目的:建立和验证基于钆塞酸二钠（Gd-EOB-DTPA）增强MRI的双表型肝细胞癌（DPHCC）术前诊断影像组学模型。方法:回顾性收集行Gd-EOB-DTPA增强MRI检查并经术后病理证实为肝细胞癌（HCC）的住院患者共250例，其中苏州大学附属第一医院的172例患者（DPHCC 72例，非DPHCC 100例）作为训练组（2020年1月至2023年7月），南通市第三人民医院的78例患者（DPHCC 44例，非DPHCC 34例）作为外部验证组（2019年1月至2023年7月）。于平扫、动脉期（AP）、门静脉期（PP）和肝胆期（HBP）图像中逐层勾画肿瘤感兴趣区，使用开源软件FAE进行影像组学特征提取，应用Pearson相关性分析及递归特征消除法进行特征选择，使用逻辑回归、线性判别分析、支持向量机3种分类器构建各期及联合影像组学DPHCC术前诊断影像组学模型。采用受试者工作特征曲线下面积（AUC）评估并筛选最优影像组学模型。联合诊断效能最优的组学模型与临床独立因素构建临床影像组学模型。采用Delong检验评价模型AUC的差异。结果:训练组年龄为（59.6±10.4）岁，男135例（78.5%），外部验证组年龄为（57.8±9.2）岁，男56例（71.8%）。训练组病灶最大径［ M（ Q1， Q3），4.7（2.6，7.5）比2.7（1.8，4.4）cm］及多发病灶比例（39.5%比16.7%）均高于外部验证组（均 P<0.001）。在训练组中，DPHCC亚组患者乙型肝炎病毒（HBV）感染率（66.7%，48/172）高于非DPHCC亚组（49.0%，49/78）（ P=0.021）；在外部验证组中，影像组学模型中PP模型和三期联合模型AUC（95% CI）分别为0.835（0.733~0.937）和0.786（0.681~0.891），均高于平扫的0.451（0.319~0.584）、AP的0.566（0.435~0.696）和HBP模型的0.496（0.363~0.629）（均 P<0.05），PP模型与三期联合模型AUC差异无统计学意义（ P=0.189）；影像组学模型与纳入HBV感染后的临床-影像组学模型的AUC差异亦无统计学意义（均 P>0.05）。 结论:Gd-EOB-DTPA增强MRI PP影像组学模型可用于术前鉴别DPHCC和非DPHCC。

目的:探讨基于自动乳腺全容积成像(ABVS)影像组学的机器学习模型鉴别乳腺影像报告和数据系统(BI-RADS) 4类病灶良恶性的临床价值。方法:前瞻性收集2020年5－12月于西南医科大学附属医院(中心1)和广东省中医院(中心2)接受ABVS检查和组织活检的BI-RADS 4类病灶患者，分为训练集(中心1)和外部验证集(中心2)。将病灶的最大切面图像(ABVS横切面、矢状面和冠状面各一张)导入影像组学分析软件(MaZda)，并提取影像组学特征。在训练集，七种特征选择方法和十三种机器学习算法进行两两结合，构建不同的机器学习模型，将诊断性能最优的六种模型在外部验证集进行验证并确定最终的机器学习模型。最后，评估有或无模型辅助下不同经验超声医师(R1、R2和R3，分别有3、6和10年经验)诊断效能和诊断信心的变化。结果:①研究纳入251个BI-RADS 4类病灶，其中训练集178个(良性91个，恶性87个)，外部验证集73个(良性44个，恶性29个)；②训练集中，诊断性能最优的六种机器学习模型分别是基于递归特征消除(RFE)的深度神经网络(DNN)模型，自适应提升(AdaBoost)模型，逻辑回归(LR)模型，线性判别分析(LDA)模型，集成算法(Bagging)模型和支持向量机(SVM)模型，ROC曲线下面积(AUC)依次为0.972、0.969、0.968、0.968、0.967和0.962；③外部验证集中，DNN-RFE模型仍具有最优的诊断性能，其AUC、准确性、敏感性、特异性、阳性预测值(PPV)和阴性预测值(NPV)分别为0.886、0.836、0.934、0.776、86.8%和82.5%；④模型辅助前，R1的诊断性能最差，其准确性、敏感性、特异性、PPV和NPV分别为0.680、0.750、0.640、57%和81%；模型辅助后，R1的上述指标分别提升至0.730、0.810、0.930、68%和94%，差异有统计学意义( P＝0.039)，而R2和R3与辅助前比较，差异无统计学意义( P＝0.811，0.752)；三名医师的总体诊断信心从2.8增加至3.3( P<0.001)。 结论:基于ABVS影像组学的机器学习模型能较好地区分良恶性BI-RADS 4类病灶，提升经验较少医师的诊断性能及其诊断信心。

目的:筛选肝移植术后出血患者开腹止血术后死亡的危险因素。方法:选择2005年6月至2013年6月肝移植术后出血二次开腹止血术的患者，年龄>18岁。收集患者术前一般资料；收集肝移植手术时间、手术方式，术中大出血，术中血管活性药物、阿托品、利多卡因和免疫抑制剂的使用情况；收集术后气管切开和肾功能衰竭的发生情况。根据患者术后3个月生存情况将患者分为生存组(S组)和死亡组(D组)。将组间比较差异有统计学意义的因素进行多元逻辑回归分析，筛选肝移植术后出血患者开腹止血术后死亡的危险因素。结果:共128例患者纳入本研究，其中S组117例，D组11例。术后肾功能衰竭是肝移植术后出血患者开腹止血术后死亡的独立危险因素， OR值及其95%可信区间为11.307(1.992～64.188)( P<0.05)。术后肾功能衰竭的曲线下面积及其95%可信区间为0.849(0.712～0.986)，其预测患者术后死亡的灵敏度和特异度分别为81.8%和12.0%。 结论:术后肾功能衰竭是肝移植术后出血患者开腹止血术后死亡的独立危险因素。

目的:探讨机器学习算法和COX列线图在肝细胞癌术后生存预测中的应用价值。方法:采用回顾性描述性研究方法。收集2012年1月至2017年1月中国医学科学院北京协和医学院肿瘤医院收治的375例肝细胞癌行根治性肝切除术患者的临床病理资料；男304例，女71例；中位年龄为57岁，年龄范围为21～79岁。375例患者通过计算机产生随机数方法以8∶2比例分为训练集300例和验证集75例，应用逻辑回归、支持向量机、决策树、随机森林、人工神经网络机器学习算法构建肝细胞癌患者术后生存的预测模型，筛选性能最优的机器学习算法预测模型；构建肝细胞癌患者术后生存预测的COX列线图预测模型；比较最优机器学习算法预测模型和COX列线图预测模型预测肝细胞癌患者术后生存的性能。观察指标：(1)训练集与验证集患者临床病理资料分析。(2)训练集与验证集患者随访及生存情况。(3)机器学习算法预测模型构建及验证。(4)COX列线图预测模型构建及验证。(5)随机森林机器学习算法预测模型与COX列线图预测模型预测性能评价。采用门诊或电话方式进行随访，了解患者生存情况。随访时间截至2019年12月或患者死亡。正态分布的计量资料以 ± s表示，组间比较采用配对 t检验。偏态分布的计量资料以 M( P25， P75)或 M(范围)表示，组间比较采用Mann-Whitney U检验。计数资料以绝对数表示，当Tmin≥5，N≥40时，组间比较采用 χ2检验；当1≤Tmin≤5，N≥40时，采用校正 χ2检验；当Tmin<1或N<40时，采用Fisher确切概率法。采用Kaplan-Meier法计算生存率和绘制生存曲线。采用COX比例风险模型进行单因素分析，将 P<0.2的变量纳入Lasso回归分析，根据λ值筛选影响预后的变量，最后将变量纳入COX比例风险模型进行多因素分析。 结果:(1)训练集与验证集患者临床病理资料分析：训练集和验证集患者微血管侵犯(无、有)，肝硬化(无、有)分别为292、8例，105、195例和69、6例，37、38例，两组患者比较，差异均有统计学意义( χ2＝4.749，5.239， P<0.05)。(2)训练集与验证集患者随访及生存情况：训练集与验证集患者均获得随访。训练集300例患者随访时间为1.1～85.5个月，中位随访时间为50.3个月。验证集75例患者随访时间为1.0～85.7个月，中位随访时间为46.7个月。375例肝细胞癌患者术后1、3年总体生存率分别为91.7%、79.5%。训练集和验证集患者术后1、3年总体生存率分别为92.0%、79.7%和90.7%、81.9%。两组患者术后生存情况比较，差异无统计学意义( χ2＝0.113， P>0.05)。(3)机器学习算法预测模型构建及验证。①筛选最优机器学习算法预测模型：根据变量对预测肝细胞癌术后3年生存的信息增益度，应用逻辑回归、支持向量机、决策树、随机森林和人工神经网络5种机器学习算法对肝细胞癌临床病理因素进行变量综合排名。筛选主要预测因素为乙型肝炎e抗原(HBeAg)、手术方式、肿瘤最大直径、围术期输血、肝被膜侵犯、肝脏Ⅳ段侵犯。将预测因素前3、6、9、12、15、18、21、24、27、29个变量依次引入5种机器学习算法。其结果显示：当引入9个变量时，逻辑回归、支持向量机、决策树、随机森林机器学习算法预测模型受试者工作特征曲线的曲线下面积(AUC)趋于稳定。当引入变量>12个时，人工神经网络机器学习算法预测模型AUC波动明显，逻辑回归、支持向量机机器学习算法预测模型AUC稳定性可继续改善，而随机森林机器学习算法预测模型AUC接近0.990，说明随机森林机器学习算法预测模型为最优机器学习算法预测模型。②随机森林机器学习算法预测模型优化和验证：将预测因素29个变量依次引入随机森林机器学习算法预测模型中，构建训练集最佳随机森林机器学习算法预测模型。其结果显示：当引入变量＝10个时，网格搜索法示最佳决策树结点个数＝4，最佳决策树数目＝1 000；当引入变量≥10个时，随机森林机器学习算法预测模型AUC稳定在0.990左右。其中当引入变量＝10个时，随机森林机器学习算法预测模型预测训练集术后3年总体生存AUC为0.992，灵敏度为0.629，特异度为0.996，预测验证集术后3年总体生存AUC为0.723，灵敏度为0.177，特异度为0.948。(4)COX列线图预测模型构建及验证。①训练集患者术后生存因素分析。单因素分析结果显示：HBeAg、甲胎蛋白、围术期输血、肿瘤最大直径、肝被膜侵犯、肿瘤分化程度是影响肝细胞癌患者术后生存的相关因素(风险比＝1.958，1.878，2.170，1.188，2.052，0.222，95%可信区间为1.185～3.235，1.147～3.076，1.389～3.393，1.092～1.291，1.240～3.395，0.070～0.703， P<0.05)。将 P<0.2的临床病理因素纳入Lasso回归分析，其结果显示：性别，HBeAg，甲胎蛋白，手术方式，围术期输血，肿瘤最大直径，肿瘤位置在肝脏Ⅴ段和肝脏Ⅷ段，肝被膜侵犯，肿瘤分化程度(高分化、中高分化、中分化、中低分化)是影响肝细胞癌患者术后生存的相关因素。进一步将上述临床病理因素纳入多因素COX回归分析，其结果显示：HBeAg、手术方式、肿瘤最大直径是肝细胞癌患者术后生存的独立影响因素(风险比＝1.770，8.799，1.142，95%可信区间为1.049～2.987，1.203～64.342，1.051～1.242， P<0.05)。②COX列线图预测模型的构建和验证：将训练集COX多因素分析结果中 P≤0.1的临床病理因素引入Rstudio软件及其rms软件包，构建训练集COX列线图预测模型。COX列线图预测模型预测术后总体生存的C-index为0.723(se＝0.028)，预测训练集术后3年总体生存AUC为0.760，预测验证集术后3年总体生存AUC为0.795。训练集校准图验证显示COX列线图预测模型对术后生存有较好预测效果。COX列线图回归函数＝0.627 06×HBeAg(正常＝0，异常＝1)＋0.134 34×肿瘤最大直径(cm)＋2.107 58×手术方式(腹腔镜＝0，开腹手术＝1)＋0.545 58×围术期输血(无输血＝0，输血＝1)－1.421 33×高分化(非高分化＝0，高分化＝1)。计算所有患者COX列线图风险评分，应用Xtile软件寻找COX列线图风险评分最佳阈值，风险评分≥2.9分为高危组，风险评分<2.9分为低危组。Kaplan-Meier总体生存曲线结果显示：训练集低危组和高危组患者术后总体生存比较，差异有统计学意义( χ2＝33.065， P<0.05)。验证集低危组和高危组患者术后总体生存比较，差异有统计学意义( χ2＝6.585， P<0.05)。进一步采用决策曲线分析结果显示：联合HBeAg、手术方式、围术期输血、肿瘤最大直径和肿瘤分化程度因素的COX列线图预测模型预测性能优于单一因素的预测性能。(5)随机森林机器学习算法预测模型和COX列线图预测模型预测性能评价：通过对2种模型中共同含有的重要变量(肿瘤最大直径)进行分析，并将2种模型通过预测误差曲线进行比较，观察2种模型的预测差异。其结果显示：肿瘤最大直径为2.2 cm时，随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为77.17%和74.77%( χ2＝0.182， P>0.05)；肿瘤最大直径为6.3 cm时，随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为57.51%和61.65%( χ2＝0.394， P>0.05)；肿瘤最大直径为14.2 cm时，随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为51.03%和27.52%( χ2＝12.762， P<0.05)。随着肿瘤最大直径增加，2种模型预测患者生存率差异增大。验证集中，随机森林机器学习算法预测模型预测患者术后3年总体生存AUC为0.723，COX列线图预测模型预测患者术后3年总体生存AUC为0.795，两者比较，差异有统计学意义( t＝3.353， P<0.05)。采用Bootstrap交叉验证结果显示：随机森林机器学习算法预测模型和COX列线图预测模型预测3年生存的整合Brier得分分别为0.139、0.134，COX列线图预测模型预测误差低于随机森林机器学习算法预测模型。 结论:与机器学习算法预测模型比较，COX列线图预测模型预测肝细胞癌术后3年生存性能更佳，且其变量少，易于临床使用。

目的:描述并分析2010年至2017年西班牙6~18岁青少年的年龄和性别与独立上学能力(IM)之间的关系。此外，也研究了2010年至2017年不同性别和年龄的IM变化率。方法:这是从11项西班牙研究中获取的横断面数据。该研究样本包括3 460例儿童和1 523例青少年。采用Logistic回归模型(含有性别和年龄因素的IM)和多层逻辑回归模型(含有各时间段因素的IM)的方法进行分析。结果:儿童中男童IM的 OR值较女童高( OR：1.86， CI：1.50~2.28， P<0.01)，青少年较儿童有更高的IM(均 P<0.05)：12~14岁( OR：6.30； CI：1.65~23.97)和14~16岁( OR：7.33； CI：1.18~45.39)的男童较6~8岁的男童有更高的IM。此外，12~14岁( OR：4.23； CI：1.01~17.81)女童的IM比6~8岁的女童高( P<0.001)。IM与时间段没有相关性。 结论:男童和青少年的IM较高，强调对提升女童和儿童IM的策略是必要的，重要的是这些策略的实施需要来自研究者、公共卫生工作者和家庭的支持，以实现积极的目标。

目的:探索肝细胞癌(HCC)的微血管侵犯(MVI)发生的风险因素，实现术前、无创、准确预测MVI。方法:回顾性收集2016年1月至2022年6月在西安交通大学第一附属医院确诊的150例HCC患者(183个HCC病灶)。记录患者的临床和血液学数据、病灶的灰阶超声(US)、超声造影(CEUS)、钆塞酸二钠增强磁共振(EOB-MRI)和病理学数据。根据病理学诊断分为MVI阳性组(109个)和MVI阴性组(74个)。比较两组间以上参数的差异。全部样本纳入训练集，根据多因素逻辑回归筛选出的MVI风险因素构建列线图预测模型。采用十重交叉验证法进行内部验证。结果:MVI阳性组与MVI阴性组间以下指标差异有统计学意义(均 P<0.05)，包括有无肝硬化、血清学指标(甲胎蛋白、白蛋白、总胆红素)、US定性指标(尺寸、边界、内部回声)、CEUS定性指标[动脉相(AP)、静脉相(PP)、血管后相(PVP)病灶较周边组织的高/等/低增强]和EOB-MRI的定量指标[主要根据肝胆相、平扫的T1图像上病变和周边肝实质计算的增强后率(post率)及钆塞酸二钠率(EOB率)]。肝硬化，US的病灶尺寸、边界、内部回声，CEUS的AP、PP、PVP特征，以及EOB-MRI的EOB率、post率最终进入MVI的预测模型。训练集可获得较好的校准度和净获益率。训练集和验证集的ROC曲线下面积分别为0.981和0.961，诊断准确率分别为92.9%和85.8%。 结论:以多模态影像学为主要手段构建的模型显示出对MVI良好的预测性能，为无创预测MVI发生率及优化HCC患者的MVI相关治疗提供了有价值的信息。

目的:探讨基于超声影像组学联合临床病理学特征预测乳腺癌患者肿瘤增殖细胞核抗原67(Ki-67)表达状态的可行性。方法:回顾性分析2018年1月至2022年2月在南京医科大学附属常州第二人民医院接受二维超声和Ki-67检查的乳腺癌患者。其中来自城中院区的427例患者按照8∶2的比例随机划分为训练集和验证集，来自阳湖院区的229例患者作为独立的外部测试集。从二维超声图像的感兴趣区域提取影像组学特征，采用Mann-Whitney U检验、递归特征消除以及最小绝对收缩和选择算子进行特征降维并建立影像组学评分(Rad-score)。随后，采用单/多因素逻辑回归分析，根据Rad-score和临床病理学特征构建联合预测模型。使用ROC曲线下面积(AUC)、校准曲线和决策曲线分析以评估模型性能和实用性。 结果:联合模型在训练、验证和测试集中预测乳腺癌Ki-67表达状态的AUC分别为0.858、0.797、0.802，均优于影像组学(0.772、0.731、0.713)和临床模型(0.738、0.750、0.707)。校准曲线和决策曲线分析表明联合模型具有良好的校准度和临床价值。结论:基于超声影像组学和临床病理学特征的联合模型能够有效预测乳腺癌Ki-67表达状态，有望成为Ki-67检测的非侵入性工具，并为临床医生提供重要的辅助诊断和治疗决策依据。

肝细胞癌（HCC）是全球最常见的恶性肿瘤之一，也是癌症相关死亡的第三大原因。双表型肝细胞癌（DPHCC）作为HCC的一种亚型，被2015年纳入中国原发性肝癌病理诊断的循证实践指南，术前影像学对DPHCC的初步诊断对于临床决策至关重要，因为有证据表明CK7、CK19阳性HCC具有高侵袭性、增殖和迁移能力。为了描述DPHCC患者的临床特征和预后，该研究纳入了2015年1月至2018年12月就诊的50例术后病理诊断为DPHCC的患者（观察组）和50例CK7、CK19阴性的HCC患者（对照组）（均行钆塞酸二钠增强MRI检查）。利用放射组学平台分析动脉期、门静脉期、延迟期和肝胆期图像，采用最小绝对收缩和选择算子（LASSO）降维，多层感知器、支持向量机、逻辑回归和K-近邻4个分类器来区分DPHCC与CK7和CK19阴性的HCC。Kaplan Meier生存分析评估观察组和对照组1年无病生存率（DFS）和总生存率（OS）。结果显示，DPHCC的最佳术前诊断能力可能来自于不同阶段和分类方法的组合。逻辑回归在门静脉期（0.740、0.780、0.766）、延迟期（0.893、0.700、0.798）、肝胆期（0.800，0.720，0.756）以及多层感知器在门静脉期（0.800、0.720、0.756）中的敏感性、特异性和准确性均表现较好。观察组患者1年DFS为69%，OS为78%。对照组患者1年DFS和OS分别为83%和85%。Kaplan-Meier生存分析显示组间DFS和OS差异无统计学意义（ P=0.231、0.326），但DFS和OS在DPHCC患者中数值较低。从钆塞酸二钠增强MRI图像中提取的放射组学特征可用于诊断术前DPHCC。DPHCC比HCC更容易复发和导致死亡，提示DPHCC患者术后需要积极的管理。

目的:探讨机器学习算法在肝细胞癌微血管侵犯(MVI)术前预测中的应用价值。方法:采用回顾性描述性研究方法。收集2015年5月至2018年12月福建医科大学孟超肝胆医院收治的277例肝细胞癌患者的临床病理资料；男235例，女42例；年龄为(56±10)岁，年龄范围为33～80岁。患者术前均行磁共振成像检查。227例肝细胞癌患者通过计算机产生随机数方法以7∶3比例分为训练集193例和验证集84例。应用逻辑回归列线图，支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)和轻量级梯度提升机(LightGBM)机器学习算法构建MVI术前预测模型。观察指标：(1)训练集及验证集患者临床病理资料分析。(2)影响训练集患者肿瘤MVI危险因素分析。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较。正态分布的计量资料以 ± s表示，组间比较采用配对 t检验。计数资料以绝对数表示，组间比较采用 χ2检验。单因素和多因素分析采用Logistic回归模型。 结果:(1)训练集及验证集患者临床病理资料分析：训练集和验证集患者性别(男，女)分别为157、36例和78、6例，两组比较，差异有统计学意义( χ2＝6.028， P<0.05)。(2)影响训练集患者肿瘤MVI危险因素分析：训练集193例患者中，MVI阳性108例，MVI阴性85例。单因素分析结果显示：年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、甲胎蛋白(AFP)、碱性磷酸酶(ALP)和纤维蛋白原水平是影响肿瘤MVI的相关因素(比值比＝0.971，2.449，1.368，4.050，2.956，4.083，2.532，1.996，95%可信区间为0.943～1.000，1.169～5.130，1.180～1.585，1.316～12.465，1.310～6.670，2.214～7.532，1.016～6.311，1.323～3.012， P<0.05)。多因素分析结果显示：AFP>20 μg/L、肿瘤多发、肿瘤直径越大、肿瘤边界不光滑是影响肿瘤MVI的独立危险因素(比值比＝3.680，3.100，1.438，3.628，95%可信区间为1.842～7.351，1.334～7.203，1.201～1.721，1.438～9.150, P<0.05)，而年龄越大，MVI发生风险越低(比值比＝0.958，95%可信区间为0.923～0.994， P<0.05)。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较：①应用多因素分析结果筛选指标，包括年龄、AFP、肿瘤数目、肿瘤直径、肿瘤边界，构建逻辑回归列线图，SVM、RF、ANN及LightGBM机器学习算法预测模型，一致性分析结果显示逻辑回归列线图预测模型稳定性较好。逻辑回归列线图、SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集曲线下面积(AUC)分别为0.812、0.794、0.807、0.814、0.810和0.784、0.793、0.783、0.803、0.815，SVM、RF、ANN、LightGBM机器学习算法AUC分别与逻辑回归列线图AUC比较，差异均无统计学意义[(95%可信区间为0.731～0.849，0.744～0.860，0.752～0.867，0.747～ 0.862，Z＝0.995，0.245，0.130，0.102， P>0.05)和(95%可信区间为0.690～0.873，0.679～0.865，0.702～0.882，0.715～ 0.891，Z＝0.325，0.026，0.744，0.803， P>0.05)]。②应用RF、LightGBM机器学习算法自行筛选临床病理因素指标构建预测模型。根据指标对预测模型重要度排序，选择重要度>0.01的指标，包括年龄、肿瘤直径、AFP、白细胞(WBC)、血小板、总胆红素、天冬氨酸氨基转移酶、γ－谷氨酰转移酶、ALP和纤维蛋白原，构建RF机器学习算法预测模型；挑选重要度>5.0的指标，包括年龄、肿瘤直径、AFP、WBC、ALP和纤维蛋白原，构建LightGBM机器学习算法预测模型；由于ANN及SVM机器学习算法不具备筛选指标能力，应用单因素分析结果筛选指标，包括年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、AFP、ALP和纤维蛋白原水平，构建SVM、ANN机器学习算法预测模型。SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集AUC分别为0.803、0.838、0.793、0.847和0.810、0.802、0.802、0.836，分别与逻辑回归列线图AUC比较，差异均无统计学意义[(95%可信区间为0.740～0.857，0.779～0.887，0.729～0.848，0.789～0.895，Z＝0.421，0.119，0.689，1.517， P>0.05)和(95%可信区间为0.710～0.888，0.700～0.881，0.701～0.881，0.740～0.908，Z＝0.856，0.458，0.532，1.306， P>0.05)]。 结论:机器学习算法可用于术前预测肝细胞癌MVI，但其应用价值尚需多中心大样本数据进一步验证。

目的:机器学习是人工智能的一个重要分支及支撑技术，本研究拟比较基于基质辅助激光解吸电离飞行时间质谱（MALDI-TOF-MS）技术的4种肺炎克雷伯菌对亚胺培南药物敏感性机器学习预测模型的诊断效能。方法:回顾性研究。收集2019年1月至2020年12月天津市海河医院检验科微生物室临床标本中分离的684株肺炎克雷伯菌的MALDI-TOF MS质谱峰和亚胺培南药敏数据，从中按照简单随机方法选取亚胺培南敏感株和耐药株各70株的质谱峰数据作为训练集，以及敏感株和耐药株各30株建立测试集模型，对上述200份标本的质谱峰数据经归一化处理后进行正交偏最小二乘判别分析（OPLS-DA）后，再分别通过最小绝对值选择与收缩算子（LASSO）、逻辑回归（LR）、支持向量机（SVM）和神经网络（NN）算法建立训练集数据模型，通过网格搜索算法和10折交叉验证选取最好的训练集和测试集模型曲线下面积（AUC）和混淆矩阵，通过测试集混淆矩阵验证预测模型的正确率。结果:OPLS-DA分析的R2Y和Q2分别为0.546 3和0.017 8，最优的LASSO、LR、SVM和NN算法训练集和测试集的AUC分别为1.000 0和0.858 1、1.000 0和0.820 1、0.940 8和 0.756 1、1.000 0和0.697 2，训练集模型对耐药预测准确率分别为99%（69/70）、100%（70/70）、91%（64/70）和100%（70/70），药物敏感预测准确率分别为100%（70/70）、100%（70/70）、90%（63/70）和100%（70/70），正确率分别为99%（139/140）、100%（140/140）、91%（127/140）和100%（140/140），经测试集验证分别对耐药预测准确率为93%（28/30）、87%（26/30）、60%（18/30）和60%（18/30），药物敏感预测准确率分别为100%（30/30）、80%（24/30）、93%（28/30）和67%（20/30），正确率分别为97%（58/60）、83%（50/60）、77%（46/60）和63%（38/60）。结论:LASSO算法建立的肺炎克雷伯菌对亚胺培南药物敏感性预测模型具有较高的诊断效能，具有潜在的临床辅助决策支持能力。