MRI纹理分析预测乳腺癌腋窝淋巴结转移

目的 评价MRI纹理分析预测乳腺癌腋窝淋巴结（ALN）转移的价值。方法 以172例乳腺癌为训练组,分为ALN阳性亚组（n=79）和阴性亚组（n=93）,提取增强MRI及ADC图中ALN纹理特征,比较2亚组间纹理特征差异;筛选纹理特征,构建多因素Logistic回归模型,并对模型进行内部验证。以另外37例乳腺癌为测试组,行模型外部验证。结果 基于增强MRI和ADC图选取16个纹理参数,其中熵的预测效能最优,曲线下面积（AUC）分别为0.781和0.786。经Lasso回归筛选11个纹理特征,以多因素Logistic回归建立预测模型,内部验证结果显示其AUC为0.906,用于测试组时AUC为0.859,预测效能良好。结论 MRI纹理分析预测乳腺癌ALN转移具有较高效能。     

基于临床病理及常规和功能MRI影像组学模型预测乳腺癌腋窝淋巴结转移

目的 评估基于临床病理及常规和功能MRI（fMRI）影像组学模型预测乳腺癌腋窝淋巴结（ALN）转移的价值。方法 回顾性分析140例浸润性乳腺癌,按7∶3比例将其分为训练集（n=99）和验证集（n=41）。采用多因素Logistic回归分析分别建立基于临床病理及MRI特征的临床模型及各序列图像影像组学、联合序列影像组学以及临床病理及常规和fMRI影像组学的个体化模型,以受试者工作特征（ROC）曲线评价其诊断效能;比较个体化模型与临床模型曲线下面积（AUC）的差异,应用决策曲线分析（DCA）评估模型的临床获益。结果 临床模型预测训练集和验证集ALN转移的AUC分别为0.95和0.88;T2WI、DWI、DCE-MRI模型及联合序列模型在验证集中的AUC分别为0.67、0.71、0.72及0.76。个体化模型在训练集和验证集中的AUC为0.98和0.93,与临床模型差异均无统计学意义（Z=1.56、1.34,P=0.12、0.18）。DCA结果显示阈值>0.25时,个体化模型的净受益高于临床模型。结论 基于临床病理及常规和功能MRI的个体化模型预测乳腺癌ALN转移的效能与临床模型相当,其净受益高于后者,且均优于单一序列模型。     

不同分子亚型非特殊型浸润性乳腺癌超声特征

目的 探讨不同分子亚型非特殊型浸润性乳腺癌的超声特征。方法 根据免疫组化结果,将经病理证实的193例非特殊型浸润性乳腺癌患者分Luminal A-like型（n=46）、Luminal B-like型（n=98）、HER-2过表达型（n=22）和基底样型（n=27）4种分子亚型。回顾性分析4种分子亚型乳腺癌的超声特征,包括肿块形状、边缘、方向、内部回声、后方回声、钙化、血流及肿瘤大小、病理分级及淋巴结转移情况。结果 193例非特殊型浸润性乳腺癌,4种分子亚型间,肿块大小（<2 cm、2~3 cm、≥ 3 cm）和淋巴结转移（有、无）差异均无统计学意义（P均>0.05）,病理分级（Ⅰ、Ⅱ、Ⅲ级）差异有统计学意义（P<0.01）。4种分子亚型间6个超声征象（形状、边缘、方向、内部回声、后方回声、钙化）差异有统计学意义（P均<0.01）,血流差异无统计学意义（P=0.16）。结论 不同分子亚型的非特殊类型浸润性乳腺癌超声表现有其特征性,Luminal A-like型与Luminal B-like型超声声像图表现差异较小,鉴别有一定困难。     

基于T2WI影像组学标签预测乳腺癌人表皮生长因子受体2表达状态

目的 探讨基于MR T2WI的影像组学标签在术前预测乳腺癌人表皮生长因子受体2（HER2）表达状态的价值。方法 回顾性收集209例乳腺癌患者的T2WI,将患者随机分为训练组（n=145）和验证组（n=64）。手动勾画病灶ROI,并于Matlab 2013a平台中提取组学特征。通过组间相关系数及最小绝对收缩和选择算子逻辑回归模型筛选组学特征并构建组学标签。比较HER2表达阳性与阴性亚组患者的影像组学得分差异,采用ROC曲线评价训练组中影像组学标签预测HER2的效能,并以获得的预测阈值用于验证组中进行验证。结果 最终获得由13个组学特征构成的影像组学标签。在训练组及验证组中,HER2阳性亚组与阴性亚组患者间组学得分差异均有统计学意义（P均<0.05）。基于T2WI的影像组学标签在训练组及验证组中的AUC分别为0.798、0.707。结论 基于T2WI构建的影像组学标签对术前预测乳腺癌HER2表达状态具有一定价值。     

基于MRI影像组学鉴别浸润性与非浸润性乳腺癌

目的 探讨基于MRI影像组学鉴别浸润性与非浸润性乳腺癌的价值。方法 回顾性分析100例接受乳腺常规MR和动态增强扫描的乳腺癌患者（75例浸润性、25例非浸润性），将其分为训练组（n=70）和验证组（n=30）。提取病灶纹理特征，采用最小绝对缩减和变量选择算子（LASSO）回归对训练组纹理特征进行降维，建立影像组学标签。比较浸润性与非浸润性乳腺癌临床、病理及影像学特征，以多因素Logistic回归分析建立影像组学模型，采用ROC曲线评价模型的诊断效能。结果 共提取3 132个影像学特征，经LASSO回归降维获得19个价值较高者，建立影像组学标签。浸润性与非浸润性乳腺癌之间，训练组和验证组毛刺、基底细胞角蛋白（CK5/6）、瘤细胞增殖因子（Ki-67）和影像组学标签差异均有统计学意义（P均<0.05），训练组时间-强度曲线（TIC）类型差异有统计学意义（P<0.05），验证组TIC类型差异无统计学意义（P>0.05）。训练组CK5/6、Ki-67和影像组学标签为浸润性乳腺癌的独立危险因素（P均<0.05）；以其构建影像组学模型，在训练组和验证组鉴别浸润性乳腺癌的AUC分别为0.97和0.85，均优于CK5/6、Ki-67和影像组学标签。结论 基于MRI影像组学模型鉴别浸润性与非浸润性乳腺癌效果较好。     

增强动脉期CT影像组学特征联合临床术前预测胃癌脉管浸润

目的 观察增强动脉期CT影像组学特征联合临床术前预测胃癌脉管浸润(LVI)的价值。方法 回顾性纳入298例胃癌患者,根据是否伴LVI将其分为阳性组(n=155)及阴性组(n=143),并按7 ∶ 3比例分为训练集(n=208)及测试集(n=90)。基于增强动脉期CT图提取病灶影像组学特征,采用logistic回归分析筛选胃癌LVI的临床影响因素;分别采用支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)及极端梯度提升树(XGBoost)建立影像组学模型、临床模型及临床-影像组学模型,评估各模型预测胃癌LVI的效能。结果 以SVM、LR、RF及XGBoost建立的影像组学模型预测训练集胃癌LVI的曲线下面积(AUC)分别为0.896、0.821、1.000及1.000,其在测试集的AUC分别为0.744、0.801、0.740及0.747。基于4种机器学习建立的临床模型在训练集的AUC均为0.810,在测试集均为0.840。基于SVM、LR、RF及XGBoost建立的临床-影像组学模型预测训练集胃癌LVI的AUC分别为0.920、0.900、1.000及1.000,其在测试集的AUC分别为0.900、0.890、0.840及0.790。测试集中,基于SVM、LR及RF的临床-影像组学模型的AUC均大于影像组学模型和临床模型(P均＜0.05)。结论 增强动脉期CT影像组学联合临床有助于术前预测胃癌LVI。     

基于动态对比增强MRI影像组学模型预测乳腺癌新辅助化疗后非病理完全缓解

目的 观察基于动态对比增强MRI （DCE-MRI）影像组学模型预测乳腺癌新辅助化疗（NAC）后非病理完全缓解（non-pCR）的价值。方法 回顾性分析144例经病理证实并接受NAC的乳腺癌患者,按照7[DK （]∶[DK）]3比例将其分入训练组（n=99）和验证组（n=45）,比较2组病理完全缓解（pCR）与non-pCR患者临床病理指标的差异。以MaZda软件提取4个周期NAC后DCE-MRI所示病灶纹理特征,以最小绝对收缩与选择算子（LASSO）算法及十折交叉验证法筛选最优特征参数,建立影像组学标签。采用多因素Logistic回归法构建包含影像组学标签和差异具有统计学意义的临床病理指标在内的联合预测模型,以受试者工作特征（ROC）曲线评价影像组学标签及模型预测乳腺癌患者NAC non-pCR的效能。结果 训练组36例pCR、63例non-pCR,验证组分别为15例和30例。2组pCR与non-pCR患者间孕激素受体（PR）、人类表皮生长因子受体2（HER2）和细胞增殖核抗原（Ki-67）表达差异均有统计学意义（P均<0.05）。共筛选出8个最优特征参数建立影像组学标签,以之预测训练组和验证组患者NAC后non-pCR的曲线下面积（AUC）分别为0.85和0.84;而以联合预测模型预测训练组患者NAC后non-pCR的AUC、敏感度、特异度分别为0.90、88.89%及83.33%,验证组分别为0.89、83.33%及86.67%。结论 基于DCE-MRI的影像组学模型对预测乳腺癌NAC后non-pCR具有一定价值。     

基于胸部X线卷积神经网络模型诊断儿童不同病原体社区获得性肺炎

目的 评价基于胸部X线卷积神经网络（CNN）模型诊断儿童不同病原体社区获得性肺炎（CAP）的价值。方法 纳入1 769例CAP患儿，根据病原学诊断分为病毒组（n=487）、细菌组（n=496）及肺炎支原体（MP）组（n=786），对比组间胸部X线征象的差异；将患儿以7：1：2比例随机分为训练集、验证集和测试集，对测试集患儿根据性别和年龄分为不同亚组进行分层分析。基于胸部X线片分割全肺和病灶ROI，分别训练全肺模型和局部模型，通过混淆矩阵评估2种模型的整体效能；绘制受试者工作特征（ROC）曲线，计算曲线下面积（AUC），评价2种模型诊断不同病原CAP的效能；采用Delong检验比较模型诊断效能的差异。结果 3组病变累及范围、受累肺组织密度改变特点、肺过度通气及空洞差异均有统计学意义（P均<0.05）。全肺模型及局部模型诊断不同病原CAP的准确率分别为61.85%及58.04%，精确度分别为63.77%及54.05%。全肺模型和局部模型诊断MP性CAP的效能最佳，AUC分别为0.798及0.819；全肺模型诊断病毒及细菌性CAP的AUC均大于局部模型（P均<0.05）。全肺模型和局部模型诊断测试集中男性亚组和女性亚组不同病原CAP的AUC、诊断高年龄亚组和低年龄亚组病毒性及细菌性CAP的AUC差异均无统计学意义（P均>0.05），诊断高年龄亚组和低年龄亚组MP性CAP的AUC差异均有统计学意义（P均<0.05）。结论 基于胸部X线片建立CNN模型诊断儿童不同病原体CAP的效能较好；全肺模型优于局部模型，2种模型均对MP性CAP诊断效能最佳。     

基于CT机器学习模型预测肺腺癌气腔播散

目的 探讨基于胸部CT建立机器学习模型预测肺腺癌气腔播散（STAS）状态的价值。方法 回顾性分析462例经手术病理证实的原发性肺腺癌，90例STAS阳性（STAS阳性组），372例STAS阴性（STAS阴性组），比较组间一般资料及CT征象差异。按7 ：3比例将患者随机分为训练集（n=323）和验证集（n=139），采用随机森林算法针对差异有统计学意义的变量建立预测肺腺癌STAS的模型，对训练集进行训练，获得平均AUC最大的模型，以之对验证集进行预测，并计算AUC，评价其诊断效能。结果 组间年龄及12个CT征象差异均具有统计学意义（P均<0.05）。以上述13个变量建立的预测模型对训练集进行预测，获得最大AUC为0.80的模型，其预测训练集和验证集肺腺癌STAS的AUC、敏感度及特异度分别0.80、0.78及0.77和0.77、0.78及0.73。结论 基于胸部CT的机器学习模型可有效预测肺腺癌STAS状态。     

MRI纹理特征分析预测浸润性乳腺癌脉管浸润

目的 评估MRI纹理特征预测浸润性乳腺癌（IBC）脉管浸润（LVI）的价值。方法 将204例接受MR检查并经术后病理证实IBC患者分为训练组80例（LVI阳性亚组30例、阴性亚组50例）、内部验证组66例（LVI阳性亚组21例、阴性亚组45例）和外部验证组58例（LVI阳性亚组20例、阴性亚组38例）。自临床及常规MRI征象中筛选LVI独立危险因素，构建主观MRI征象模型。对MRI所示病灶进行分割、纹理特征提取和筛选，构建纹理特征模型。采用受试者工作特征（ROC）曲线评价2种模型的诊断效能。结果 瘤周水肿类型（OR=3.82）和MRI腋窝淋巴结状态（OR=7.63）是LVI的独立危险因素。自4 300个纹理特征中筛选出GLRLM_LRHGE_1_0.67_Equal_32、GLRLM_GLV_1_0.67_Equal_32和GLRLM_GLV_1_0.67_Equal_64共3个有效特征构建纹理模型。内、外部验证组中，纹理特征模型诊断LVI的准确率分别为86.36%和79.31%、敏感度为66.67%和60.00%、特异度为95.56%和89.47%、AUC为0.86和0.84，诊断效能均高于主观MRI征象模型（P均=0.04）。结论 根据MRI纹理特征可在术前有效预测IBC LVI状态。     

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...     

乳腺X线摄影、MRI及病理联合诊断乳腺癌分子分型

目的 观察乳腺X线摄影(MG)、MRI及病理联合诊断乳腺癌分子分型的价值。方法 收集600例乳腺癌女性患者，包括Luminal A型147例，Luminal B型277例，人表皮生长因子受体2(HER-2)过表达型65例及三阴型111例；比较不同分子分型乳腺癌的MG、MRI及病理特征，行logistic回归分析，观察不同分子分型的独立影响因素；构建病理模型(模型1)、MG+病理模型(模型2)、MRI+病理模型(模型3)及MG+MRI+病理模型(模型4),评估其诊断价值，并以SHAP分析评估最佳诊断模型中各参数的贡献价值。结果 组织学低分级浸润性导管癌、无腋窝淋巴结转移、MG假阴性、无恶性钙化及“流入型”时间-信号强度曲线(TIC)为Luminal A型乳腺癌的独立影响因素(P均<0.05),腋窝淋巴结转移、恶性钙化及毛刺征为Luminal B型的独立影响因素(P均<0.05),组织学高分级浸润性导管癌、恶性钙化、毛刺征、非肿块样强化(NME)及较高表观弥散系数为HER-2过表达型的独立影响因素(P均<0.05),组织学高分级浸润性导管癌、无恶性钙化及无毛刺征为三阴型的...     

不同分子分型乳腺癌超声弹性特征

目的 应用声触诊组织量化成像（VTIQ）技术观察不同分子分型乳腺癌超声弹性特征。方法 对101例术前乳腺癌患者行常规超声及VTIQ检查，观察肿块边缘带、中央区及周围组织弹性特征，测量其剪切波速度最大值（SWV_max），分析不同分子分型乳腺癌的超声弹性特征。结果 Luminal型弹性特征多为边缘优势型，人类表皮生长因子受体2（HER-2）过表达型主为中央优势型，三阴性多为均匀型（P<0.05）。各分子分型肿瘤边缘带SWV_max Luminal A > Luminal B > HER-2过表达 > 三阴性（P<0.05），中央区SWV_max差异无统计学意义（P>0.05）。肿瘤周围组织SWV_max差异无统计学意义（P>0.05）。结论 乳腺癌弹性特征及SWV_max与其分子分型相关，肿瘤边缘带弹性特征尤为重要，可在一定程度上反映不同分子分型乳腺癌的生物学特点。术前VTIQ有助于制定治疗方案及评估预后。     

术前MRI影像组学模型预测保乳手术治疗乳腺癌的可行性

目的 建立术前MRI影像组学模型，观察以之预测保乳手术(BCS)治疗乳腺癌的可行性。方法 纳入90例接受BCS治疗的乳腺癌患者，其中61例BCS成功(成功组)、29例失败(失败组);按2∶1将其分为训练集(n=60)和测试集(n=30),并于各集内划分亚组，比较组间及亚组间临床及MRI资料，提取并筛选MRI影像组学特征，构建模型，评估其预测BCS可行性的价值。结果 训练集2亚组间接受新辅助治疗情况、患侧乳房体积及有无子灶差异均有统计学意义(P均<0.05);测试集2亚组间肿瘤体积、患侧乳房体积及有无子灶差异均有统计学意义(P均<0.05)。最终以5个MRI组学特征及有无子灶建立影像组学模型，其预测训练集和测试集BCS可行性的曲线下面积分别为0.961和0.855。结论 术前MRI影像组学模型可用于预测以BCS治疗乳腺癌的可行性。     

基于颅脑T1WI对比增强图像构建卷积神经网络模型鉴别肺癌与乳腺癌脑转移

目的 分析基于对比增强颅脑T1WI(T1CE)构建的卷积神经网络(CNN)模型鉴别肺癌与乳腺癌脑转移的效能。方法 回顾性分析97例经手术病理证实的乳腺癌脑转移(39例)与肺癌脑转移(58例)患者，于颅脑T1CE中手动勾画病灶ROI并提取其影像组学特征，采用单因素分析及最小绝对收缩和选择(LASSO)算法进行特征降维，筛选最优特征；分别构建传统机器学习支持向量机(SVM)、随机梯度下降(SGD)、K邻近(KNN)、决策树(DT)、随机森林(RF)、极端随机树(ET)、逻辑回归(LR)模型及深度学习CNN模型，将按7∶3数据分为训练集和验证集，采用受试者工作特征(ROC)曲线评估8种模型鉴别验证集中肺癌与乳腺癌脑转移的效能。结果 共纳入202个脑转移癌，含乳腺癌、肺癌脑转移各101个。基于颅脑T1CE提取1 050个特征，经单因素分析及LASSO算法降维后得到5个最优特征；以之构建的SVM、SGD、KNN、DT、RF、ET、LR及CNN模型鉴别验证集肺癌与乳腺癌脑转移的曲线下面积(AUC)分别为0.88、0.83、0.87、0.74、0.84、0.86、0.88及0.90,其中CNN模型的...     

基于灰阶超声的影像组学模型预测乳腺癌新辅助化疗效果

目的 探讨基于灰阶超声的影像组学模型预测乳腺癌新辅助化疗（NACT）效果的应用价值。方法 选取53例乳腺癌患者，根据NACT疗效分为临床应答与临床无应答组，比较二组临床资料及灰阶超声特征。提取基于灰阶超声的乳腺癌影像组学特征，采用Logistic回归分析建立基于上述特征的模型，采用ROC曲线评价模型预测乳腺癌NACT后临床应答的效能。结果 NACT后临床应答组32例、临床无应答组21例，2组间年龄、绝经比例、分期及分子分型差异均无统计学意义（P均>0.05），声像图所示病灶最大径、内部回声、钙化、边缘、后方回声、形态差异均无统计学意义（P均>0.05）。共6个影像学特征纳入Logistic回归模型，该模型预测乳腺癌NACT后临床应答的AUC为0.88[95% CI（0.78，0.99）]，敏感度0.88，特异度0.81。结论 基于灰阶超声的影像组学模型对评价乳腺癌NACT效果有一定价值。     

超声联合免疫组织化学指标预测新辅助化疗后乳腺癌转移性腋窝淋巴结病理完全缓解

目的 观察超声联合免疫组织化学指标预测新辅助化疗(NACT)后乳腺癌转移性腋窝淋巴结病理完全缓解(pCR)的价值.方法 纳入155例接受NACT的乳腺癌伴腋窝淋巴结转移患者,根据腋窝淋巴结清扫(ALND)术后病理结果将其分为pCR组(n=59)及非pCR组(n=96);比较2组NACT前免疫组织化学指标及乳腺癌病灶及腋...     

不同病理分型乳腺癌的三维超声VOCAL参数比较

目的 探讨不同病理分子分型乳腺癌三维超声的虚拟器官计算机辅助分析软件（VOCAL）参数差异。方法 回顾性分析经手术病理证实的66例乳腺癌患者术前三维容积超声资料,采用VOCAL进行参数分析,获取平均灰阶值（MG）、平均能量值（MP）、血管指数（R）、血流血管指数（VFI）,比较乳腺癌不同病理分子分型（Luminal A型、Luminal B型、HER-2过表达型、基底样型）VOCAL参数的差异。结果 MG值在基底样型最低,HER-2过表达型最高,4型两两比较差异均有统计学意义（P均<0.05）;MP在基底样型最低,Luminal B型最高,4型间两两比较差异亦有统计学意义（P均<0.05）;R值在Luminal A型最低,Luminal B型最高,其在HER-2过表达型与基底样型、HER-2过表达型与Luminal A型、基底样型与Luminal B型、Luminal B型与Luminal A型间差异均有统计学意义（P均<0.05）;VFI在HER-2过表达型与基底样型、HER-2过表达型与Luminal B型、HER-2过表达型与Luminal A型、基底样型与Luminal B型、Luminal B型与Luminal A型差异均有统计学意义（P均<0.05）。结论 不同病理分子分型乳腺癌结节三维超声VOCAL参数具有一定差异。     

基于多参数MRI及影像组学建立机器学习模型诊断临床显著性前列腺癌

目的 建立基于多参数MRI（mpMRI）和影像组学特征的机器学习模型,评价其诊断临床显著性前列腺癌（CSPC）的价值。方法 结合纹理分析、MR动态增强定量分析、前列腺影像报告与数据系统（PI-RADS）评分和部分临床资料建立Logistic回归（LR）、逐步回归（SR）、经典决策树（cDT）、条件推断树（CIT）、随机森林（RF）和支持向量机（SVM）模型,运用ROC曲线和决策曲线分析法（DCA）评价上述模型和变量的重要性。结果 验证组中RF模型诊断CSPC的AUC大于SVM、cDT、SR模型（P均<0.05）,RF模型与LR、CIT模型诊断CSPC的AUC差异无统计学意义（P均>0.05）,其余各模型间诊断CSPC的AUC差异无统计学意义（P均>0.05）。概率阈值为16%~91%时,RF模型的净获益最大,优于其他模型;概率阈值为23%~91%时,SVM模型的净获益仅次于RF模型而优于其他模型。前列腺特异性抗原密度（PSAD）和部分纹理分析参数的重要性较高。结论 RF模型诊断CSPC优于其他模型,SVM模型次之。PSAD和纹理分析相关参数诊断CSPC的重要性高于PI-RADS评分和动态增强MRI定量参数。