基于CT平扫影像组学模型预测食管癌淋巴结转移

目的 评估术前基于胸部CT平扫影像组学模型预测食管癌患者淋巴结转移的价值。方法 回顾性分析368例经术前内镜活检及术后病理确诊的食管癌患者,其中100例淋巴结转移、268例无淋巴结转移,按比例3 ∶ 1将其分为训练组（包括201例无淋巴结转移和75例淋巴结转移）和验证组（67例无淋巴结转移和25例淋巴结转移）。自胸部CT中提取食管癌病灶的影像组学特征,并以最小绝对收缩和选择算子（LASSO）回归进行降维,筛选与食管癌淋巴结转移关联度高的特征;采用支持向量机构建预测淋巴结转移的影像组学模型,并以受试者工作特征（ROC）曲线分析模型的诊断效能。结果 共提取1 046个组学特征参数,经LASSO降维筛选出11个特征参数用于建立预测淋巴结转移模型。影像组学模型预测训练组淋巴结转移的曲线下面积（AUC）为0.84,敏感度为84.00%,特异度为75.12%,准确率为77.54%;于验证组的AUC为0.82,敏感度为80.00%,特异度为77.61%,准确率为78.26%。结论 术前基于胸部CT平扫影像组学模型预测食管癌患者淋巴结转移具有较高价值。     

基于深度学习的胸部X线肺结核检测研究及多中心临床验证

【摘要】目的：构建基于深度学习的胸部X线肺结核检测模型并通过多中心研究验证其效能及临床价值。方法：回顾性搜集2600例来自3个中心的胸部X线图像并随机分为训练集、验证集和测试集,构建基于RetinaNet架构的肺结核深度学习检测模型,并在ChinaSet和MontgomerySet胸部X线公开数据集以及来自深圳三院的外部临床测试集上对深度学习模型的鲁棒性进行外部测试。采用受试者工作特征曲线（receiver operator characteristic curve,ROC）评估模型效能。同时通过临床检测评估深度学习模型的重复性和再现性。结果：深度学习模型在内部测试集的ROC曲线下面积（AUC）为0.967,在ChinaSet、MontgomerySet和深圳三院外部测试集的AUC分别为0.95、0.93和0.976,具有较高的准确性和良好的鲁棒性。临床一致性评估证实了模型的重复性和再现性。结论：深度学习模型具备良好的效能,可以作为胸部X线影像结核病检测工具用于临床决策支持。     

食管鳞状细胞癌组织中表皮调节素、双调蛋白及表皮生长因子受体mRNA的表达

目的:检测表皮调节素、双调蛋白及表皮生长因子受体mRNA在食管鳞状细胞癌组织中的表达情况.方法:用实时逆转录多聚酶链反应测定47例食管鳞状细胞癌及其正常组织中表皮调节素、双调蛋白和表皮生长因子受体mRNA的表达水平,并分析其与临床病理特征的关系.结果:与正常组织比较,食管鳞状细胞癌组织中表皮调节素表达水平差异无统计学意义(t=1.597,P=0.119),双调蛋白低表达(t=2.953,P=0.005),表皮生长因子过度表达(t=4.932,P<0.001);食管鳞状细胞癌组织中表皮调节素与临床分型有关(χ2=5.673,P=0.028),双调蛋白与性别有关(χ2=5.034,P=0.042).结论:表皮调节素、双调蛋白和表皮生长因子受体在食管鳞状细胞癌的发生发展中起一定作用.     

MRI组学特征构建机器学习模型预测胸腰段再骨折

背景:影像组学能够对图像异质性进行量化,能否从骨质疏松椎体MRI影像中筛选出类似指纹等具有特征性的影像差异,用于预测再骨折的发生仍有待研究.目的:探讨通过MRI组学特征联合临床信息构建椎体强化后胸腰段再骨折机器学习预测模型的可行性.方法:回顾性收集成都市第一人民医院2014年5月至2019年4月由MRI确诊并行椎体强化...     

基于增强CT影像组学模型预测食管癌患者放化疗完全缓解后肿瘤复发的价值

目的：探讨基于术前平扫期、动脉期和静脉期CT影像所构建的影像组学模型用于预测食管癌患者放化疗完全缓解后肿瘤复发的价值。方法：回顾性收集2013年6月—2019年6月我院接受放化疗治疗的食管癌患者,达到完全缓解后且通过定期复查和随访确认肿瘤复发情况。最终入组77例患者并随机分为训练组（38例无复发和11例复发）和验证组（19例无复发和9例复发）。所有患者均在治疗前2周进行增强CT扫描,分别提取平扫期、动脉期和静脉期的食管癌病灶组学特征参数,采用最小绝对收缩和选择算子（LASSO）回归进行数据降维筛选关联特征,通过逻辑（Logistic）回归方法构建预测模型并利用并以受试者工作特征（ROC）曲线和决策（DCA）曲线评估模型效能。结果：通过特征降维在平扫期、动脉期和静脉期内分别筛选出4个、5个和5个组学特征用于建模。基于平扫期、动脉期、静脉期CT影像构建的预测模型在训练组中取得的曲线下面积（AUC）分别为0.806、0.952和0.959;在验证组中取得的AUC分别为0.708、0.930和0.918。决策曲线分析结果表明基于动脉期和静脉期CT影像的组学模型相比于基于平扫期CT影像的组学模型...     

基于结构MRI机器学习模型诊断帕金森病的价值

目的探讨基于多种结构MRI特征构建的机器学习模型诊断帕金森病(PD)的价值。方法回顾性分析2017年11月至2019年8月在苏州大学附属第二医院神经内科就诊的60例PD患者(PD组)和同期招募的56名社区健康老年人(NC组)的临床及影像资料。首先对所有受试者进行全脑MR扫描, 然后基于不同的脑分区模板, 从小脑、深部核团和皮层提取多种结构MRI特征, 利用Mann-WhitneyU检验和最小绝对值收缩与选择算子回归筛选一组最具诊断鉴别力的特征, 最后运用逻辑回归(LR)和线性判别分析(LDA)两种分类器, 结合5折交叉验证策略分别构建小脑、深部核团、皮层和基于所有特征的综合模型。采用受试者操作特征曲线的曲线下面积(AUC)和决策曲线分析(DCA)评价各模型的诊断效能和临床净收益。结果最终筛选出4个小脑特征(Lobule Ⅵ体积非对称指数、Lobule ⅦB皮层厚度非对称指数、灰质体积非对称指数及右侧Lobule Ⅵ灰质体积)、3个深部核团(右侧伏隔核绝对体积、伏隔核绝对和相对体积)和3个皮层(左侧PFm局部脑回指数、右侧额上回局部分形维数和左侧枕上回沟深)特征为最具诊断鉴别力的特征, ...     

深度学习结合影像组学的胸部CT新冠肺炎智能诊断模型研究

目的 采用深度学习分割图像结合影像组学分类的方法构建基于胸部CT的新冠肺炎智能诊断模型并评估其诊断效能.方法 回顾性分析24例COVID-19肺炎和17例普通病毒性肺炎患者的CT影像,利用基于深度学习的AI模型实现肺炎病灶的自动分割,从每一帧图像的病灶区域中提取影像组学特征,经过LASSO回归降维后分别采用高斯朴素贝叶...