CT影像组学预测胰腺导管腺癌患者术后无病生存期的价值

【摘要】目的：探讨基于平扫和三期增强CT的影像组学模型及临床-组学综合模型对胰腺导管腺癌（PDAC）患者术后无病生存期（DFS）的预测价值。方法：回顾性分析2013年12月－2021年6月在本院经术后病理证实的124例胰腺导管腺癌患者的病例资料。所有DFS患者术后随访时间大于3个月。采用随机分组法,按照7:3的比例将患者分为训练集（n=87）和验证集（n=37）。所有患者术前行腹部CT平扫及三期（动脉期、静脉期、延迟期）增强扫描。使用ITK-SNAP软件分别在四期CT图像上沿胰腺肿瘤边缘逐层勾画ROI并融合生成三维容积ROI（VOI）,然后导入FAE软件中提取影像组学特征。采用单因素Cox回归分析及LASSO-Cox回归分析进行纹理特征的筛选,然后分别构建各期和多期联合（动脉期+静脉期+延迟期）影像组学模型并计算相应的影像组学标签得分。采用单因素和多因素Cox回归分析筛选临床特征和CT形态学特征并构建临床模型。采用多因素Cox回归分析结合临床模型变量及影像组学标签构建临床-组学综合模型并绘制其诺莫图。采用一致性指数（C-index）、时间依赖性（time-dependent）ROC曲线、校正曲线和决策曲线分析（DCA）对模型的诊断效能及临床效益进行评价。利用R语言计算临床-组学综合模型的最佳截断值,并据此将患者分为高风险组和低风险组,采用Kaplan-Meier法分析生存资料并进行log-rank检验。结果：基于平扫、动脉期、静脉期和延迟期及多期联合分别筛选得到5、16、4、12和17个组学特征,分别建立相应的组学模型并获得影像组学标签值。经log-rank检验,所有组学标签均与DFS具有相关性（P<0.05）,其中多期联合模型的预测效能最佳（训练集：C-index=0.786,6~24个月AUC=0.850~0.928;验证集：C-index=0.802,6~24个月AUC=0.796~0.874）;而临床模型的预测效能较低（训练集：C-index=0.635,6~24个月AUC=0.647~0.679;验证集：C-index=0.596,6~24个月AUC=0.545~0.656）。临床-组学综合模型的预测效能（训练集：C-index=0.812,6~24个月AUC=0.883~0.958;验证集：C-index=0.796,6~24个月AUC=0.813~0.894）明显优于临床模型;校准曲线显示临床-组学综合模型的拟合度好;DCA显示临床-组学综合模型的临床净收益优于临床模型。临床-组学综合模型的截断值为2.738。Kaplan-Meier生存分析显示在训练集和验证集中,高风险组患者的DFS明显短于低分风险组。结论：基于多期CT扫描的影像组学模型结合临床特征构建的临床-组学综合模型在预测胰腺导管腺癌患者术后DFS方面,相较于临床模型和影像组学模型具有更好的预测效能,有助于指导临床制订个体化的治疗策略和改善患者的预后。     

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DCE-MRI定量参数图的影像组学模型预测子宫内膜癌脉管浸润

【摘要】目的：探讨基于动态增强磁共振（DCE-MRI）定量参数图的影像组学模型术前预测子宫内膜癌脉管浸润情况的应用价值。方法：回顾性搜集2016年1月－2021年2月于南通大学附属医院术前行DCE-MRI检查的109例子宫内膜癌患者的病例资料。按照7︰3的比例将总样本随机分为训练集（72例）和验证集（37例）。在DCE-MRI定量参数图［容积转移常数（Ktrans）、转运速率常数（Kep）和血管外细胞外容积分数（Ve）］上基于全肿瘤容积ROI提取影像组学特征,然后采用Lasso-Logistics回归分析进行影像组学特征的降维及筛选,建立影像组学模型,分别在训练集和验证集中采用ROC曲线对此模型预测子宫内膜癌脉管浸润的效能进行评估。结果：经降维和筛选,共7个影像组学特征与子宫内膜癌脉管浸润情况相关（P值均<0.05）。这7个组学特征所构建的影像组学模型对预测脉管浸润具有较高的诊断效能,在训练集中的ROC曲线下面积（AUC）为0.926,在验证集中为0.891。结论：基于DCE-MRI定量参数图构建的影像组学特征模型对子宫内膜癌脉管浸润具有较高的预测效能,可为患者治疗方案的制定和预后评估提供重要参考。     

CT影像组学模型及深度学习技术预测肺腺癌EGFR突变

【摘要】目的：探讨基于CT图像建立的影像组学模型及深度学习模型在预测肺腺癌表皮生长因子受体（EGFR）突变中的价值。方法：回顾性分析228例经手术病理证实的肺腺癌患者的CT图像,其中EGFR突变型116例,野生型112例。由两位放射科医师各自独立在CT图像上沿肺癌病灶边缘手动逐层勾画感兴趣区（ROI）获得病灶全容积ROI后提取影像组学特征。比较两位医师提取的影像组学特征的一致性,自高年资医师提取的特征中选取组内相关系数大于0.7的影像组学特征纳入研究。分别按照70%和30%的比例将所有病灶随机划分为训练集和验证集。在训练集中利用LASSO回归方法对影像组学特征进行筛选后,分别建立影像组学评分（Radscore）、随机森林（RF）和支持向量机（SVM）三种影像组学模型。此外,将训练集图像输入ResNet深度学习网络中建立深度学习模型。在验证集中对上述4个模型进行验证,计算敏感度、特异度和ROC曲线下面积（AUC）来评价不同模型的预测效能。结果：自CT图像中共提取了306个一致性良好的影像组学特征,经筛选后获得9个最佳特征用于建立影像组学模型。在验证集中,SVM模型的AUC（0.813）高于Radscore（0.761）和RF模型（0.775）,但差异无统计学意义（P=0.089和0.330）;ResNet模型的AUC为0.916,高于SVM模型（0.813）、Radscore（0.761）和RF模型（0.775）。ResNet模型与Radscore和RF模型间AUC的差异具有统计学意义（P=0.031和0.043）,与SVM模型间AUC的差异无统计学意义（P=0.106）。ResNet模型的敏感度为0.879,高于SVM模型（0.771）、Radscore（0.818）和RF模型（0.743）。ResNet模型的特异度为0.914,高于SVM模型（0.758）、Radscore（0.714）和RF模型（0.727）。结论：基于CT图像的影像组学模型能够较好地预测EGFR基因突变,深度学习技术可以有效提高模型的预测准确性。     

基于CT影像组学列线图鉴别甲状腺乳头状癌与结节性甲状腺肿的价值

目的 探讨基于CT影像组学列线图鉴别诊断甲状腺乳头状癌(PTC)与结节性甲状腺肿(NG)的临床价值。方法 回顾性分析经病理证实的甲状腺结节患者的临床资料及CT图像。术前2周内行CT平扫及增强扫描；PTC 113例，NG 119例；以7∶3的比例随机分层抽样划分成训练集(n=162)和测试集(n=70)。从CT平扫及双期增强图像中提取甲状腺结节相关征象和影像组学特征，通过临床影像征象和影像组学特征筛选，训练集与测试集均构建4个独立模型并计算影像组学评分，基于影像组学评分和临床模型构建联合模型，并基于联合模型绘制列线图。通过受试者工作特征曲线、曲线下面积(AUC)、连续净重分类改善度(NRI)及综合判别改善度(IDI)等多个指标评估各模型对PTC与NG的鉴别诊断效能，利用校准曲线直观的评估列线图的可靠性与准确性，使用决策曲线评估列线图的临床实用价值。结果 平扫、动脉期、静脉期分别保留了6、4、3个影像组学特征，分别构建单期相影像组学模型。单期相中，平扫模型鉴别诊断效能最优，6个独立预测因子用于构建临床模型，基于联合模型的列线图对PTC与NG具有最高的鉴别诊断效能(训练集：AUC为0.980...     

基于高分辨率T2WI影像组学联合临床特征预测食管癌新辅助放化疗疗效的价值

【摘要】目的：探讨基于高分辨率（HR）T2WI影像组学联合临床特征预测食管癌新辅助放化疗后疗效的价值。方法：回顾性分析本院2016年1月-2021年12月新辅助放化疗前接受HRT2WI成像检查并经病理证实的95例食管癌患者资料。依据新辅助放化疗后病理缓解状态结果将患者疗效分为缓解组和未缓解组,在HRT2WI图像上勾画肿瘤感兴趣区（ROI）后采用A.K软件提取影像组学特征,采用最大相关最小冗余（mRMR）算法进行降维,采用逻辑回归模型对筛选出的影像组学特征及临床参数构建模型;采用受试者操作特征（ROC）曲线评估不同模型的预测效能,计算曲线下面积（AUC）、准确率、敏感度和特异度,并采用DeLong检验比较不同模型预测食管癌新辅助放化疗敏感性的效能。结果：缓解组与未缓解组年龄差异具有统计学意义（P=0.001）,其他临床特征差异无统计学意义（P＞0.05）。从1688个组学特征中逐层筛选出4个影像组学特征,构建两个预测模型：基于HRT2WI的影像组学模型、年龄-影像组学模型。HRT2WI影像组学模型在训练集与验证集预测食管癌新辅助放化疗是否缓解的AUC、准确率、敏感度和特异度分别为0.863、80.0%、88.2%、76.7%,0.809、81.5%、75.0%、84.2%。年龄-影像组学模型在训练集与验证集预测食管癌新辅助放化疗是否缓解的AUC、准确率、敏感度和特异度分别为0.888、81.7%、94.1%、76.7%,0.836、81.5%、87.5%、78.9%。年龄-影像组学模型预测食管癌新辅助放化疗是否缓解的AUC、准确率和敏感度均高于HRT2WI影像组学模型,而两者的特异度相仿。结论：基于HRT2WI影像组学模型对食管癌新辅助放化疗是否缓解具有较好的预测效能,且HRT2WI影像组学联合年龄特征模型显示出更高的预测价值。     

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。     

基于增强CT影像组学评估肝硬化患者肝储备功能的应用

【摘要】目的：基于增强CT影像组学特征构建列线图预测模型对肝硬化患者肝储备功能进行Child-Pugh分级。方法：回顾性分析经临床证实的144例肝硬化患者,按照Child-Pugh评分标准分成Child-Pugh A级33例, B级60例,C级51例。构建Child-Pugh A vs Child-Pugh B/C及Child-Pugh A/B vs Child-Pugh C两个数据集,分别以8：2的比例随机分成训练集和测试集。在3期增强CT图像上手动勾画肝脏区域作为感兴趣区(ROI),于感兴趣区中提取并筛选特征。建立影像组学标签并构建列线图预测模型,将模型用于训练集及测试集,并绘制受试者工作特性曲线（ROC）评估其效能。结果：在Child-Pugh A vs Child-Pugh B/C数据集中,列线图在训练集与测试集中AUC分别为0.920和0.807,敏感度分别为0.933和0.741,特异度分别为0.846和0.826。在Child-Pugh A/B vs Child-Pugh C数据集中,列线图在训练集与测试集中AUC分别为0.880和0.821,敏感度分别为0.805和0.818,特异度分别为0.878和0.947。结论：基于不同肝脏储备功能肝硬化患者的腹部3期CT增强图像组学特征建立的列线图模型可作为预测Child-Pugh分级较为可靠的辅助诊断工具。     

基于CT影像组学模型鉴别头颈部良、恶性淋巴结

【摘要】目的：探讨CT影像组学模型在头颈部淋巴结良恶性鉴别诊断中的应用价值。方法：回顾性分析2010－2019年本院经病理或穿刺活检方法证实为良性或恶性淋巴结的200例患者的临床和CT资料,其中良性组105例,恶性组95例。将全部患者随机分为训练集（133例）和测试集（67例）,运用Mazda软件提取淋巴结的CT影像组学特征,使用LASSO方法降维后,建立影像组学标签（score）。基于有鉴别意义的变量,包括临床指标及淋巴结短径（Size）、增强动脉期CT值（Z）和影像组学标签等,采用多因素Logisitc回归分析,分别建立基于影像组学和非影像组学（Size+Z）的预测模型,使用校准曲线观察两种模型的拟合情况。结果：经过特征降维后,将获得的S(2,-2)Correlat、S(0,3)InvDfMom和S(4,0)Contrast这3个影像组学特征用于建立影像组学标签,其在训练集和测试集中鉴别良恶性淋巴结的AUC分别为0.884和0.749。经Logistic回归法建立的影像组学预测模型在训练集和测试集中的AUC（分别为0.958和0.908）均大于非影像组学预测模型（分别为0.847和0.806）,差异均有统计学意义（P＜0.05）,且两种模型的校准曲线与理想曲线显示出良好的拟合效果。结论：CT影像组学模型在头颈部淋巴结良恶性的鉴别诊断中具有一定的应用价值。     

基于多序列MRI影像组学模型预测脑膜瘤病理分级的价值

【摘要】目的：探讨基于多序列MRI影像组学模型预测脑膜瘤病理分级的价值。方法：回顾性分析经手术病理证实的215例脑膜瘤患者的临床及MRI资料。其中,低级别组174例,高级别组41例。将所有患者按照7∶3的比例随机分为训练组和验证组。采用ITP-SNAP软件,分别在T2WI、DWI和对比增强T1WI图像上勾画肿瘤的三维ROI,使用AK软件提取影像组学特征。采用Spearman相关性分析及多元Logistic回归分析筛选组学特征并构建影像组学标签。使用ROC曲线下面积（AUC）评价影像组学模型的预测效能。结果：高级别组与低级别组之间年龄和性别构成的差异均无统计学意义（P>0.05）。基于T2WI、DWI和对比增强T1WI的单序列及多序列联合影像组学模型预测高、低级别脑膜瘤的AUC均大于0.700。基于单序列的影像组学模型中,增强T1WI在训练组和验证组的AUC分别为0.942和0.913,均高于其它两个序列。基于MRI多序列联合的影像组学模型预测高、低级别脑膜瘤的AUC值最高,在训练组的AUC为0.950,在验证组的AUC为0.923。结论：MRI影像组学模型能够预测脑膜瘤的病理分级,尤其是多序列联合的影像组学模型对脑膜瘤病理分级具有较高的预测效能。     

CT影像组学联合炎症指标构建逻辑回归模型预测食管鳞癌新辅助化疗疗效

【摘要】目的：探究基于CT影像组学联合血液学炎症指标构建逻辑回归模型预测食管鳞癌新辅助化疗（NAC）疗效的可行性。方法：回顾性分析两家医院经病理证实的54例食管鳞癌患者在术前规范化NAC前、后两次胸部CT增强图像及NAC前一周内的血液学炎症指标检测结果。测量治疗前、后病灶的最长径,计算其变化率,并根据实体肿瘤疗效评价标准（RECIST 1.1）,将患者分为NAC有效组（30例）及无效组（24例）。采用独立样本t检验或Mann-Whitney U检验筛选血液学炎症指标中与疗效相关的因素。在患者治疗前静脉期图像上沿肿瘤边界逐层手工勾画ROI,最终生成三维感兴趣区（VOI）并提取其影像组学特征,使用最小冗余最大相关及Boruta工具包进行特征筛选并构建影像组学标签。分别建立影像组学特征、血液学炎症指标、影像组学标签联合血液学炎症指标的逻辑回归模型,采用混淆矩阵和ROC曲线分析模型对NAC疗效的预测效能,采用DCA曲线评估其临床实用价值。结果：外周血淋巴细胞计数及淋巴细胞数与单核细胞数的比值被纳入炎症指标模型。于治疗前静脉期图像上共提取了1168个组学特征,经降维后共筛选出5个影像组学特征（wavelet-HLL_gldm_DependenceEntropy、wavelet-HHL_gldm_LargeDependenceLowGrayLevelEmphasis、wavelet-HHH_glrlm_HighGrayLevelRunEmphasis、wavelet-HHH_glrlm_LowGrayLevelRunEmphasis和wavelet-HLL_glszm_ZoneEntropy）用于构建影像组学标签。基于影像组学、血液学炎症指标以及联合模型预测NAC疗效的的AUC分别为0.77、0.72和0.80。结论：基于新辅助化疗前的增强CT影像组学及血液学炎症指标特征构建的预测模型可较好的预测食管鳞癌患者新辅助化疗疗效,以联合模型的效能最优,可为临床制订个性化治疗方案提供参考。     

CT影像组学对中轴骨脊索瘤与骨巨细胞瘤的鉴别诊断价值

目的:建立术前鉴别中轴骨脊索瘤与骨巨细胞瘤的影像组学模型,并验证其诊断效能。方法:回顾性纳入中轴骨脊索瘤59例、骨巨细胞瘤33例共92例患者,64例为训练集,28例为验证集。基于CT图像进行影像组学特征提取,采用LASSO模型进行特征选择,构建影像组学模型,并计算影像组学得分(Rad-score)。通过Logistic多元回归分析,以独立临床预测因素联合Rad-score构建综合模型,通过校正、ROC曲线、决策曲线评估模型效能。结果:从CT图像中共提取1409个组学特征,降维后获得7个最有鉴别价值的特征构建影像组学模型。该标签在训练集(AUC为0.890,95%CI:0.800~0.980)和验证集(AUC为0.860,95%CI:0.700~1.000)中均有较高的诊断效能。年龄和位于中轴骨两端是独立的临床预测因素。联合独立临床预测因素和Rad-score构建的综合模型,在训练集(AUC为0.970,95%CI:0.930~1.000)和验证集(AUC为0.920,95%CI:0.810~1.000)中均具有较高的诊断效能;训练集中,综合模型的AUC优于组学模型(Z=2.092,P=0.036)。决策曲线分析结果表明,综合模型较组学模型具有更高的临床净获益。结论:基于CT影像组学联合临床特征建立的综合模型术前鉴别中轴骨脊索瘤和骨巨细胞瘤具有较高的诊断效能,有助于临床决策。     

基于MRI-T1增强影像组学特征分析预测脑膜瘤p53基因表型

【摘要】目的：探究基于MRI-T1增强图像影像组学特征分析在预测脑膜瘤p53基因表型中可行性及存在的价值。方法：搜集本院2016年6月-2020年6月经术后病理及免疫组化证实脑膜瘤患者80例（p53基因野生型与突变型各40例）。将所有患者T1增强图像导入基于MATLAB R2014a平台开发IBEX图像处理软件,由两位影像科硕士研究生在上级医师指导下勾画肿瘤感兴趣区（ROI）并提取影像组学特征。对特征数据进行降维处理,再分别采用逻辑回归、决策树、支持向量机以及自适应增强4种分类学习器构建脑膜瘤p53基因表型预测模型,同时使用受试者工作特征曲线（ROC）评价各种模型预测效能。选取上述4种分类学习器中表现最佳的一种,依次构建影像特征模型、联合模型并建立脑膜瘤p53基因突变风险量化评估模型（Nomogram模型）。结果：组间存在5个具有非零系数影像组学特征,4种分类学习器中SVM模型预测效能最佳,其训练集与验证集AUC（area under curve）分别为0.894和0.729;进一步纳入肿瘤强化均匀度、扩散是否受限这两个影像特征后得到联合模型AUC为0.954。Nomogram模型显示脑膜瘤出现扩散受限、强化不均匀表现且Radiomics值越高时患者为p53基因突变型可能性越大。结论：基于MRI-T1增强图像影像组学特征分析结合影像特征建立联合模型对脑膜瘤p53基因表型具有较好预测价值,而最终构建Nomogram预测模型能对脑膜瘤p53基因突变风险进行量化评分的同时也为个体化评估脑膜瘤内生物学特性提供了有用参考依据。     

基于不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki-67表达的价值

目的：基于动态增强磁共振成像（DCE-MRI）探究不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki-67表达状态的价值。方法：回顾性分析于本院行双乳磁共振检查患者,按照纳入排除标准最终纳入患者156例,按照7∶3比例分为训练集和测试集。通过单因素分析、最小绝对收缩和选择算子法和递归特征消除进行特征筛选,筛选出不同数量特征分别通过5种机器学习算法建立影像组学模型来预测浸润性乳腺癌Ki-67表达状态。比较不同模型的受试者工作特征曲线下面积（AUC）并计算准确率和F1度量值评估其性能,校准曲线评估模型拟合度,并应用DeLong检验比较不同模型间的差异性。结果：同一分类器在不同的特征数下预测性能不同。在基于DCE-MRI提取的3个特征下,5种模型的预测性能相对较好,其中支持向量机的整体性能最优,AUC、准确率和F1度量值在训练集分别为0.95、0.95、0.90,在测试集分别为0.88、0.79、0.74。DeLong检验显示,在基于3个特征的5个模型中,支持向量机与逻辑回归的性能差异有统计学意义（P<0.001）,与其余3个模型无统计学差异。结论：基于DCE-MRI所构建的影像组学模...     

CT影像组学机器学习模型鉴别肺炎型黏液腺癌与机化性肺炎

【摘要】目的：评估CT影像组学结合机器学习方法鉴别原发肺炎型黏液腺癌（PTMA）与机化性肺炎（OP）的价值。方法：回顾性分析2010年1月－2020年1月在本院经病理证实的51例PTMA患者与50例OP患者的临床及影像学资料。分别在平扫及CT增强图像上提取病灶的影像组学特征,通过线性相关性分析和L1正则化方式进行特征的筛选和降维。对两组的临床特征、CT形态学特征及影像组学特征进行统计学分析,将3类特征中有统计学意义者分别或联合构建机器学习预测模型,共获得4个预测模型（临床、CT形态学征象、影像组学合联合模型）。采用ROC曲线分析评估各类模型的诊断效能。结果：临床特征中的性别、咳白黏痰、癌胚抗原和糖类抗原153、CT形态学征象中的小结节、空泡/假空洞征、血管造影征和重力分布在PTMA组与OP组之间的差异均有统计学意义（P<0.05）。二元logistic回归分析显示性别、小结节、空泡/假空洞征和血管造影征是鉴别PTMA与OP的独立预测因素（P<0.05）。在训练集和验证集中各类机器学习模型的AUC：影像组学模型为0.997和0.946,临床模型为0.869和0.814,CT形态学特征模型为0.919和0.797,联合模型为0.999和0.972。Delong检验显示影像组学模型的诊断效能显著优于临床模型及CT形态学特征模型（P均<0.05）,与联合模型无显著差异（P>0.05）。结论：CT影像组学结合机器学习方法提取并分析多维度影像数据,可以有效鉴别PTMA与OP,辅助临床治疗决策。     

基于18F-FDG PET影像组学区分结节/肿块性肺结核与非小细胞肺癌

【摘要】目的：探讨18F-FDG PET影像组学对结节性或肿块性肺结核（PTB）与非小细胞肺癌（NSCLC）鉴别诊断价值。方法：回顾分析本院行18F-FDG PET/CT的PTB 40例与NSCLC 178例患者,所有患者均经病理证实,按照1：1比例分为训练集和验证集。使用Python软件从PET图像中提取影像组学特征。采用最大相关性最小冗余算法和最小绝对收缩和选择算子选择最优特征,构建影像组学标签评分（Rad-score）。Mann-WhitneyU检验比较组间差异;多因素logistic回归筛选病理类型影响因素。基于临床变量和Rad-score构建复合模型,通过受试者工作特征（ROC）曲线评价模型辨别PTB和NSCLC能力。结果：选择两个影像组学特征构建组学标签。PTB比NSCLC具有较低的Rad-score值（训练集：Z=-5.878,P<0.001;验证集：Z=-5.711,P<0.001）,其AUC分别为0.914 (95%CI,0.845~0.959)和0.918 (95%CI,0.850~0.962),高于临床变量(训练集:AUC=0.811;验证集：AUC=0.740)。综合临床变量和组学标签构建复合模型,模型对病理类型具有良好的辨别能力［训练集：AUC=0.955 (95%CI,0.897~0.985);验证集：AUC=0.928 (95%CI,0.862~0.969)］,且显著高于SUVmax（训练集：Z=3.930,P<0.001;验证集：Z=2.512,P=0.012）。结论：18F-FDG PET影像组学能有效区分结节/肿块性PTB和NSCLC,为后续临床治疗提供指导。     

病态肥胖病人Roux—en—Y胃旁路术后继发性内疝：小肠X线检查表现分析

目的前瞻性比较CT和MR小肠成像及小肠灌肠造影3种检查方法发现克罗恩病病人活动性小肠炎症和肠外并发症的准确性。方法机构伦理审查委员会批准本研究计划,并所有参与者知情同意。对连续31例克罗恩病或疑有克罗恩病的病人行CT和MR小肠成像、小肠灌肠造影和回肠结肠镜检查。2位独立的阅片者回顾CT和MR小肠成像及小肠灌肠造影影像以确定活动性末端回肠炎和肠道外并发症的存在。以回结肠镜检查结果作为参考标准,利用受试者工作特性曲线方法来评估CT和MR小肠成像及小肠灌肠造影确定活动性末端回肠炎的准确度。     

基于3D T1WI序列的影像组学模型对儿童FCD/MCD的预测

【摘要】目的：探索基于3D T1WI序列的影像组学模型对儿童局灶性皮质发育不良（FCD）和皮质发育畸形（MCD）病灶的预测效能。方法：回顾性搜集2015年3月至2020年8月难治性癫痫患者术前MR影像和临床数据。共获得46位患者的图像用于影像组学模型训练,男28例,女18例,平均年龄7.2岁,手术病理结果为FCD的39例（39/46）,MCD 7例（7/46）;其中FCD Ⅰa 2（2/46）,FCD Ⅰb 4（4/46）,FCD Ⅱa 11（11/46）,FCD Ⅱb13（13/46）,FCD Ⅲa 1（1/46）,未分型的FCD8例（8/46）。在3D T1WI图像上由两位影像科医生结合手术病理记录标注FCD/MCD区域作为正样本,并在同一病例大脑半球对侧对称性区域标注对照区域作为负样本。将数据按7:3的比例随机分为训练集和测试集。通过特征提取、特征降维、特征选择、分类器训练等过程,训练影像组学模型。以受试者工作特征曲线（ROC）评价模型效能。结果：46个FCD/MCD病灶的三维径线为3.2cm（95%CI：2.9~3.4）、4.1cm（95%CI：3.8~4.4）和5.9cm（95%CI：5.3~6.5）,46个对照病灶的三维径线为4.2cm（95%CI：3.5~4.7）、4.9cm（95%CI：4.2~5.5）和6.6cm（95%CI：5.8~7.3）,两两比较差异均无统计学意义（P>0.05）。46个FCD/MCD病灶的体积为17.9cm3（95%CI：14.4~21.3）,46个对照病灶的体积为18.8cm3（95%CI：14.5~23.2）,差异无统计学意义（P>0.05）。训练集AUC为0.997,测试集AUC为0.851。结论：基于3D T1WI图像的影像组学模型对儿童FCD/MCD预测有一定的准确性,有必要进一步研究。     

基于CCTA的冠状动脉周围脂肪组织影像组学特征预测急性冠状动脉综合征

目的 评估基于冠状动脉CT血管成像（CCTA）的冠状动脉周围脂肪组织（PCAT）影像组学特征对疑似冠心病病人2年内发生急性冠状动脉综合征（ACS）的预测能力。方法 回顾性收集接受CCTA检查的疑似冠心病病人,将CCTA检查后2年内发生ACS的病人作为ACS组（81例）,2年内未发生ACS的疑似冠心病病人作为对照组（81例）。ACS组年龄44~85岁,平均（64.01±10.09）岁,男57例;对照组年龄39~89岁,平均（62.91±10.11）岁,男56例。将2组病人随机以 3∶1 的比例分为训练集（ACS组60例,对照组60例）和验证集（ACS组21例,对照组21例）。筛选基于CCTA的PCAT影像组学特征,采用多因素Logistic回归分析构建PCAT影像组学评分模型,并基于PCAT影像组学特征中的CT密度值建立PCAT密度模型。采用DeLong检验比较不同数据集中2个模型的诊断效能差异。采用受试者操作特征（ROC）曲线、校准曲线及决策曲线比较2种模型的预测效能。结果 训练集和验证集中,ACS组和对照组病人的临床资料间差异均无统计学意义（均P>0.05）。从基于CCTA影像所示的冠状动脉斑块周围PCAT共提取107个影像组学特征,最终筛选出21个最优影像组学特征,包括形态学特征5个、直方图特征1个、纹理特征15个,采用Logistic回归分析构建PCAT影像组学评分模型。基于提取的PCAT组学特征中平均 CT密度值构建PCAT密度模型。2种模型预测2年内发生ACS事件的诊断效能分析显示,PCAT 影像组学评分模型在训练集及验证集中的曲线下面积（AUC）（AUC=0.841,0.839） 均高于PCAT 密度的AUC（AUC=0.603,0.588）。训练集中,PCAT影像组学评分的诊断效能优于PCAT密度模型（P<0.05）,并在验证集中得到验证（P<0.05）。PCAT影像组学评分对发生ACS事件的预测结果与实际结果一致性高于PCAT密度。PCAT影像组学评分的临床应用价值显著优于PCAT 密度。结论 基于CCTA 的PCAT影像组学特征可为ACS事件的发生提供更多的预测信息。PCAT 影像组学评分对2年内发生ACS事件的预测能力显著优于PCAT 密度。     

多参数MRI影像组学特征识别HER-2过表达型乳腺癌

【摘要】目的：探讨基于DWI和动态增强MRI（DCE-MRI）的影像组学特征识别HER-2过表达型乳腺癌的可行性。方法：回顾性收集经穿刺或手术病理结果证实为乳腺浸润性导管癌的380例患者,在穿刺或手术前行DWI和DCE-MRI检查,手工逐层勾画ADC及DCE剪影图像上的病灶并提取感兴趣区的影像组学特征,利用秩和检验、Pearson相关分析和支持向量机递归特征消除（SVM-RFE）进行特征筛选并降维,最后使用支持向量机（SVM）构建分类预测模型,采用受试者工作特征（ROC）曲线评估模型的预测效能。结果：HER-2过表达型75例,非HER-2过表达型305例。从ADC及DCE剪影图像提取1294个特征,经过筛选及降维最终选出6个关键影像组学标签。SVM构建的预测模型在训练集及验证集中的曲线下面积（AUC）分别为0.79及0.81,均具有良好的诊断效能和一致性。结论：基于DWI和DCE-MRI影像组学特征构建的预测模型具有良好的稳定性及诊断效能,是识别HER-2过表达型乳腺癌的一种潜在手段。