共查询到17条相似文献,搜索用时 125 毫秒
1.
目的构建甲状腺乳头状癌(PTC)风险特征可解释性人工智能(AI)模型, 并探讨其联合临床特征预测PTC患者颈部淋巴结转移(CLNM)的价值。方法回顾性收集西安交通大学第二附属医院2021年1月至2022年9月行甲状腺切除术及颈部淋巴结清扫术后病理证实的PTC患者422例, 共422个结节, 按7∶3比例随机分为训练集和测试集, 通过传统机器学习方法提取与PTC风险特征高度相关的影像组学特征, 并建立风险特征概率最优智能预测模型, 再联合临床特征构建预测PTC患者CLNM的风险模型, 并通过绘制ROC曲线, 计算曲线下面积(AUC)评估各模型的诊断效能。结果在测试集PTC风险特征AI可解释模型中, 基于逻辑回归分类的钙化智能诊断模型表现出最高的诊断效能, AUC为0.87(P<0.05)。对比于单独PTC超声风险特征概率模型, 其联合临床特征的列线图综合模型在预测PTC患者CLNM中表现出更高诊断效能, 其AUC为0.97, 诊断临界值为0.15, 对应的准确性、敏感性及特异性分别为92.65%、92.76%及92.54%(均P<0.05)。结论本研究构建的PTC超声AI模型... 相似文献
2.
3.
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。 相似文献
4.
目的 评价临床、CT影像组学及融合模型预测肝细胞癌(HCC)分化程度的可行性。方法 纳入330例HCC患者,根据病理所见分化程度分为高分化组(n=85)、中分化组(n=161)及低分化组(n=84),比较组间临床资料及CT征象差异。按3∶1比例随机将各组分为训练集及测试集。提取训练集CT影像组学特征,构建临床模型、影像组学模型及融合模型。绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评估各模型鉴别不同分化程度HCC的效能。结果 共纳入352个CT影像组学特征,109个来自高、中分化HCC,84个来自中、低分化HCC,159个来自高、低分化HCC。临床模型鉴别高、低分化HCC的AUC为0.85;CT影像组学模型鉴别高分化与中、低分化HCC的AUC分别为0.80及0.79;融合模型鉴别高、低分化HCC的AUC为0.88。结论 临床、CT影像组学及融合模型预测高、低分化HCC的效能均较高。CT影像组学模型可较好地预测高、中分化HCC。 相似文献
5.
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。 相似文献
6.
目的 探讨血清胸苷激酶1(serum thymidine kinase 1,sTK1) 联合甲状腺超声特征预测甲状腺乳头状癌(papillarythyroid carcinoma,PTC)患者中央区淋巴结转移(central lymph node metastasis, CLNM)的风险。方法 选取2020 年10 月~2021 年12 月陕西省人民医院确诊的CLNM 的PTC 患者110 例为观察组,同期无CLNM 的PTC 患者104 例为对照组。所有患者行甲状腺超声检查,检测sTK1 等指标水平,采用t 检验比较两组间sTK1 等指标的水平差异,卡方检验分析颈部超声结果的差异,Logistic 回归分析CLNM 的独立危险因素,构建列线图预测模型,并选取2022 年1~5 月陕西省人民医院确诊的80 例PTC 患者对模型的预测准确度进行外部验证。结果 观察组sTK1 水平高于对照组(2.06±0.75pmol/L vs 1.59±0.66pmol/L),差异有统计学意义(t = 4.75,P < 0.001),而血清TSH,TG,TGAb 水平与是否发生CLNM 无关,差异无统计学意义(t=0.74,0.75,0.61,均P > 0.05)。sTK1 预测PTC 患者CLNM 的曲线下面积(AUC)为0.678,截断值为1.50 pmol/L,灵敏度和特异度分别为79.1%,61.0%。单因素分析结果显示,sTK1> 1.5pmol/L,边界不清、结节微钙化、肿瘤数目、肿瘤直径>1cm 和淋巴结明显血流信号是PTC 患者CLNM 的独立风险因素(χ2=5.24~26.72,均P < 0.05),而性别、年龄、低回声、纵横比>1、肿瘤位置与CLNM 无关(χ2=0.27~7.16,均P> 0.05)。基于上述危险因素构建预测模型并进行准确度验证,采用建模原始数据进行内部验证AUC 为0.826,验证队列进行外部验证AUC 为0.809,表明该模型具有一定的预测准确度。结论 PTC 患者术前sTK1 表达水平联合甲状腺超声特征构建CLNM 预测模型具有一定的临床应用价值,当sTK1> 1.5 pmol/L,边界不清、结节微钙化、肿瘤多灶、肿瘤直径>1cm,淋巴结有明显血流信号时,发生CLNM 的概率较高,建议行预防性中央区淋巴结清扫术。 相似文献
7.
8.
9.
10.
11.
目的 观察增强CT放射组学术前预测肝细胞肝癌(HCC)病理分级的可行性及价值。方法 回顾分析429例经手术病理证实的HCC患者,分为训练组(n=329)和测试组(n=100),记录其临床特征;提取动脉期(AP)及静脉期(VP)CT图像的放射组学特征,应用最小绝对值收敛和选择算子(LASSO)回归分析法对其进行降维,筛选最有价值的组学特征后,构建基于AP、VP、AP+VP图像特征的组学模型,计算2组放射学评分并进行二分类判别。根据病理结果定义高级别和低级别HCC,采用10倍交叉验证训练选择最优组学预测模型,筛选对预测HCC病理分级有意义的临床特征后,构建临床模型以及联合组学特征和临床特征的联合模型。绘制3种模型预测训练组和测试组HCC病理分级的ROC曲线,评估其诊断能力。结果 联合组学模型最优,其判别训练组及测试组高级别和低级别HCC的放射学评分的差异均有统计学意义(Z=8.58、3.24,P均<0.05)。测试组中,联合模型预测HCC病理分级的AUC值(0.70)与组学模型(0.69)和临床模型(0.63)差异均无统计学意义(P均>0.05)。结论 基于增强CT图像的放射组学特征可用于术前预测HCC病理分级。 相似文献
12.
13.
14.
15.
16.
目的 观察增强CT影像组学模型术前预测胃腺癌淋巴结转移(LNM)的价值。方法 回顾性分析193例经术后病理证实的单发胃腺癌的腹部双期增强CT资料,将其分为训练集(n=97)和验证集(n=96),比较LNM (+)与LNM (-)肿瘤CT表现的差异。分别于增强动脉期和静脉期CT提取病灶影像组学特征,构建相应影像组学标签;将单因素分析有统计学意义的CT参数及其影像组学标签纳入多因素logistic回归分析,筛选胃腺癌LNM的独立预测因素,分别建立临床模型及影像组学列线图。采用受试者工作特征(ROC)曲线评估各模型预测胃腺癌LNM的效能,计算曲线下面积(AUC),比较其差异。结果 训练集含54例LNM (+)和43例LNM (-),验证集含58例LNM (+)和38例LNM (-)。LNM (+)患者肿瘤厚度和阳性淋巴结占比均高于LNM (-)者(P均<0.05)。肿瘤厚度及淋巴结状态均为LNM的独立预测因素(P均<0.01)并用于构建临床模型。淋巴结状态和静脉期影像组学标签是胃腺癌LNM的独立预测因素(P均<0.01),以之构建的影像组学列线图在训练集和验证集中的AUC分别为0.810和0.778,与临床模型AUC差异均无统计学意义(0.772、0.762,Z=1.11、0.27,P=0.27、0.78)。结论 基于增强CT影像组学模型术前预测胃腺癌LNM效能较佳。 相似文献
17.
目的 评估基于术前腹部增强CT影像组学模型预测胰十二指肠切除术(PD)术后胰瘘(POPF)的价值。方法 回顾性分析252例接受PD患者的术前腹部增强CT资料,按7:3比例将其分为训练集(n=177)和验证集(n=75)。于训练集增强静脉期CT图像中勾画胰腺实质作为感兴趣容积(VOI),提取其影像组学特征,并筛选最优特征建立影像组学模型;绘制模型预测PD术后POPF的受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评价模型预测效能;以验证集数据进行验证。结果 共选出14个最优影像组学特征用于构建影像组学模型。影像组学模型在训练集和验证集的AUC分别为0.82[95%CI(0.76,0.88)]和0.82[95%CI(0.72,0.91)]。结论 基于术前增强CT影像组学模型能有效预测PD术后POPF。 相似文献