目的 探讨深度学习超声组学列线图评估浸润性乳腺癌侵袭转移生物学特性指标的价值.资料与方法 回顾性收集2021年1月—2022年12月茂名市人民医院180例经病理证实浸润性乳腺癌患者的超声影像资料,且病理报告了淋巴结转移(LNM)或淋巴血管间隙浸润(LVSI)或神经侵犯(PNI)状态,依据LNM/LVSI/PNI状态,3个指标均以8∶2划分为训练队列和验证队列.基于Pyradiomics影像组学和ResNet50深度学习提取器分别提取1 316个影像组学特征和2 048个深度学习特征.采用随机森林机器学习算法开发评估模型,并计算模型评分.基于影像组学和深度学习模型评分开发深度学习超声组学列线图.使用受试者工作特征曲线评估模型的性能,Delong检验分析不同模型的性能差异.结果 在LNM、LVSI、PNI状态评估中,所有队列列线图曲线下面积均表现中度以上评估性能(≥0.73),准确度均>0.70,LNM评估中,训练队列的曲线下面积为0.97,准确度为0.93,敏感度为0.88,特异度为0.96.Delong检验显示列线图评估性能在训练队列中优于影像组学模型(LNM,Z=2.04,P=0.04;LVSI,Z=2.80,P=0.01;PNI,Z=3.52,P<0.01),优于或与深度学习模型相似(LNM,Z=4.52,P<0.01;LVSI,Z=1.86,P=0.06;PNI,Z=0.31,P=0.76).结论 深度学习超声组学列线图可有效评估浸润性乳腺癌侵袭转移生物学特性指标.列线图整合影像组学与深度学习特征信息提高了评估性能.

目的 构建基于超声特征的列线图模型,探讨其鉴别诊断良、恶性膀胱隆起样病变的价值.资料与方法 回顾性分析2016年1 月—2022年 1月四川省人民医院经手术病理证实的膀胱隆起样病变 538 例(良性 84 例,恶性 454例)的超声资料,对膀胱病变超声特征(病灶部位、数目、最大径线、回声、形态、基底、钙化、彩色多普勒血流显像信号)及患者简要临床指标(性别、年龄、泌尿系恶性肿瘤史、肉眼血尿)行 Logistic 单因素及多因素回归分析,筛选出独立预测因子,并构建预测模型.通过Bootstrap重抽样进行内部验证.绘制受试者工作特征曲线、校正曲线、临床决策曲线评估模型.结果 单因素及多因素Logistic回归分析结果显示,性别(OR=1.822,P=0.038)、年龄(OR=1.044,P=0.000)、病灶部位(OR=0.359,P=0.000)、血流信号(OR=2.052,P=0.007)是预测恶性膀胱隆起样病变的独立因素,基于单因素结果构建的列线图预测模型的曲线下面积为0.780,敏感度为72.91%,特异度为71.43%,准确度为72.68%.校正曲线显示模型的一致性较好.临床决策曲线显示临床净获益良好.结论 基于超声特征和简要临床指标构建的列线图模型鉴别诊断良、恶性膀胱隆起样病变具有较高的准确度和潜在的临床应用价值.

目的 探讨老年髋部骨折患者发生围手术期低体温(IPH)的影响因素,构建并验证风险预警模型.方法 回顾性选取2021年6月至2022年12月在南京鼓楼医院集团宿迁医院行人工股骨头置换术的老年髋部骨折患者154例作为研究对象,根据患者有无出现IPH分为低体温组(n=53)和体温正常组(n=101),通过logistic回归分析老年髋部骨折患者发生IPH的影响因素,同时基于回归分析法构建预警模型,使用R语言软件绘制相应的列线图,采用患者工作特征(ROC)曲线、校准曲线检验预测效能.另选取2023年1-10月行人工股骨头置换术的老年髋部骨折患者66例作为验证集,绘制ROC曲线及校准曲线对模型的预测效能进行外部验证.结果 回归分析结果显示,年龄、BMI、手术室室温、麻醉方式、术中麻醉时间、术后感染、糖尿病均是老年髋部骨折患者发生IPH的独立影响因素,差异有统计学意义(P<0.05).基于以上7个独立影响因素构建的风险预警模型ROC曲线下面积(AUC)为0.863,最佳截断值0.276对应的灵敏度、特异度分别为0.887、0.752.校准曲线平均绝对误差为0.041.验证集AUC为0.838,最佳截断值0.483对应的灵敏度、特异度分别为0.700、0.935,校准曲线平均绝对误差为0.040.结论 老年髋部骨折患者发生IPH受年龄、BMI、手术室室温等因素影响,本研究构建的风险预警模型预测效能良好,可为临床上老年髋部骨折患者预防IPH发生提供参考.

目的 建立并验证基于超声影像组学的诺模图预测T1期乳腺癌同侧腋窝淋巴结转移的价值.资料与方法 回顾性收集2012 年 1 月—2021 年 6 月皖南医学院第一附属医院(弋矶山医院)经病理证实的T1 期乳腺癌 443 例,按 7∶3 随机分为训练组310例和验证组133例.使用ITK-SNAP勾画肿瘤边缘感兴趣区,利用Pyradiomics软件提取特征,筛选特征后构建影像组学模型及标签得分Rad-score.分别建立临床模型、影像组学模型及联合诊断模型,并构建联合模型的预测诺模图,采用受试者工作特征曲线评价各模型的预测价值.结果 多因素分Logistic回归析显示,腋窝超声检查阳性、高回声晕及病灶内部血供丰富是预测腋窝淋巴结转移的独立危险因素,构建临床诊断模型.通过特征筛选构建影像组学模型.基于临床、影像组学特征构建联合诊断模型,训练组联合模型的曲线下面积为0.822,大于临床模型及影像组学模型的0.765、0.723(P=0.002 1、0.001 8);验证组中联合模型的曲线下面积大于影像组学模型(0.846比0.686,P=0.001 8),与临床模型(0.783)差异无统计学意义(P=0.111 3).结论 基于超声影像组学构建的联合诊断模型,能够有效预测T1期乳腺癌同侧腋窝淋巴结转移,具有很高的临床预测效能.

目的:依据本中心队列数据采用不同方法建立新生儿出生体重曲线，并与目前国内常用的协作网G曲线［采用基于偏度系数-中位数-变异系数法的广义可加模型（GAMLSS）拟合方法制定］进行比较，探讨适宜本中心的新生儿出生体重标准。方法:基于2017年1月1日至2022年2月28日于南京大学医学院附属鼓楼医院行妊娠早期胎儿结构超声筛查的前瞻性出生缺陷研究队列中的活产儿7 044例，对其中无小于胎龄儿（SGA）及大于胎龄儿（LGA）高危因素的低风险孕妇3 894例，分别采用GAMLSS法、基于低风险孕妇孕40周分娩新生儿平均出生体重和标准差采用半定制法建立本中心GAMLSS曲线（简称本中心G曲线）、本中心半定制曲线（简称本中心S曲线）。依据本中心S曲线、本中心G曲线对7 044例活产儿是否为SGA进行诊断，分为非SGA组（6 176例）、S较G额外诊断组（94例）、S及G均诊断组（774例），比较3组孕妇不良围产结局的发生率；依据本中心S曲线、协作网G曲线对7 044例活产儿是否为SGA进行诊断，分为非SGA组（6 176例）、S较协作网G额外诊断组（464例）、S及协作网G均诊断组（404例），比较3组孕妇不良围产结局的发生率。结果:（1）7 044例活产儿中，依据协作网G曲线、本中心G曲线及本中心S曲线诊断SGA分别为404例（5.74%，404/7 044）、774例（10.99%，774/7 044）、868例（12.32%，868/7 044）。本中心S曲线新生儿出生体重的第10百分位数值在所有胎龄均高于本中心G曲线和协作网G曲线。（2）S较G额外诊断组、S及G均诊断组入住新生儿重症监护病房（NICU）时间>24 h的发生率［分别为10.64%（10/94）、5.68%（44/774）］均显著高于非SGA组［1.34%（83/6 176）； P均<0.001］；S较G额外诊断组、S及G均诊断组孕妇子痫前期（PE）的发生率分别为12.77%（12/94）、9.43%（73/774），孕34周前早产发生率分别为9.57%（9/94）、2.71%（21/774），孕37周前早产的发生率分别为24.47%（23/94）、7.24%（56/774），均显著高于非SGA组［分别为4.37%（270/6 176）、0.83%（51/6 176）、4.23%（261/6 176）； P均<0.001］。（3）S较协作网G额外诊断组、S及协作网G均诊断组新生儿入住NICU时间>24 h的发生率［分别为5.60%（26/464）、6.93%（28/404）］均显著高于非SGA组（ P均<0.001）；S较协作网G额外诊断组、S及协作网G均诊断组孕妇因不确定的胎儿状态（NRFS）行紧急剖宫产术或产钳助产的发生率［分别为4.96%（23/464）、12.38%（50/404）］均高于非SGA组［2.57%（159/6 176）； P均<0.001］；S较协作网G额外诊断组、S及协作网G均诊断组孕妇PE的发生率分别为8.84%（41/464）和10.89%（44/404），孕34周前早产发生率分别为4.31%（20/464）和2.48%（10/404），孕37周前早产的发生率分别为10.56%（49/464）和7.43%（30/404），均显著高于非SGA组（ P均<0.001）。 结论:相较于协作网G曲线和本中心G曲线，依据本中心低风险活产儿出生体重，采用半定制法建立的本中心S曲线更有利于本中心SGA的筛查，有助于高危儿的识别和管理。

目的:构建基于临床及影像学参数的预测急性缺血性卒中（acute ischemic stroke, AIS）病因分型的列线图模型。方法:回顾性纳入2016年3月至2021年12月在北京医院接受血管内治疗的AIS患者，根据其血栓性质分为大动脉粥样硬化（large artery atherosclerosis, LAA）和心源性栓塞（cardioembolism, CE）。通过LASSO回归筛选与病因分型最相关的临床和影像学参数，并通过多变量 logistic回归建立预测AIS病因分型的列线图预测模型，探讨相关临床和影像学参数在分型中的预测价值。通过受试者工作特征曲线、校准曲线和临床决策曲线评估预测模型的诊断效能。 结果:共纳入136例接受血管内治疗的前循环大血管闭塞AIS患者，其中CE 62例（45.6%），LAA 74例（54.4%）。将单变量分析中 P<0.10的变量纳入LASSO回归以筛选相关变量，最终性别、基线美国国立卫生研究院卒中量表（National Institute of Health Stroke Scale, NIHSS）评分、半暗带/梗死核心比、脑钠肽（brain natriuretic peptide, BNP）和血小板计数（platelet, PLT）进入多变量 logistic回归模型。结果显示，性别[优势比（odds ratio, OR）2.632，95%置信区间（confidence interval, CI）1.048~6.607； P=0.039]、基线NIHSS评分（ OR 1.078，95% CI 1.002~1.160； P=0.043）、BNP（ OR 1.004，95% CI 1.002~1.007； P<0.001）、PLT（ OR 0.991，95% CI 0.982~0.999； P=0.031）为区分LAA与CE的预测因素；此外，半暗带/梗死核心比（ OR 0.886，95% CI 0.785~1.000； P=0.050）在预测模型中也起到重要作用。通过受试者工作特征曲线分析该预测模型的诊断效能，曲线下面积为0.881（95% CI 0.815~0.930； P<0.001）。Bootstrap内部验证显示，真实值与预测值符合度的平均绝对误差为0.027，符合度良好；校准曲线、临床决策曲线及Hosmer-Lemeshow检验（ P=0.562）显示，模型的预测值及实际值一致性良好。 结论:CE患者女性更常见、NIHSS评分及BNP更高、PLT和半暗带/梗死核心比更低，结合以上指标建立的列线图模型可较好地鉴别LAA与CE，对临床决策有一定的帮助。

目的:探讨肾透明细胞癌(ccRCC)患者术前CT征象影响总生存期的独立危险因素并绘制列线图。方法:回顾性分析空军军医大学第一附属医院2011年10月至2015年12月术前行CT扫描并最终经病理学证实的ccRCC患者238例。由两名影像科医生对每例患者的CT征象进行评价，并收集患者的一般资料、肾功能检查以及世界卫生组织/国际泌尿病理协会(WHO/ISUP)分级。绘制Kaplan-Meier生存曲线，采用log-rank检验比较生存率。采用Cox比例风险回归进行单变量和多变量分析，并根据多变量分析结果绘制列线图，采用Bootstrap 1000法内部验证后计算C-指数。结果:238例患者经3～74个月随访后，死亡组32例，截尾组206例。死亡组患者的肿瘤直径为(65.70±27.29)mm，大于截尾组的(46.25±26.16)mm，差异有统计学意义( t＝-3.889， P<0.001)。死亡组患者肿瘤坏死( χ2＝45.716， P<0.001)、区域淋巴结肿大( χ2＝43.342， P<0.001)、肾周脂肪侵犯( χ2＝19.324， P<0.001)的发生率均高于截尾组患者。不同肿瘤直径的ccRCC患者其生存率差异有统计学意义( χ2＝17.108， P<0.001)。肿瘤组织出现坏死患者的生存率较无坏死患者低( χ2＝48.195， P<0.001)；区域淋巴结肿大患者的生存率低于无区域淋巴结肿大的患者( χ2＝47.232， P<0.001)；出现肾周脂肪侵犯患者的生存率低于未侵犯的患者( χ2＝19.964， P<0.001)。不同WHO/ISUP分级ccRCC患者的生存率差异有统计学意义( χ2＝27.765， P<0.001)。多变量Cox比例风险回归分析结果显示，CT征象中的肿瘤直径( HR＝2.90，95% CI为1.37～6.14， P＝0.006)、坏死( HR＝8.88，95% CI为3.33～23.69， P<0.001)及区域淋巴结肿大( HR＝4.48，95% CI为2.04～9.86， P<0.001)是ccRCC患者死亡的独立危险因素。列线图的C-指数为0.870。 结论:术前CT征象与ccRCC患者的生存率存在相关性，其中肿瘤直径、肿瘤出现坏死以及区域淋巴结肿大是其死亡的独立危险因素，其列线图具有较高的准确性。

目的:构建和评价轻型缺血性卒中（minor ischemic stroke, MIS）患者发病后90 d时转归不良的列线图预测模型。方法:回顾性分析2022年1月至2023年6月期间合肥市第二人民医院收治的MIS患者。在发病后90 d时应用改良Rankin量表进行转归评价，<2分定义为转归良好，≥2分定义为转归不良。采用多变量 logistic回归分析确定患者转归不良的独立危险因素，并据此构建列线图预测模型。 结果:共纳入177例MIS患者，其中61例（34.46%）转归不良。多变量 logistic回归分析显示，高血压[优势比（odds ratio, OR）3.484，95%置信区间（confidence interval, CI）1.378~8.810； P=0.008]、糖尿病（ OR 2.936，95% CI 1.301~6.625； P=0.009）、入院时美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）评分（ OR 2.936，95% CI 1.027~1.709； P=0.031）和入院时收缩压（ OR 1.083，95% CI 1.053~1.115； P<0.001）是转归不良的独立危险因素。建立的列线图预测模型c统计量为0.828，曲线下面积为0.841（95% CI 0.778~0.891），校准曲线与理想曲线拟合良好。临床决策曲线显示，该模型具有较强的临床适用性。 结论:高血压、糖尿病、入院时NIHSS评分和收缩压是MIS患者转归不良的独立危险因素。基于上述因素构建的列线图对MIS患者的转归不良具有较高的分辨力和临床价值。

目的:探讨基于血细胞计数的炎症标志物在急性缺血性卒中（acute ischemic stroke，AIS）转归评估中的价值。方法:回顾性纳入2022年1月至2023年4月期间泰州市人民医院神经内科收治的AIS患者，收集患者的人口统计学和临床资料，特别是基于血细胞计数的相关炎症标志物，包括全身炎症反应指数（systemic inflammation response index, SIRI）和中性粒细胞/淋巴细胞比值（neutrophil/lymphocyte ratio, NLR）。纳入研究的患者按照7∶3比例随机分为建模队列和验证队列。在建模队列中，根据发病后90 d时改良Rankin量表评分进行转归评估，>2分定义为转归不良。应用多变量二分类 logistic回归模型筛选AIS患者转归的独立影响因素。纳入所有独立影响因素构建列线图预测模型，并在验证队列验证其预测能力。 结果:共纳入389例AIS患者，按照7∶3比例随机分为建模队列（272例）和验证队列（117例）。建模队列与验证队列人口统计学和临床资料均差异无统计学意义。在建模队列中，196例转归良好组，76例转归不良组。多变量 logistic回归分析表明，基线美国国立卫生研究院卒中量表评分[优势比（odds ratio, OR）1.31，95%置信区间（confidence interval, CI）1.18~1.45； P<0.001]、SIRI（ OR 1.64，95% CI 1.04~2.58； P=0.033）、NLR（ OR 1.18，95% CI 1.02~1.36； P=0.024）、吸烟（ OR 2.51，95% CI 1.16~5.46； P=0.020）及糖尿病（ OR 2.48，95% CI 1.13~5.48； P=0.024）是AIS患者转归不良的独立危险因素。纳入以上独立危险因素绘制列线图预测模型。受试者工作特征曲线分析显示，预测模型的曲线下面积为0.866（95% CI 0.816~0.917），表明该模型具有较好的区分度。在验证队列中进行的验证显示，预测模型的曲线下面积为0.884（95% CI 0.804~0.964）。校准曲线及决策曲线分析也证明了预测模型的可靠性。 结论:SIRI及NLR与AIS患者转归不良有关。纳入SIRI和NLR的列线图模型可准确预测AIS患者的转归不良风险。

目的:基于脑小血管病（cerebral small vessel disease, CSVD）影像学标志物构建预测急性缺血性卒中（acute ischemic stroke，AIS）静脉溶栓后短期转归不良的列线图模型。方法:回顾性纳入2021年1月至2023年12月在济宁市第一人民医院接受静脉溶栓治疗的AIS患者。应用MRI评估CSVD影像学标志物，包括腔隙性梗死（lacunar infarction, LI）、脑微出血（cerebral microbleeds, CMBs）、脑白质高信号（white matter hyperintensities, WMHs）和血管周围间隙扩大（enlarged perivascular spaces, EPVS）。在发病后90 d应用改良Rankin量表进行转归评价，>2分定义为转归不良。通过LASSO回归分析筛选与静脉溶栓后转归不良最相关的变量，并通过 logistic回归模型建立预测转归不良的列线图。通过受试者工作特征曲线、校准图和决策曲线分析来验证列线图的预测能力。 结果:共纳入167例患者，96例（57%）转归良好，71例（43%）转归不良。将单变量分析中 P<0.05的变量纳入LASSO回归模型以筛选变量，最终左侧梗死、心房颤动、基线收缩压、基线美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale，NIHSS）评分、高密度脂蛋白胆固醇、WMHs（1分）、CMBs（1分）、EPVS（1分）、LI（1分）、CSVD总体负荷（2~4分）进入多变量 logistic回归分析。结果显示，心房颤动[优势比（odds ratio， OR）6.75，95%置信区间（confidence interval, CI）1.49~41.40； P=0.022]、基线收缩压（ OR 1.01，95% CI 1.00~1.04； P=0.049）、基线NIHSS评分（ OR 1.47，95% CI 1.23~1.80； P<0.001）、WMHs（ OR 3.40，95% CI 1.28~9.53； P=0.015）、CMBs（ OR 3.24，95% CI 1.12~9.90； P=0.032）和EPVS（ OR 2.89，95% CI 1.05~8.23； P=0.041）是转归不良的独立危险因素，应用上述变量构建列线图模型。受试者工作特征曲线分析显示，曲线下面积为0.885（95% CI 0.837~0.933； P<0.01），提示该模型具有较好的区分度。校准图和决策曲线分析提示该列线图模型的预测值及实际值一致性良好。 结论:由心房颤动、基线收缩压、基线NIHSS评分、WMHs、CMBs和EPVS构建的转归不良概率预测列线图模型具有良好的区分度和校准度，具有一定的临床实用性。