基于机器学习的大脑白质影像组学标签识别帕金森病早期阶段的应用研究

目的使用机器学习开发并验证一种基于大脑白质的影像组学标签用于预测帕金森病（PD）的早期阶段。方法从PD进展标记倡仪数据库（PPMI）中收集340例受检者的影像和临床资料,包括171例健康对照人群和169例PD患者。所有受试者按7:3随机分为训练组237例和测试组103例。在训练集的基线MRI中,切割出三维大脑白质以提取每例患者的影像组学特征,进行降维后使用机器学习方法构建影像组学标签。利用ROC曲线评估影像组学标签在训练组和测试组中的诊断效能,用Hosmer-Lemeshow检验分析标签的拟合优度。将所有数据集按照ROC曲线的截断值分为高危组和低危组,比较两组PD患者例数,以确定标签的临床效果。利用ROC曲线和决策曲线（DCA）分别评估标签在所有PPMI数据中的准确性和净效益。结果训练组和测试组的影像组学标签AUC分别为0.849和0.824,灵敏度分别为0.75和0.78,特异度分别为0.87和0.87。Hosmer-Lemeshow检验表明,标签在训练组和测试组中的拟合优度比较差异无统计学意义（P＞0.05）。将所有数据集按模型的最佳诊断阈值（截断值=0.1338）分为高危组144例和低危组196例。其中高危组PD患者123例,HC人群21例;低危组PD患者44例,HC人群152例;两组PD患者例数比较差异有统计学意义（P＜0.05)。影像组学标签在所有数据集中的诊断准确性为0.823,DCA曲线也显示了良好的净效益。结论基于常规MRI的大脑白质影像组学标签对PD患者表现出良好的鉴别性能,证明了其在PD患者识别中的临床应用价值。     

基于多参数磁共振成像的影像组学列线图在识别脑白质高信号半暗带中的应用研究

目的探讨使用T2WI联合FLAIR序列成像的影像组学列线图识别脑白质高信号半暗带的临床可行性。方法回顾性分析2012年至2017年我院收治的57例白质高信号进展患者和57例健康体检者的资料并分为训练组(n=80)和验证组(n=34)。对每例患者和健康体检的白质高信号半暗带区分别对T2WI和FLAIR图像提取纹理特征,然后对训练组使用最小绝对收缩与选择算子算法进行降维并建立影像组学标签,同时结合临床危险因素作为Logistic回归分析的潜在预测因子构建识预测模型并制作模型列线图。通过验证组数据评估影像组学列线图的性能和临床应用价值。结果列线图预测白质高信号半暗带的准确率在训练组和验证组中分别为0.881和0.862。Hosmer-Lemeshow检验在训练和验证集间差异均无统计学意义(P>0.05)。使用受试者工作特征曲线评估列线图、影像组学标签和糖尿病因素的AUC分别为0.829、0.819和0.64。结论基于多参数磁共振成像的影像组学列线图可作为一种量化工具帮助临床医生识别白质高信号半暗带,从而进行早期的干预治疗。     

基于有效直径和水当量直径计算头颅CT扫描体型特异性剂量估算值的对比研究

目的 比较利用扫描范围中心层面有效直径（effective diameter, d_eff）和水当量直径（water equivalent diameter, d_w）计算成人头颅CT扫描体型特异性剂量估算值（size specific dose estimate, SSDE）的差异。方法 连续收集111例头颅CT检查的成人患者。记录每例患者的容积CT剂量指数（volume CT dose index, CTDI_vol）。将111例患者的头颅CT SSDE数据进行 SSDE_deff 和 SSDE_dw 两种方法计算,记为A组和B组,分别以中心层面d_eff或d_w的体型转换系数（size dependent specific conversion factor,f）与标称CTDI_vol乘积计算SSDE。计算A、B两组的体径、f和SSDE。以扫描容积体型特异性剂量估算值（SSDE_gross）为参照,评估两种方法计算SSDE的准确度。结果 A、B两组的体径、f差异均有统计学意义（t=47.587,z=-9.242,P<0.05）。A、B两组的SSDE分别为 （56.20±2.66）和（53.49±2.48） mGy,差异亦有统计学意义（t=-46.687,P<0.05）。A、B两组中d_eff与d_w比较（r=0.873,R²=0.761）、SSDE_deff与SSDE_dw比较（r=0.974,R²=0.949）均为正相关（P<0.05）。SSDE_deff 与SSDE_gross比较（r=0.900,R²=0.809）、SSDE_dw与SSDE_gross比较（r=0.904,R²=0.817）,亦为正相关（P<0.05）。以SSDE_gross为参考,SSDE_deff、SSDE_dw估算辐射剂量的平均绝对误差分别为2.34和0.78 mGy,平均相对误差分别为4.38%和1.40%,均方根误差分别为1.17 mGy （2.17%）和1.06 mGy （1.91%）。SSDE_dw与SSDE_gross 估算剂量数值分布相近,SSDE_deff 和SSDE_dw的四分位间距、全距的剂量分布分别为3.22和2.39 mGy、13.65和12.48 mGy。结论 基于中心层面SSDE_dw与SSDE_gross的一致性,且优于SSDE_deff,因此,SSDE_dw可替代SSDE_gross作为头颅CT扫描体型特异性剂量估算值的简便指标。     

磁共振T1ρ成像定量分析体重对膝关节软骨退变的影响

目的探讨磁共振T1ρ成像评价体重对软骨退变影响的价值。方法按WHO体重指数BMI分组,A偏轻(BMI18.5)、B正常(18.5~24.9)、C肥胖(BMI≥25)。年龄40~50岁;无手术外伤及免疫性关节炎家族史;WOMAC骨关节炎指数80,每组20位患者行常规膝关节MR序列及T1ρ扫描,观察、测量股骨内外髁负重区及非负重区、胫骨内外平台、髌软骨7处兴趣区的色阶图像及平均T1ρ值并进行统计学分析,评估体重对膝关节软骨退变的影响。结果27例膝关节出现软骨损伤(A组4例、B组10例、C组13例);19例位于股骨内外髁负重区(A组2例、B组6例、C组11例)。体重偏轻组与正常组各兴趣区T1ρ值在股骨外侧非负重区、胫骨外侧平台与髌后软骨三处兴趣区无统计学差异(P0.05)其余兴趣区均有统计学差异(P0.05);体重正常组与肥胖组髌软骨兴趣区T1ρ值无统计学差异(P0.05),其余感兴趣区均有统计学差异;体重偏轻组与肥胖组各兴趣区T1ρ值均有统计学差异(P0.05);股骨内外侧髁负重区T1ρ值高于非负重区(P0.05)。结论磁共振T1ρ成像通过对色阶图像的观察及平均T1ρ值的测量可定量分析体重对膝盖软骨退变的影响。     

基于CT的全肝影像组学模型评价乙型肝炎肝纤维化分期的价值

目的 以X线计算机体层摄影术(CT)为基础,构建全肝影像组学模型,并对乙型肝炎肝纤维化分期进行评估。方法 收集100例乙型肝炎肝脏纤维化患者的临床及影像资料,按7:3比例分为训练组与验证组,训练组71例,验证组29例。应用AK分析软件提取患者肝脏平扫图像的纹理属性,然后对训练组提取纹理特征展开特征降维操作,再构建出影像组学纤维化指数(RFI)模型。基于RFI模型使用ROC曲线分别用于评估不同纤维化分期的诊断效能,并评价其在验证组中的效能。结果 降维后共剩余8个特征用于构建RFI模型,ROC曲线分析显示RFI模型在训练组和测试组中均表现出良好的预测效能,AUC分别为0.81和0.80,特异度分别为0.74和0.71,敏感度分别为0.81和0.75。结论 应用肝脏CT构建出来的影像组学模型,能够对肝纤维化分期进行定量分析,有望为临床提供一种无创性评价工具。     

CT影像组学识别非酒精性脂肪性肝炎的应用研究

目的 构建并验证基于CT的全肝影像组学模型用于识别非酒精性脂肪性肝炎（non-alcoholic steatohepatitis,NASH）。方法 回顾性选取2018年6月至2022年12月浙江省人民医院收治的122例非酒精性脂肪性肝病患者,其中NASH患者52例。将纳入患者按7：3比例随机分为训练组（n=85）和测试组（n=37）,选取每例患者的肝脏平扫图像提取影像组学特征,对训练组提取的特征进行降维并建立影像组学标签,之后联合相关临床特征构建联合预测模型用于识别NASH患者,使用受试者操作特征曲线及测试组数据评估模型的诊断效能。结果 联合预测模型基于年龄和影像组学标签构建,该模型在训练组和测试组中识别NASH患者的诊断效能分别为0.899和0.880,特异性分别为91.2%和88.1%,敏感度分别为86.7%和88.2%。校准曲线在训练组和测试组中也显示出良好的校准性能。结论 基于肝脏CT的影像组学模型可定量评估NASH,有望为临床提供一种无创性评价工具。