双侧分布、部位、形状、T2WI上信号是否均匀、血管流空现象、瘤周水肿、强化是否均匀、强化程度、脑膜尾征、邻近组织侵袭情况及是否跨中线生长等。应用IBEX软件，在瘤体内手动勾画ROI，自每个MRI序列上提取5个特征组共736个影像组学特征，使用最小绝对收缩和选择算子（LASSO）及10折交叉验证法进行降维。在训练组中，采用Logistic回归分析进行建模，共构建3个模型，即影像特征模型、影像组学模型和联合诊断模型。在验证组中，绘制3个模型的受试者工作特征曲线（ROC）来评估其预测效能。结果：在训练组和验证组中，高级别和低级别脑膜瘤患者的各项一般临床资料的差异均无统计学意义（P>0.05）；各项常规MRI征象中，仅血管流空和强化是否均匀这两个特征在低级别和高级别脑膜瘤间的差异有统计学意义（P<0.05）。通过降维后共筛选出13个影像组学特征。在验证组中对3个模型分别进行效能评估，ROC曲线分析显示：影像特征模型预测脑膜瘤病理分级的敏感度为66.7%，特异度为80.0%，AUC为0.800；影像组学模型的预测敏感度为66.7%，特异度为86.7%，AUC为0.811；联合诊断模型的预测敏感度为100.0%，特异度为66.7%，AUC提高至0.856。结论：基于MR T2WI及增强T1WI的影像组学分析有助于术前预测脑膜瘤的病理分级，影像组学分析方法具有较好的临床应用前景。     

基于影像组学构建乳腺癌前哨淋巴结转移预测模型的研究

目的:探讨基于MRI动态增强扫描(DCE-MRI)的影像组学在预测乳腺癌前哨淋巴结(SLN)转移中的价值。方法 :回顾性收集经病理证实并行DCE-MRI检查的浸润性乳腺癌164例(训练组124例,验证组40例)。在DCE-MRI图像上提取影像组学特征,并计算DCE参数,采用Lasso-Logistic回归模型对影像组学特征进行筛选。分别建立单纯影像组学模型、单纯DCE参数模型及联合模型。采用ROC的AUC评价不同模型的鉴别预测效能,并对模型的ROC曲线行DeLong检验;在验证队列中评估其预测效能。结果:共提取396个影像组学特征,经筛选得到28个特征,联合DCE参数分别建模。对于术前预测SLN转移的效能,在训练组中单纯影像组学模型AUC的95%CI为0.81(0.72,0.89),单纯DCE参数模型AUC的95%CI为0.77(0.68,0.86),联合预测模型AUC的95%CI为0.80(0.72,0.89);在验证组中单纯影像组学模型AUC的95%CI为0.74(0.59,0.89),单纯DCE参数模型AUC的95%CI为0.74(0.59,0.90),联合预测模型AUC的95%CI为0.76(0.61,0.91),Delong检验显示差异无统计学意义(P 0.05),联合模型的效能可能稍高。结论:基于DCE-MRI图像提取影像组学特征及DCE参数建立预测模型,作为一种无创性预测乳腺癌SLN转移的工具,有良好的应用前景。     

高级别胶质瘤ADC值与Ki-67的相关性研究

目的本研究旨在探讨高级别胶质瘤ADC值与Ki-67的相关性。方法 30例高级别胶质瘤患者在治疗前行常规MRI、增强扫描及弥散张量成像(DTI),利用DTI图像分析软件包(DTI tracking)测量肿瘤实体区的ADC值。采用免疫组织化学染色方法对30例高级别胶质瘤的Ki-67表达进行观察,测定Ki-67标记指数,分析ADC值与Ki-67表达程度的相关性。结果 30例高级别胶质瘤瘤实体区的Ki-67表达程度:+++(LI≥50%)12例、++(25≤LI<50%)10例、+––(0≤LI<25%)8例。瘤实体区ADC值:+++〔(0.999±0.183)×10-3 mm2/s〕、++〔(1.151±0.152)×10-3 mm2/s〕和+––〔(1.444±0.175)×10-3 mm2/s〕),非参数多个样本Kruskal-Wallis检验法分析显示不同程度Ki-67表达组的瘤实体区ADC值间差异具有统计学意义(P<0.05)。ADC值与Ki-67表达程度成负相关(r=-0.503,P<0.05)。结论对高级别胶质瘤瘤实体区ADC值的分析有助于预测高级别胶质瘤细胞的Ki-67表达,可间接评估肿瘤的增殖程度。     

基于STIR-MRI的影像组学模型评估原发性下肢淋巴水肿的临床分期

【摘要】目的：探讨MRI影像组学模型对原发性下肢淋巴水肿（PLEL）临床分期的评估价值。方法：回顾性搜集2018年1月－2019年12月在本院就诊的132例单侧PLEL患者的临床和影像资料。依据2020年国际淋巴协会（ISL）淋巴水肿临床分期标准,Ⅰ期45例,Ⅱ期51例,Ⅲ期36例。将STIR序列原始图像导入深睿多模态科研平台,连续选择10层肢体肿胀最严重的横轴面图像,逐层在皮下软组织区域内的水肿区手动勾画ROI,提取影像组学特征1743个。采用相关性分析及F-Test算法进行特征的筛选,然后采用logistic回归分类器分别建立Ⅰ期与Ⅱ期、Ⅱ期与Ⅲ期的分类模型,并采用ROC曲线评价模型的鉴别效能。采用决策曲线分析（DCA）评估模型的临床实用性。结果：鉴别Ⅰ期与Ⅱ期,共筛选出10个组学特征构建预测模型,其在训练集中的AUC为0.935（95%CI：0.886~0.983）,在验证集中的AUC为0.917（95%CI：0.858~0.975）。鉴别Ⅱ期与Ⅲ期,共筛选出10个组学特征用于建模,其在训练集中的AUC为0.838（95%CI：0.749~0.927）,在验证集中为0.760（95%CI：0.654~0.866）。DCA验证了影像组学模型鉴别PLEL临床分期的临床实用性。结论：基于下肢MRI建立的影像组学模型可较准确地评估PLEL的严重程度,与PLEL的临床分期一致性高。     

基于CT影像组学模型术前预测喉癌淋巴结转移

【摘要】目的：研究CT影像组学在术前预测喉癌患者淋巴结转移中的价值。方法：搜集本院304例经手术病理证实为喉癌患者的影像学资料,随机选择243例及61例分别作为训练集和验证集。从术前静脉期CT图像中手工勾画肿瘤体积并提取影像组学特征。在训练集中,采用LASSO回归进行特征筛选,使用Logistic回归分别构建影像组学模型、形态学模型及二者联合模型。利用受试者工作特征（ROC）曲线评价各个模型的预测效能,并对模型的ROC曲线行Delong检验。在验证集中评估各种模型的诊断效能。结果：最后获得5个影像组学特征。在训练集中,影像组学模型ROC曲线下面积（AUC）为0.85（95%CI：0.77~0.93）,形态学模型AUC为0.66（95%CI：0.59~0.72）,联合模型AUC为0.82（95%CI：0.74~0.91）;在验证集中,影像组学模型AUC为0.83（95%CI：0.69~0.97）,形态学模型AUC为0.59（95%CI：0.40~0.77）,联合模型AUC为0.73（95%CI：0.56~0.91）。Delong检验显示影像组学模型与形态学模型差异、联合模型与形态学模型差异均有统计学意义（P＜0.05）,而联合模型与影像组模型差异无统计学意义（P＞0.05）。结论：基于病灶为兴趣区的CT影像组学模型可以术前较好地预测喉癌淋巴结转移,其诊断效能高于形态学模型。     

基于18F-FDG PET/CT影像组学治疗前预测唾液腺癌颈部淋巴结转移

目的研究氟代脱氧葡萄糖正电子发射计算机断层显像(18F-FDG PET/CT)影像组学在预测唾液腺癌颈部淋巴结转移中的价值。方法对北京大学口腔医学68例唾液腺癌患者进行回顾性研究, 随机分为训练组(40例)、验证组(14例)和测试组(14例)。从PET图像中半自动勾画肿瘤原发病灶并提取影像组学特征。经过特征筛选和降维, 构建人工神经网络(ANN)预测模型。采用受试者操作特征(ROC)曲线、ROC曲线下面积(AUC)、准确度、灵敏度、特异度对模型预测性能进行评价, 采用Delong检验对各模型性能进行比较。结果基于影像组学特征构建的影像组学模型AUC为0.88(95%CI:0.78～0.95), 灵敏度为75%, 特异度为92.3%, 准确度为88.2%。结合PET/CT报告的淋巴结状态(cN)和影像组学特征构建的联合模型的AUC为0.97(95%CI:0.89～0.99), 灵敏度为87.5%, 特异度为100%, 准确度为97.1%。Delong检验显示联合模型与cN的差异具有统计学意义(Z=2.27, P<0.05), 影像组学模型与cN差异无统计学意义(P>0.05)...     

基于常规MRI影像组学模型预测软组织肉瘤复发

【摘要】目的：探讨基于常规MRI的影像组学模型对预测软组织肉瘤（STS）复发的价值。方法：回顾性分析2012年1月－2021年6月在本院经手术病理证实的92例STS患者的临床和影像资料。术后每3个月进行一次影像学检查,随访时间至少12个月以上,根据随访结果有无复发或远处转移分为复发组（27例）,无复发组（65例）。采用完全随机方法将所有患者按7:3的比例分为训练集（n=65）和验证集（n=27）。使用ITK-SNAP软件,分别在T1WI和压脂T2WI上逐层沿肿瘤边缘手动勾画ROI并进行三维融合（VOI）,然后使用AK软件提取纹理特征,使用最小冗余最大相关（mRMR）和最小绝对值收敛和选择算子（LASSO）回归分析方法分别对T1WI序列、压脂T2WI序列和联合序列的纹理特征进行降维和筛选,并建立影像组学模型,根据各个组学特征的权重系数计算影像组学评分（Radscore）,运用100次留组交叉验证（LGOCV）方法来评估模型的可靠性。将临床病理、常规MRI特征与预测效能最高的影像组学模型的Radscore相结合,采用多因素logistic回归（LR）、随机森林（RF）和支持向量机（SVM）三种机器学习算法分别建立机器学习模型。采用受试者工作特征（ROC）曲线评价各模型的预测效能,应用决策曲线分析（DCA）评估模型的临床应用价值。结果：临床模型在训练集和验证集中预测STS复发的ROC曲线下面积（AUC）分别为0.71（95%CI:0.58~0.85）和0.74（95%CI:0.52~0.97）。基于T1WI、压脂T2WI和联合序列的影像组学模型在训练集中预测STS复发的AUC分别为0.81（95%CI:0.70~0.93）、0.92（95%CI:0.86~0.99）和0.91（95%CI:0.84~0.99）,在验证集中分别为0.84（95%CI:0.63~1.00）、0.92（95%CI:0.81~1.00）和0.86（95%CI:0.72~1.00）。采用机器学习算法构建的LR、RF和SVM模型在训练集中预测STS复发的AUC分别为0.93（95%CI:0.87~0.99）、0.91（95%CI:0.84~0.99）和0.77（95%CI:0.63~0.91）,在验证集中分别为0.93（95%CI:0.83~1.00）、0.86（95%CI:0.71~1.00）和0.83（95%CI:0.66~1.00）。DCA分析结果表明,压脂T2WI和联合序列的影像组学模型、以及LR和RF模型的临床受益均较好。结论：基于常规MRI序列中的压脂T2WI和联合序列构建的影像组学模型对预测STS复发具有较高的预测效能和较好的临床受益,基于不同机器学习算法构建的预测模型的预测效能并无明显提高。     

MRI影像组学对脑胶质瘤分级诊断的Meta分析

目的:通过Meta分析评估MRI影像组学对脑胶质瘤分级诊断的价值。方法:计算机检索PubMed、Embase、CNKI、万方、维普和中国生物医学文献数据库(CBM)有关MRI影像组学对脑胶质瘤分级研究的文献。由2位研究员独立检索筛选文献、提取数据并评价纳入研究的偏倚风险后,采用Stata 12.0和Meta-Dics 1.4软件进行Meta分析。结果:最终纳入27篇文献,共报道2 146例脑胶质瘤患者。影像组学鉴别低、高级别胶质瘤的合并敏感度和特异度分别为0.93[95%置信区间(95%CI)(0.91,0.94)]和0.83 [95%CI (0.80,0.86)],合并后的阳性似然比和阴性似然比分别为5.26 [95%CI (3.74,7.39)]和0.11[95%CI(0.09,0.15)],诊断比为63.02[95%CI(38.09,104.28)],总受试者工作特征(SROC)曲线AUC为0.96[95%CI(0.94,0.97)]。Deek漏斗图证实所有研究无显著的发表偏倚。Fagan诺模图显示,预试阳性患者的后测概率增加了42%。结论:MRI影像组学在鉴别低、高级别胶质瘤方面具有较高的诊断效能。     

氨基质子转移MRI对脑胶质瘤分级及预测肿瘤细胞增殖的诊断价值

【摘要】目的：探讨氨基质子转移（APT）MRI对脑胶质瘤分级的诊断价值及其与肿瘤细胞增殖标记物Ki-67表达水平的相关性。方法：经病理证实的21例脑胶质瘤患者术前行常规MR平扫、增强及APT扫描,其中低级别胶质瘤8例（WHO Ⅰ~Ⅱ级）,高级别胶质瘤13例（WHO Ⅲ~Ⅳ级）。在肿瘤实质区选取5~10个ROI,测量并计算MTRasym值。采用Mann-Whitney-Wilcoxon 检验比较高低级别胶质瘤间MTRasym值的差异,采用Spearman相关分析来分析MTRasym值与肿瘤Ki-67表达水平的相关性。结果：高级别胶质瘤的MTRasym值（4.41%±2.23%）明显高于低级别胶质瘤（3.83%±2.02%）,差异有统计学意义（W=5816,Z=－3.01,P＜0.05）。高级别胶质瘤的Ki-67的表达水平（38.85%±21.03%）明显高于低级别胶质瘤（4.13%±2.64%）,差异有统计学意义（W=2606,Z=－11.54,P＜0.05）。胶质瘤的MTRasym值与Ki-67表达水平呈正相关（r=0.25,P＜0.001）。结论：MR氨基质子转移成像可用于鉴别高低级别胶质瘤,对预测肿瘤细胞增殖有潜在价值。