目的基于治疗前多参数磁共振成像(multi-parametric magnetic resonance imaging,mpMRI)影像组学特征,结合临床变量构建模型,预测局部晚期宫颈鳞癌(locally advanced cervical squamous cell carcinoma,LACSCC)患者新辅助化疗(neoadjuvant chemotherapy,NACT)后淋巴结转移状况.材料与方法回顾性分析两个中心2013年1月至2022年2月的265例接受NACT并行根治性子宫切除术的LACSCC患者病例及影像,中心1的数据用于模型训练,中心2的数据用于模型验证.所有患者NACT治疗前行盆腔MRI检查.于矢状位T2加权成像(sagittal T2-weighted imaging,Sag_T2WI)、轴位弥散加权成像(axial diffusion-weighted imaging,Ax_DWI)和延迟期矢状位对比增强T1加权成像(sagittal T1-weighted contrast-enhanced imaging,Sag_T1C)勾画肿瘤感兴趣区(region of interest,ROI)并提取影像组学特征.通过K最佳(K-Best)及最小绝对值收缩与选择算法(least absolute shrinkage and selection operator,LASSO)降维并筛选出与淋巴结转移强相关影像组学特征.基于每个序列筛选后的组学特征构建三个单序列模型,在所有特征间作相关性分析,排除高度相关的组学特征,并对临床变量进行多变量回归分析,融合临床变量及筛选后的影像组学特征构建临床-影像组学的组合模型,比较模型间性能差异.利用受试者工作特征(receiver operating characteristic,ROC)曲线及决策曲线(decision curve analysis,DCA)评估模型的诊断性能及临床效能.结果Sag_T2WI、Ax_DWI、Sag_T1C三个序列分别筛选出6、3、7个与淋巴结转移高度相关的组学特征,其中2个形状特征和10个纹理特征被纳入组合模型.多因素logistic回归分析显示MRI评估的淋巴结状态是淋巴结转移的预测因素(P<0.05).与单序列模型相比,组合模型具有更好的预测能力,在训练集和验证集的诊断能力最高,ROC曲线下面积、敏感度和特异度分别为0.848[95％(confidence interval,CI):0.785～0.912]、78.2％、74.4％和0.827(95％CI:0.737～0.917)、80.8％、69.4％.DCA显示如果风险阈值超过60％,则用组合模型预测LACSCC患者NACT后淋巴结状态可获得较大的临床效益.结论基于治疗前MRI,联合Sag_T2WI、Ax_DWI、Sag_T1C三个序列的组学特征及临床信息对LACSCC患者NACT后淋巴结转移具有较好的预测效能.

目的基于治疗前多参数磁共振成像(multi-parametric magnetic resonance imaging,mpMRI)影像组学特征构建模型预测局部晚期宫颈癌(locally advanced cervical cancer,LACC)新辅助化疗(neoadjuvant chemotherapy,NACT)后淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态.材料与方法回顾性分析了300例于2013年至2022年来自于河南省人民医院(训练集187人,LVSI阳性73人)和河南省肿瘤医院(验证集113人,LVSI阳性31人)接受NACT并行根治性子宫切除术LACC患者的临床及影像资料.于轴位弥散加权成像(axial diffusion-weighted imaging,Ax_DWI)、矢状位T2加权成像(sagittal T2-weighted imaging,Sag_T2WI)和矢状位对比增强T1加权成像(sagittal T1-weighted contrast-enhanced imaging,Sag_T1C)上勾画肿瘤感兴趣区(region of interest,ROI)并提取特征,利用递归特征消除算法与最小绝对值收缩与选择算法筛选影像组学特征.随后,基于逻辑回归分类器分别建立单序列模型,双序列模型及基于三序列组学特征的联合序列模型.使用受试者工作特征(receiver operating characteristic,ROC)曲线评估各模型性能,使用DeLong检验比较曲线下面积(area under the curve,AUC),通过决策曲线评估模型的临床价值.结果在验证集中,基于Ax_DWI、Sag_T2WI及Sag_T1C构建的单序列模型的AUC分别为0.717[95％置信区间(confidence interval,CI):0.605～0.829]、0.734(95％CI:0.633～0.836)和0.733(95％CI:0.626～0.841);基于Ax_DWI+Sag_T2WI、Ax_DWI+Sag_T1C及Sag_T2WI+Sag_T1C构建的双序列模型的AUC值分别为0.763(95％CI:0.660～0.866)、0.786(95％CI:0.692～0.881)与0.815(95％CI:0.731～0.899);联合序列模型的AUC值为0.829(95％CI:0.740～0.914),高于各单序列模型与双序列模型,但联合序列模型与Ax_DWI模型、Sag_T2W1模型及Ax_DWI+Sag_T2W1模型之间AUC差异无统计学意义(P=0.015～0.047).决策曲线显示联合序列模型的临床净效益高于单序列模型与各双序列模型.结论基于治疗前mpMRI影像组学特征构建的联合序列模型可有效预测LACC患者NACT后的LVSI状态.

目的:探讨基于常规磁共振成像（MRI）影像组学模型预测垂体大腺瘤质地价值。方法:回顾性分析2014年12月至2019年12月皖南医学院弋矶山医院经手术病理证实的101例垂体大腺瘤患者完整资料，根据术中垂体瘤质地分为质软组（ n=58）与质硬组（ n=43），按照7∶3比例随机将患者分为训练组（ n=72）和验证组（ n=29）。所有患者均行垂体常规MRI扫描。使用ITK-SNAP软件逐层手动勾画T 1加权像（T 1WI）、T 2加权像（T 2WI）和T 1WI增强图像上肿瘤感兴趣区（ROI）并进行三维融合，然后导入AK软件提取纹理特征；利用最小冗余最大相关（mRMR）和最小绝对值收敛和选择算子（LASSO）回归分析进行特征选择和建立影像组学标签，并用100次留组交叉验证（LGOCV）验证模型的可靠性，绘制受试者工作特征（ROC）曲线评价模型的预测能力；应用决策曲线分析（DCA）评估模型的临床应用价值。 结果:T 1WI、T 2WI、T 1WI增强和联合序列模型在训练组和验证组中预测垂体大腺瘤质地曲线下面积（AUC）（95 %CI）分别为0.91(0.84~0.98）和0.90(0.78~1.00)、0.86(0.78~0.95）和0.83(0.64~1.00)、0.90(0.83~0.97）和0.89(0.77~1.00）以及0.92(0.85~0.98）和0.91(0.79~1.00)。DCA表明T 1WI、T 2WI、T 1WI增强和联合序列模型均具有较好净获益。 结论:常规MRI的T 1WI、T 2WI、T 1WI增强和联合序列模型均具有很高预测垂体大腺瘤质地的效能，为探索预测垂体大腺瘤质地提供了一种新的定量分析方法。

目的:探讨临床特征及MRI T2加权脂肪抑制像（T2WI-FS）影像组学特征在布鲁杆菌性脊柱炎与化脓性脊柱炎鉴别诊断中的应用价值。方法:收集2019年1月至2021年12月新疆医科大学附属第一医院经病理或病原学培养确诊的26例布鲁杆菌性脊柱炎和23例化脓性脊柱炎患者的临床资料。对人口学特征、临床特征及实验室检查等行单因素分析，筛选出有统计学意义的潜在临床危险因素。通过手动勾画术前矢状面T2WI-FS的感兴趣区，利用Pyradiomics包提取多样化的影像组学特征，包括形状、纹理和灰度值等；对影像组学特征进行归一化、冗余性分析排除高度相关的特征，再通过统计方法筛选与研究目标相关的特征；采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）回归，从高维特征中筛选出最具鉴别意义的特征以优化模型的预测性能；利用选出的影像组学特征计算影像组学评分。将筛选的临床危险因素、影像组学特征及影像组学评分纳入logistic回归，构建临床特征模型、影像组学评分模型及临床特征-影像组学评分模型。采用混淆矩阵及受试者操作特征曲线（receiver operating characteristic，ROC）评估模型的鉴别能力。结果:49例患者纳入研究，男36例、女13例，年龄（53.79±13.79）岁（范围23~83岁）。化脓性脊柱炎患者的C反应蛋白（C-reaction protein，CRP）及红细胞沉降率（erythrocyte sedimentation rate，ESR）水平高于布鲁杆菌性脊柱炎患者，CRP及ESR是潜在临床危险因素（ P<0.05）。共获得影像组学特征1 500个，筛选出7个影像组学特征（logarithm glrlm SRLGLE、exponential glcm Imc1、exponential glcm MCC、exponential gldm SDLGLE、square glcm ClusterShade、squareroot glszm SALGLE和wavelet.HHH glrlm Run Variance）。7个影像组学特征中square glcm ClusterShade的效能最好，曲线下面积（area under the curve，AUC）值为0.780、灵敏度68.8%、特异度94.4%、准确度82.4%、精确度91.7%、阴性预测值0.773、阳性预测值0.917；logarithm glrlm SRLGLE的AUC为0.736、灵敏度81.2%、特异度72.2%、准确度76.5%、精确度72.2%、阴性预测值0.812、阳性预测值0.722；exponential glcm Imc1的AUC为0.736、灵敏度50.0%、特异度94.4%、准确度73.5%、精确度88.9%、阴性预测值0.680、阳性预测值0.889。临床特征模型、影像组学评分模型及临床特征-影像组学评分模型的AUC分别为0.801、0.818和0.875。其中临床特征-影像组学评分模型预测效果最好，灵敏度87.5%、特异度77.8%、准确度82.4%、精确度77.8%、阴性预测值0.875。 结论:临床特征-影像组学评分模型鉴别诊断布鲁杆菌性脊柱炎和化脓性脊柱炎的可行性较高，有助于临床鉴别诊断并提供个体化治疗。

目的:探讨基于DWI和液体衰减反转恢复序列（FLAIR）的深度学习技术构建预测急性卒中发病时间模型的效果。方法:回顾性分析于2017年1月至2020年5月在南京市第一医院就诊且发病时间明确的急性卒中患者324例。采用7∶3比例按照完全随机法将患者分为训练集226例，测试集98例；再根据发病时间将患者分为≤4.5 h和>4.5 h两组。由医师对DWI图像上急性梗死区及FLAIR相应的高信号区进行轮廓勾勒标注。利用InceptionV3模型作为图像特征提取的基本模型，构建并验证基于单序列（DWI、FLAIR）和多序列（DWI+FLAIR）的深度学习预测模型。比较人工识别、单序列模型及多序列模型预测急性卒中发病时间的ROC曲线下面积（AUC）、准确度等性能。结果:发病时间≤4.5 h患者中94例（94/207）存在DWI-FLAIR不匹配，发病时间>4.5 h患者中28例（28/117）存在DWI-FLAIR不匹配。ROC分析显示人工识别DWI-FLAIR不匹配预测急性卒中发病时间的AUC为0.607，准确度为60.2%。基于单序列的深度学习预测模型显示FLAIR序列预测急性卒中发病时间的AUC为0.761，准确度为71.4%；DWI序列预测急性卒中发病时间的AUC为0.836，准确度为81.6%；基于多序列（DWI+FLAIR）深度学习模型预测急性卒中发病时间的AUC为0.852，明显优于人工识别（ Z=0.617， P=0.002）、基于FLAIR序列深度学习模型（ Z=2.133， P=0.006）和基于DWI序列深度学习模型（ Z=1.846， P=0.012）。 结论:基于DWI和FLAIR的深度学习模型预测急性卒中发病时间明显优于人工识别，可为未知发病时间的卒中患者提供静脉溶栓治疗指导。

目的:探讨利用更快的区域卷积神经网络算法（Faster R-CNN）分析直肠癌磁共振（MRI）平扫图像以评估环周切缘（CRM）状态的可行性。方法:病例纳入标准：（1）CRM阳性区域位于提肛肌肛管平面至腹膜反折之间，电子结肠镜及组织病理学检查证实为直肠恶性肿瘤；（2）术后病理或术前高分辨MRI检查证实有CRM阳性。排除标准：新辅助治疗后、手术后复发、图像质量差伪影、肿瘤巨大及广泛坏死等组织变性以及既往盆腔手术史直肠临近组织结构改变的病例。根据以上标准，收集青岛大学附属医院2016年7月至2019年6月期间，350例CRM阳性直肠癌患者的MR平扫图像。将患者按照性别和肿瘤部位分类，应用计算机随机数字法以6∶1比例随机分配为训练组（300例）和测试组（50例）。利用LabelImg软件在T2加权成像（T2WI）图像上对CRM阳性区域进行标识。应用标识的训练组图像对Faster R-CNN模型进行迭代训练、优化参数，直到网络收敛获得最佳的深度学习模型。利用测试集数据评估人工智能平台的识别性能，选取指标包括准确度、敏感性、阳性预测值、受试者工作特征曲线和曲线下面积（AUC），以及识别单张图像所花费的时间。结果:训练后的Faster R-CNN模型判定CRM状态的准确度、敏感性、特异性、阳性预测值和阴性预测值分别为0.884、0.857、0.898、0.807和0.926；AUC为0.934（95%CI：91.3%~95.4%）。Faster R-CNN模型对单张图像的自动识别时间为0.2 s。结论:基于Faster R-CNN建立的对直肠癌CRM阳性MRI图像识别和分割的人工智能模型，可完成对原位肿瘤外侵引起CRM阳性区域的风险评估，具有初步筛选的应用价值。

目的:采用加权基因共表达网络分析（WGCNA）探讨烧伤后瘢痕组织内甲基化基因，发掘瘢痕形成过程中的分子标志物及治疗靶点。方法:采用观察性研究方法。从美国国家生物技术信息中心基因表达综合数据库筛选出同一批次分别进行了mRNA测序和甲基化测序的GSE136906和GSE137134数据集（数据集的样本数均为6），并利用数据集GSE108110（样本数为9）纳入支持向量机及建模分析。采用“Limma”软件包对烧伤后瘢痕和正常组织之间的差异表达基因和差异甲基化基因进行鉴定。使用WGCNA筛选和瘢痕组织临床特征相关性强且基因数目多的模块。对模块内的基因进行功能富集分析并寻找模块内异常甲基化状态的基因，使用受试者操作特征（ROC）曲线判断异常甲基化基因对瘢痕的诊断效能，并使用支持向量机模型进行验证。结果:共鉴定出10个共表达基因模块，棕色模块与烧伤后瘢痕组织形成相关性高且基因数目多。棕色模块内的基因主要富集在雄激素受体信号通路的调控、细胞因子-细胞因子受体相互作用、胰岛素分泌的正调节等方面。棕色模块内显示35个基因甲基化状态异常，ROC曲线（曲线下面积>0.9）与支持向量机模型（准确率为93.3%）表明基因 CCR2、 LMO7、 STEAP4、 NNAT和 TCF7L2具有良好的瘢痕诊断效能。 结论:CCR2、 LMO7、 STEAP4、 NNAT和 TCF7L2可作为烧伤后瘢痕治疗的潜在靶点。

目的:挖掘与支气管肺发育不良（BPD）密切相关的hub基因，为揭示BPD发病机制提供理论依据。方法:从高通量基因表达（GEO）数据库获取BPD患儿的血mRNA数据集GSE32472、GSE108756、GSE189582基因表达矩阵，利用加权基因共表达网络分析（WGCNA）筛选出关键模块，通过GO、KEGG功能富集和GSEA分析获取关键模块基因参与的生物学过程。将GSE32472关键模块基因与GSE108756差异表达基因取交集后得出hub基因，再经受试者工作特征曲线（ROC）联合Logistic回归分析后得出与BPD关系密切的3个hub基因，验证这3个hub基因在外部数据集GSE189582中的诊断效能。结果:WGCNA分析得出GSE32472中与BPD最密切相关的red模块共370个基因，GO分析集中在细胞因子介导信号通路、白细胞迁移及趋化、中性粒细胞激活、免疫受体等生物学功能。GSEA发现BPD组主要集中在免疫相关的分泌颗粒、三级颗粒、分泌囊泡的信号转导上。KEGG富集在病毒相关的细胞因子受体交互信号通路、雌激素信号通路、糖代谢相关的信号通路。red模块基因与GSE108756中201个差异表达基因取交集后的ROC结果显示3个hub基因（IL1R2、ADM、FPR2）对诊断BPD具有良好的特异度和敏感度，曲线下面积（AUC）均>0.7。IL1R2、ADM、FPR2对诊断BPD的 OR值达到1.70、2.16、2.47（均 P<0.05）。3个hub基因构建的逻辑回归模型在GSE189582中绘制出的ROC曲线AUC达到0.882。 结论:通过构建基因共表达调控网络筛选出3个hub基因，可能成为潜在的BPD基因生物标志物，为揭示BPD发病机制奠定一定的理论基础。

目的:探讨双能CT动静脉期加权融合图像影像组学对甲状腺乳头状癌（PTC）颈部淋巴结转移的诊断价值。方法:回顾性分析2017年6月至2018年12月南京医科大学第一附属医院术前行双能CT评估、经手术病理证实的84例PTC患者（129枚非转移淋巴结和97枚转移淋巴结）的临床和影像资料。62例患者的156枚淋巴结（91枚非转移淋巴结和65枚转移淋巴结）为训练集，22例患者的70枚淋巴结（38枚非转移淋巴结和32枚转移淋巴结）作为独立验证集。用Syngo.via Frontier Radiomics软件在双能CT动静脉期加权融合图像上进行半自动淋巴结图像分割，每枚淋巴结提取动脉期和静脉期各1 226个组学特征。用最小绝对收缩和选择算子（LASSO）回归的方法进行组学特征选择和影像组学标签建立。利用logistic回归建立基于淋巴结CT图像特征（模型1）、组学特征（模型2）和两者联合（模型3）的诊断模型。将模型3用列线图直观表示，采用ROC曲线及曲线下面积（AUC）评估3个模型诊断效能，并使用Delong检验比较3个模型的诊断效能。结果:模型1由淋巴结形状、强化程度、强化方式、钙化和结外侵犯5个特征构成。LASSO回归共筛选出3个动脉期组学特征并建立了影像组学标签（模型2）。模型3由淋巴结的大小、形状、强化程度和影像组学标签构成。在训练集和验证集，模型3均具有最优的诊断效能（AUC为0.965、0.933），其次是模型2（AUC为0.947、0.910），且两者均显著优于模型1（AUC为0.850、0.846）（训练集： Z=4.066、3.758， P均<0.001；验证集： Z=2.871、1.998， P=0.017、0.042）。 结论:双能CT动静脉期加权融合图像影像组学能有效诊断PTC淋巴结转移，且联合常规CT图像特征可进一步提高诊断准确性。

目的:对支气管肺发育不良（BPD）密切相关的基因进行鉴定，为揭示BPD发病机制提供理论依据。方法:从基因表达综合数据库（GEO）获取BPD患儿的血标本数据集GSE32472基因微阵列，筛选出差异表达基因并行CIBERSORT反卷积算法免疫浸润分析，再利用加权基因共表达网络分析（WGCNA）筛选出关键颜色模块基因集并与差异表达基因比对后得出交集基因。通过LASSO回归依据lambda惩罚值计算出每个基因系数，筛选出BPD相关的候选基因。基于风险评分中位值构建的高低分险组模型，利用受试者工作特征（ROC）曲线和多因素Logistic回归分析验证候选基因与BPD的关系，并在外部数据集GSE108756中验证诊断效能。结果:共筛选出291个差异表达基因，免疫浸润分析揭示了BPD与中性粒细胞、激活CD8 + T细胞、效应记忆CD8 + T细胞、中央记忆CD4 + T细胞以及树突状细胞的激活密切相关。WGCNA分析确定GSE32472中与BPD最密切相关的品红色模块包含169个基因，这些与差异表达基因交集后获得的32个基因通过LASSO回归筛选并建模，最终得出的5个候选基因：UBASH3A、TCF7、CD3E、CD3D、CD6对诊断BPD具有较好的特异性和敏感性[曲线下面积（AUC）为0.825]。多因素Logistic回归分析结果显示，UBASH3A、TCF7、CD3E、CD6对诊断BPD的诊断差异具有统计学意义（均 P<0.05）。5个候选基因构建的逻辑回归模型在GSE108756中绘制出的ROC曲线AUC>0.7。 结论:通过机器学习算法筛选出的5个候选基因，可能成为潜在的BPD基因生物标志物，为深入探索BPD的发病机理和潜在治疗靶点提供了理论基础。