目的:结合机器学习与影像组学特征构建预测间变性胶质细胞瘤和胶质母细胞瘤的模型并进行验证。方法:回顾性收集首都医科大学附属北京天坛医院神经外科自2005年8月至2012年8月收治的241例经病理证实的间变性胶质细胞瘤或胶质母细胞瘤患者的影像学资料。按随机数字表法分为训练组( n=140)和验证组( n=101)。使用MRIcron软件在训练组患者术前T1增强影像上勾勒肿瘤边界，运用Matlab软件提取肿瘤区域的影像组学特征，应用最低绝对收缩和选择算子(LASSO)回归模型筛选最佳影像组学特征，基于所选特征通过支持向量机(SVM)分类器建立胶质瘤鉴别模型，使用受试者工作特征(ROC)曲线评价模型对间变性胶质细胞瘤或胶质母细胞瘤的预测效果。 结果:241例胶质瘤患者中，经病理证实为间变性胶质细胞瘤101例、胶质母细胞瘤140例。训练组和验证组中，胶质母细胞瘤、间变性胶质细胞瘤患者的年龄差异均有统计学意义( P<0.05)；胶质母细胞瘤和间变性胶质细胞瘤患者的性别分布，肿瘤位置，肿瘤坏死、水肿所占比例差异均无统计学意义( P>0.05)。Matlab软件共提取431个影像组学特征，LASSO回归模型筛选出11个最佳影像组学特征。ROC曲线分析显示SVM分类器建立的模型预测训练组患者胶质瘤类型的曲线下面积(AUC)为0.942，预测验证组患者胶质瘤类型的AUC为0.875。 结论:结合机器学习与影像组学特征构建的模型可有效鉴别间变性胶质细胞瘤和胶质母细胞瘤。

目的:应用机器学习方法为 131I治疗后的分化型甲状腺癌（DTC）患者构建左甲状腺素钠片最佳初始剂量的预测模型。 方法:回顾性分析2019年11月至2020年11月在天津市肿瘤医院空港医院接受 131I治疗后促甲状腺激素（TSH）抑制治疗最终达标的266例DTC患者[男性78例（男性组）、女性188例（女性组），年龄18~70(40.0+11.5）岁]的临床资料，包括一般资料、生化指标（共16项）和出院后定期复查的甲状腺功能相关数据及左甲状腺素钠片每次的调整剂量。通过计算随机森林模型重要度筛选出较为重要的临床特征；以筛选出的特征为自变量，以左甲状腺素钠片达标剂量为因变量构建多种回归模型，通过交叉验证选出准确率最高的模型。计数资料的组间比较采用独立样本的卡方检验。 结果:266例患者的体重、身高、体重指数、体表面积、血红蛋白、平均红细胞体积、收缩压/舒张压、术后甲状旁腺激素、达标时左甲状腺素钠片剂量分别为（68.4±12.9）kg、（165.8±12.8）cm、24.6±3.5、（1.9±0.2）m 2、（140.1±19.1）g/L、（88.6±5.5）fl、（125.7±18.9）mm Hg/（82.7±12.4）mm Hg、（4.1±2.2）pmol/L、（117.0±30.1）μg/d。通过特征筛选，重要度排在前6位的临床特征依次为体表面积、体重、血红蛋白、身高、体重指数、年龄，其重要度均数依次为0.2805、0.1951、0.1315、0.1252、0.1080、0.0819。径向基核的支持向量回归（SVR）模型预测左甲状腺素钠片剂量的准确率（53.4%，142/266）最高，高于经验给药的首次达标率（15.0%，40/266）；SVR模型在女性组中预测左甲状腺素钠片剂量的准确率高于男性组[60.6%（114/188）对35.9%（28/78）]，且差异有统计学意义（ χ2=13.51， P<0.001）。 结论:基于机器学习构建的SVR模型有望提高经 131I治疗后的DTC患者左甲状腺素钠片的首次达标率，并且在女性患者中更有效。

目的:基于磁共振成像（MRI）机器学习算法和影像组学构建预测模型，探讨模型预测无淋巴结转移直肠癌患者淋巴血管侵犯（LVI）状态的应用价值。方法:采用回顾性队列研究方法。收集2016年2月至2024年1月甘肃省人民医院收治204例无淋巴结转移直肠癌患者的临床病理资料；男123例，女81例；年龄为（61±7）岁。204例患者采用电子计算器随机法按8∶2随机分为训练集163例和测试集41例。训练集用于构建预测模型，测试集用于验证预测模型效能。根据筛选的临床和（或）影像学特征分别构建临床预测模型、影像组学模型、联合预测模型。正态分布的计量资料以 x±s表示。计数资料以绝对数表示，组间比较采用 χ2检验或Fisher确切概率法。等级资料比较采用非参数秩和检验。采用组间相关系数评估2位医师影像组学特征的一致性，相关系数>0.80认为一致性较好。单因素分析采用相应的统计学方法。多因素分析采用Logistic逐步回归模型。绘制受试者工作特征（ROC）曲线，以曲线下面积（AUC）及Delong检验、决策曲线和临床影响曲线评估模型的诊断效能及临床效用。 结果:（1）影响患者LVI状态的因素分析。204例无淋巴结转移直肠癌患者中，LVI阳性71例，LVI阴性133例。多因素分析结果显示：性别、血小板（PLT）计数和癌胚抗原（CEA）是影响训练集无淋巴结转移直肠癌患者LVI状态的独立因素［优势比=2.405，25.062，2.528，95%可信区间（ CI）为1.093~5.291，2.748~228.604，1.181~5.410， P<0.05］。（2）临床预测模型建立。纳入多因素分析结果性别、PLT计数和CEA构建临床预测模型。ROC曲线显示：临床预测模型训练集的AUC、准确度、灵敏度、特异度分别为0.721（95% CI为0.637~0.805）、0.675、0.632、0.698；测试集上述指标分别为0.795（95% CI为0.644~0.946）、0.805、1.000、0.429。Delong检验结果显示：训练集和测试集AUC比较，差异无统计学意义（ Z=-0.836， P>0.05）。（3）影像组学模型建立。提取204例患者851个影像组学特征。利用逻辑回归、支持向量机、高斯过程、逻辑回归-套索算法、线性判别分析、朴素贝叶斯和自动编码器7种机器学习算法进行预测模型构建。最终从最优的高斯过程机器学习算法中筛选出8个影像组学特征用于构建影像组学预测模型。ROC曲线显示：影像组学预测模型训练集的AUC、准确度、灵敏度、特异度分别为0.857（95% CI 为0.800~0.914）、0.748、0.947、0.642；测试集上述指标分别为0.725（95% CI为0.571~0.878）、0.634、1.000、0.444。Delong检验结果显示：训练集和测试集AUC比较，差异无统计学意义（ Z=1.578， P>0.05）。（4）联合预测模型建立。联合多因素分析结果和影像组学特征构建联合预测模型。ROC曲线显示：联合预测模型训练集的AUC、准确度、灵敏度、特异度分别为0.885（95% CI为0.832~0.938）、0.791、0.912、0.726；测试集上述指标分别为0.857（95% CI为0.731~0.984）、0.854、0.714、0.926。Delong检验结果显示：训练集和测试集AUC比较，差异无统计学意义（ Z=0.395， P>0.05）。（5）3种预测模型效能比较。Hosmer-Lemeshow拟合优度检验结果显示：临床预测模型、影像组学预测模型、联合预测模型的拟合优度均较好（ χ2=1.464，12.763，10.828， P>0.05）。Delong检验结果显示：临床预测模型AUC分别与联合预测模型和影像组学预测模型比较，差异均无统计学意义（ Z=1.146，0.658， P>0.05）；联合预测模型与影像组学模型比较，差异有统计学意义（ Z=2.001， P<0.05）。校准曲线显示：联合预测模型的预测能力良好。决策曲线和临床影响曲线显示：联合预测模型对无淋巴结转移直肠癌患者LVI状态的评估能力优于临床预测模型和影像组学模型。 结论:纳入性别、PLT计数和CEA构建临床预测模型；筛选出8个影像组学特征构建影像组学预测模型；结合前两者共同构建联合预测模型。3种模型均可预测无淋巴结转移直肠癌患者LVI状态，其中联合预测模型效能更优。

目的:探讨可解释的机器学习模型预测急性缺血性脑卒中预后的应用价值。方法:选取广东医科大学附属湛江中心医院神经内科自2020年3月至2023年10月实施静脉溶栓治疗的296例急性缺血性脑卒中患者为研究对象，随访3个月后使用改良Rankin量表评估预后（0~2分定义为预后良好，3~6分定义为预后不良）。回顾性收集患者的临床资料，并采用多因素Logistic回归分析筛选出患者预后的独立影响因素。以3∶2比例将患者随机分为训练集（ n=178）和测试集（ n=118），以预后独立影响因素为特征变量训练10种机器学习模型（逻辑回归、随机森林、支持向量机、朴素贝叶斯、线性判别分析、混合判别分析、灵活判别分析、梯度增强机、极端梯度提升和分类梯度提升），分别使用校准曲线、精确-召回曲线、精确-召回增益曲线及受试者工作特征曲线评估这10种机器学习模型的预测性能，使用Shapley加法解释（SHAP）对机器学习模型附加解释和可视化（包含全局解释和局部解释）。 结果:296例患者中预后不良72例。年龄（ OR=1.039，95% CI：1.008~1.072， P=0.015）、美国国立卫生研究院卒中量表评分（ OR=1.213，95% CI：1.000~1.337， P<0.001）、格拉斯哥昏迷量表评分（ OR=0.470，95% CI：0.289~0.765， P=0.002，）、卒中预测工具-Ⅱ评分（ OR=1.257，95% CI：1.043~1.516， P=0.016）、C反应蛋白水平（ OR=1.709，95% CI：1.398~2.087， P<0.001）和血小板计数（ OR=0.988，95% CI：0.978~0.998， P=0.016）是患者预后的独立影响因素。在10种机器学习模型中，极端梯度提升模型预测患者预后的性能最高（校准曲线评估示一致性指数为0.896，精确-召回曲线评估示曲线下面积为0.791，精确-召回增益曲线示曲线下面积为0.363，受试者工作特征曲线示曲线下面积为0.856）。全局解释中SHAP直观图显示特征变量的重要性排序依次为C反应蛋白、美国国立卫生研究院卒中量表评分、血小板计数、格拉斯哥昏迷量表评分、卒中预测工具-Ⅱ评分和年龄；SHAP散点图可视化了6个特征变量的贡献方向，呈"两端分布"现象；SHAP依赖图显示了6个特征变量的观测值与SHAP值间的依赖关系，其中C反应蛋白趋势最为显著。SHAP力图为单个样本提供了局部解释，使得极端梯度提升模型更加透明和可解释性。 结论:基于年龄、美国国立卫生研究院卒中量表评分、格拉斯哥昏迷量表评分、卒中预测工具-Ⅱ评分、C反应蛋白水平和血小板计数为特征变量的极端梯度提升模型预测急性缺血性脑卒中患者预后的性能最优，在此基础上结合SHAP进行模型解释和可视化，有助于理解各特征变量对预测结果的贡献大小及方向。

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:比较9种机器学习模型对幕上深部自发性脑出血（SICH）患者发生早期血肿扩张及预后不良情况的预测性能。方法:回顾性研究。纳入2015年1月—2019年5月4家医院幕上深部SICH患者420例。其中男275例、女145例，年龄25~90（61.0±12.9）岁。420例患者按照7∶3的比例，采用完全随机法分为训练集294例和验证集126例。患者在72 h内复查CT，若血肿体积比初始体积增长>6 mL或>33%，判定存在早期血肿扩张。采用改良的Rankin评分量表（mRS）评估预后，以mRS>3分判定为预后不良。比较训练集和验证集的基线资料。采用随机森林、极限梯度提升算法（XGboost）、梯度爬升决策树、自适应提升算法、朴素贝叶斯、logistic回归、支持向量机、K近邻、多层感知机9种机器学习算法对早期血肿扩张及预后不良分别构建预测模型；在训练集中，依据各模型的灵敏度和特异度绘制受试者操作特征曲线，采用3折交叉验证取曲线下面积（AUC），比较各模型对早期血肿扩张及预后不良情况的预测性能，并在验证集测试模型的可靠性。结果:训练集和验证集患者基线资料比较差异均无统计学意义（ P值均>0.05）。420例患者中，早期脑血肿扩张的患者有117例（27.86%）；399例患者获随访，其中预后不良的患者有210例（52.63%）。预测早期血肿扩张：训练集中，9种机器学习模型的AUC为0.590~0.685，其中以XGboost模型最高，AUC为0.685±0.024；在验证集中，XGboost模型AUC为0.686［95%可信区间（ CI）0.578~0.721］。预测预后不良：9种机器学习模型的AUC为0.703~0.852，其中logistic回归模型最高，AUC为0.852±0.041；而在验证集中，logistic回归模型AUC为0.894（95% CI 0.862~0.912）。 结论:9种机器学习算法模型中，XGboost对幕上深部SICH早期血肿扩张的预测性能最佳，而logistic回归模型对预后不良的预测性能最高；对于不同临床结局的预测，应选用合适的机器学习模型。

目的:探索一种根据呼吸信号对儿童肺炎进行快速准确判别的方法，避免传统诊断时X射线产生的儿童癌症诱导性。方法:采用马赫-曾德光纤传感器搭建儿童肺炎呼吸信号（RSP）检测系统，依据儿童肺部啰音产生的振动信号，提取被监测者的RSP。通过离散余弦变换等预处理方法，进行信号压缩和去噪；通过Hilbert变换、自回归（AR）模型谱估计等信号处理方法，实现RSP的多特征提取；构建支持向量机（SVM）分类模型对采集的RSP进行分类。结果:所提出的方法对患肺炎与未患肺炎儿童RSP的分类准确率为94.41%，较以往方法提升较大。结论:基于光纤传感器的儿童肺炎诊断系统具有较高的检测准确率，有希望在临床中推广使用。

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:探索多期动态增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging，DCE-MRI）图像中影像学特征在识别乳腺癌分子亚型中的应用价值。方法:回顾性分析2016年1月至2023年12月间于东营市人民医院接受诊察的172例患者的195例乳腺癌病变的多期DCE-MRI影像资料。样本总体包括21例三阴型、18例人类表皮生长因子受体2（human epidermal growth factor receptor 2, HER2）过表达型、53例Luminal A型、76例Luminal B型HER2阴性和27例Luminal B型HER2阳性。从DCE-MRI的每次扫描及不同后处理得到的图像中，通过手动选取的方式划分感兴趣区域并提取影像学特征。将样本按约8∶2的比例划分为主要样本和测试样本，对主要样本进行10次重复的5倍交叉验证以获得训练集和验证集，分别对基于Logistic回归、分类回归树、支持向量分类、随机森林、梯度提升树等方法构建的预测模型进行训练和验证，之后在测试样本上进行受试者工作特征测试。结果:基于Logistic回归的预测模型获得最好的识别性能，其依据各组图像特征进行识别的平均受试者工作特征（receiver operating characteristic curve,ROC）曲线下的面积（area under curve，AUC）为0.781；依据提取自对比后第三次+减影图像的特征识别乳腺癌不同分子亚型的整体AUC为0.809，其中识别Luminal A型、Luminal B型HER2阴性、Luminal B型HER2阳性、HER2过表达型和三阴型的AUC分别为0.784、0.578、0.599、0.812和0.844。使用不同扫描次数和后处理图像的特征，模型的识别效果不同，对比后第三次扫描+减影图像特征和对比后第二次扫描+减影图像特征的识别效果最好，AUC分别为0.762±0.037和0.757±0.046。结论:基于多期DCE-MRI图像影像学特征及机器学习方法优化的模型对乳腺癌分子亚型的预测识别具有潜在应用价值。使用注射对比剂后的中期增强（第二次、第三次扫描）图像特征，以应用图像减影处理，有助于达到更好的识别效果。

目的:构建诊断颈动脉斑块内微钙化的影像组学模型并分析其诊断价值。方法:纳入苏州大学附属第三医院神经内科自2017年5月至2019年11月收治的52例大动脉粥样硬化型脑梗死患者进入研究。所有患者均行颈动脉常规超声检查明确存在颈动脉斑块，同时采用Micropure ?超声技术检测斑块内微钙化情况。若颈动脉斑块内存在微钙化，取微钙化密度最高的斑块横断面；若无微钙化则取斑块最大横断面。所有图像经Photoshop软件进行归一化处理后，通过MaZda 4.6软件勾画斑块为感兴趣区，自动提取斑块283个纹理特征。通过不同观察者间观察一致性分析[组内相关系数(ICC)>0.75)、两样本 t检验、Lasso回归筛选出诊断效果最强的纹理特征，并通过随机森林(RF)和支持向量机(SVM)分类器构建模型，以7∶3划分训练集和验证集，通过受试者工作特征曲线(ROC)计算曲线下面积(AUC)评估模型的诊断效果，并采用Delong检验比较两种模型对验证集诊断能力的差异。 结果:共纳入52例患者148个斑块图像，其中斑块内有微钙化104个，无微钙化44个。最终筛选出9个纹理特征，包括5个图像灰度直方图特征：均值、方差、斜度、峰值、第99百分位数值；1个自回归模型特征：θ 3；3个小波变换特征：WavEnLH_s-3、WavEnLH_s-4、WavEnLH_s-6。RF分类器构建的模型诊断斑块微钙化的准确率为0.93，AUC为0.92；SVM分类器构建的模型诊断准确率为0.91，AUC为0.90。Delong检验显示两种模型对斑块内微钙化的诊断能力差异无统计学意义( Z=1.000， P=0.320)。 结论:通过RF和SVM构建的影像组学模型能准确诊断颈动脉斑块内微钙化情况，且RF和SVM两种模型诊断能力接近。