目的:探讨基于磁共振高分辨T2WI影像组学方法对预测直肠癌新辅助治疗后病理完全反应(pCR)的价值。方法:回顾性分析我院2018年1月至2019年3月新辅助治疗前接受磁共振高分辨T2WI成像检查并经病理证实的80例直肠癌患者，在高分辨T2WI图像上手动勾画病灶容积感兴趣区(VOI)后提取影像组学特征，采用最小绝对值收缩算子(LASSO)算法进行降维，筛选对肿瘤pCR有价值的特征，利用Random算法将数据随机分为训练集( n＝64)与测试集( n＝16)进行机器学习，建立决策树(DT)、逻辑回归(LR)、随机森林(RF)、极限梯度增强树(XGBoost)4种机器学习模型并绘制ROC曲线，分别计算AUC、敏感性、特异性及95% CI，采用DeLong检验比较ROC曲线差异。 结果:80例直肠癌患者pCR 15例，占18.75%；非pCR 65例，占81.25%。共提取1 409个影像组学特征，经LASSO算法降维后筛选出8个最有价值的特征。测试集DT、LR、RF、XGBoost 4种分类器模型的AUC分别为0.870、0.801、0.912、0.945，其中XGBoost分类器模型的AUC最大，与DT、LR、RF分类器模型相比较，差异具有统计学意义( P＝0.008； P＝0.006； P＝0.009)；其他3种模型两两比较，差异均无统计学意义( PLR-RF＝0.083； PDT-LR＝0.113； PDT-RF＝0.879)。4种分类器模型敏感性分别为78.57%、64.29%、78.57%、85.71%，特异性分别为95.38%、84.62%、92.31%、98.46%，95% CI分别为0.775～0.935、0.696～0.882、0.827～0.964、0.870～0.984。 结论:基于高分辨T2WI图像的影像组学对直肠癌新辅助治疗后pCR有预测价值，其中XGBoost模型预测效能优于DT、LR、RF，可以用于辅助临床制定个体化治疗决策。

目的:利用机器学习预测右向左分流(right-to-left shunt，RLS)人群隐源性卒中(cryptogenic stroke，CS)发病风险，为CS的准确和高效预测提供解决方案。方法:回顾分析2018年1月至2023年9月在青岛大学附属医院崂山院区神经内科治疗的经颅多普勒超声发泡试验(c-TCD)阳性的289例RLS人群的临床数据，包括人口统计学信息、疾病史、实验室检查指标、诊断和治疗等。使用机器学习train_test_split()函数将数据集随机分为训练集和测试集，比例为8∶2。采用Logistic回归、决策树、随机森林、极端梯度提升、人工神经网络、梯度提升、极限树和自适应增强等算法构建RLS人群CS风险预测模型，使用受试者工作特征曲线(receiver operating characteristic，ROC)及曲线下面积(area under curve，AUC)、混淆矩阵、精确率、召回率、准确率、F1值、校准曲线、决策曲线等综合评估模型性能。性能最优的模型使用特征重要性和SHAP值进行可解释性分析。使用SPSS 25.0进行 t检验、Mann-Whitney U检验和 χ2检验。采用Delong检验比较两模型间AUC的差异。 结果:289例RLS人群发生CS 166例(57.5%)，非CS 123例(42.5%)。统计分析结果显示，CS患者D-二聚体、平均血小板体积、纤维蛋白原等血液生化指标高于非CS患者(均 P<0.01)；训练集与测试集各变量均差异无统计学意义(均 P>0.05)。对测试集进行CS风险预测，随机森林模型取得了最高的AUC(0.885)、精确率(0.806)、召回率(0.879)、准确率(0.810)以及F1得分(0.841)。校准曲线显示随机森林模型最接近参考线，决策曲线表明随机森林模型具有更大的净受益。可解释性分析显示高风险因素包括平均血小板体积、D-二聚体、国际标准化比值、体质量指数以及年龄。 结论:基于随机森林的预测工具表现出色，在预测RLS人群CS风险方面准确性较高。

目的:基于简化多模态磁共振影像（MRI）构建影像组学模型诊断乳腺癌。方法:回顾性分析2014年6月至2019年3月所有具有穿刺或手术切除病理结果的1 306例乳腺疾病患者（良性病变416例，乳腺癌890例）的乳腺MRI图像，分为训练集（ n=702）、内部验证集（ n=302）、外部验证集（ n=302）。所有图像简化为：联合模型组［T2加权脂肪抑制序列（T2WI）、扩散加权成像序列（DWI）和增强第一期图像］、非增强组（T2WI和DWI）及单期增强组（增强第一期图像）。提取影像特征并用方差分析和拉索回归法筛选有效特征；采用3种分类器（Bagging决策树、高斯过程、支持向量机）预测乳腺癌；选择最佳者构建乳腺癌诊断模型；最后通过内部和外部验证集验证。 结果:应用高斯过程分类器，联合模型和非增强模型预测乳腺癌AUC值，训练集为0.903和0.893、内部验证集为0.893和0.863、外部验证集为0.878和0.864。结论:应用简化多模态MRI构建的影像组学模型能够准确诊断乳腺癌，而且非增强模型无需造影剂也可准确诊断乳腺癌，为简化诊断流程提供了可行性。

目的:探讨不同机器学习的影像组学模型预测三阴性乳腺癌（TNBC）新辅助治疗远期复发转移风险的价值。方法:回顾性分析2011年8月至2017年5月上海复旦大学附属肿瘤医院和上海交通大学医学院附属瑞金医院的150例接受新辅助化疗和手术切除后经病理组织学证实的TNBC患者临床及影像资料。将上海复旦大学附属肿瘤医院的109患者作为训练组，将上海交通大学医学院附属瑞金医院的41例患者作为验证组。基于治疗前动态对比增强MRI（DCE-MRI）提取的影像组学特征，并加入时间域特征，训练组使用最小绝对收缩和选择算子交叉验证法和递归特征消除法进行特征筛选。采用6种（逻辑回归、线性判别分析、K最近邻、朴素贝叶斯、决策树和支持向量机）具有监督学习的不同机器学习算法来预测远期复发转移的能力，使用ROC、准确率以及F1度量值评价6种算法的优劣，并通过验证组进行验证。结果:支持向量机算法在基于15个影像组学特征的复发转移模型中预测效果最好，具有最高的曲线下面积（训练组为0.917，验证组为0.859）、准确率（训练组为87.5%，验证组为82.9%）以及F1度量值（训练组为0.800，验证组为0.741）。15个影像组学特征中，时间域特征为12个、空间域特征为3个。结论:加入时间域特征的DCE-MRI机器学习影像组学模型有助于预测TNBC新辅助化疗的远期预后，为临床决策及随访管理提供支持。

目的:探讨MRI影像组学模型预测局部晚期宫颈鳞癌同步放化疗早期治疗反应的价值。方法:回顾性收集2013年1月至2019年6月辽宁省肿瘤医院经病理证实的367例局部晚期宫颈鳞癌（国际妇产科联合会分期为ⅡB~ⅣA期）患者，因无法手术而接受完整的同步放化疗，于治疗前2周内及治疗第4周末行盆腔平扫MRI、DWI及动态增强MRI，根据实体瘤疗效评价标准1.1进行评价，将患者分为完全缓解（CR）组（247例）和非CR组（120例）。采用随机拆分法，按7∶3比例分为训练集（256例）和验证集（111例）。由2名医师在治疗前DWI、T 2WI和增强T 1WI（延迟期）图像上勾画感兴趣区，最终形成三维容积感兴趣区。于3个单序列图像分别提取1 906个影像组学特征，并利用特征相关分析和树模型筛选特征。使用逻辑回归（LR）、支持向量机（SVM）和随机森林（RF）3种分类器学习算法进行机器学习，获得最佳分类器。基于最佳分类器，建立3个单序列影像组学模型，并采用多因素LR分析得到多序列联合模型。通过DeLong检验比较3个单序列模型与多序列联合模型的受试者操作特征曲线下面积（AUC）差异。通过决策分析曲线评估多序列联合模型的临床应用价值。 结果:在训练集和验证集中，LR分类器模型的性能最佳。基于LR分类器，DWI、T 2WI、增强T 1WI序列和联合序列在训练集中的AUC分别为0.77、0.74、0.79、0.86，验证集中的AUC分别为0.71、0.66、0.75、0.77。在训练集中，联合模型的AUC值高于DWI、T 2WI、增强T 1WI序列模型，差异均有统计学意义（ Z=3.01、3.56、2.83， P=0.003、0.001、0.005）；在验证集中，多序列联合模型与T 2WI模型的AUC差异有统计学意义（ Z=2.46， P=0.015）。决策分析曲线显示当阈值概率在0.44~0.88范围内，多序列联合模型产生了净效益。 结论:基于LR分类器，通过综合多序列MRI图像影像组学特征建立的联合模型对评估局部晚期宫颈鳞癌同步放化疗早期治疗反应有较好的预测价值。

目的:探讨基于钆塞酸二钠增强MRI肝胆期影像组学特征的不同机器学习模型术前预测肝细胞癌（HCC）微血管侵犯（MVI）的价值。方法:回顾性分析2015年6月至2020年6月在苏州大学附属第一医院经病理证实的132例HCC患者的资料，MVI阳性72例、阴性60例。按照7∶3的比例以随机种子法分为训练集和验证集。利用PyRadiomics软件提取肝胆期图像影像组学特征，采用最小绝对收缩和选择算子（LASSO）回归5折交叉验证法对训练集临床和影像组学特征进行筛选，得到最优特征子集，然后用6种机器学习方法（决策树、极端梯度提升、随机森林、支持向量机、广义线性模型和神经网络）构建预测模型，采用ROC曲线评估模型的预测能力，采用DeLong检验比较6种机器学习算法曲线下面积（AUC）的差异。结果:经LASSO回归筛选后获得14个特征组成最优特征子集，包括2个临床特征（肿瘤最大径和甲胎蛋白）和12个影像组学特征。训练集中基于最优特征子集构建的决策树、极端梯度提升、随机森林、支持向量机、广义线性模型和神经网络模型预测HCC MVI的AUC值分别为0.969、1.000、1.000、0.991、0.966和1.000，验证集的AUC值分别为0.781、0.890、0.920、0.806、0.684和0.703。验证集中，极端梯度提升与广义线性模型、神经网络的AUC的差异有统计学意义（ Z=2.857、3.220， P=0.004、0.001），随机森林与支持向量机、广义线性模型和神经网络AUC的差异有统计学意义（ Z=2.371、3.190、3.967， P=0.018、0.001、<0.001），支持向量机与广义线性模型AUC的差异有统计学意义（ Z=2.621， P=0.009），其余机器学习模型间AUC的差异均无统计学意义（ P>0.05）。 结论:基于钆塞酸二钠增强MRI肝胆期图像的影像组学特征构建的机器学习模型可用于术前预测HCC MVI，其中，极端梯度提升和随机森林模型具有较高的预测效能。

目的:探讨基于双期增强CT影像组学特征的机器学习模型术前预测肝细胞癌微血管侵犯（MVI）的价值。方法:回顾性分析2015年1月至2020年5月在苏州大学附属第一医院经病理确诊的148例［男106例，女42例，年龄（58±11）岁］肝细胞癌患者的资料，其中MVI阳性88例，MVI阴性60例。按照约7∶3的比例随机分配为训练集和验证集。利用MaZda软件提取肝细胞癌动脉期和门静脉期3D影像组学特征，采用3种特征选择方法联合（FPM法）和Lasso回归进行特征筛选，得到最优特征子集。然后用6种机器学习算法构建预测模型，采用受试者工作特征（ROC）曲线评估模型的预测能力，并计算出曲线下面积（AUC）、准确度、灵敏度和特异度。结果:MaZda软件提取肝细胞癌动脉期和门静脉期的影像组学特征，各239个。利用FPM法和Lasso 回归进行特征筛选可分别得到7个动脉期和14个门静脉期最优特征。基于动脉期的7个最优特征构建的决策树、极端梯度提升、随机森林、支持向量机、广义线性模型和神经网络等模型预测验证集肝细胞癌MVI的AUC值分别为0.736、0.910、0.913、0.915、0.897、0.648，其中支持向量机的AUC值最高，其准确度、灵敏度和特异度分别为95.35%、95.83%和94.74%。利用门静脉期的14个最优特征构建的上述机器学习模型预测验证集肝细胞癌MVI的AUC值分别为0.873、0.876、0.913、0.859、0.877、0.834，其差异均无统计学意义（均 P>0.05），其中随机森林模型的AUC值最高，其准确度、灵敏度和特异度分别为90.70%、87.50%和94.74%。 结论:基于双期增强CT影像组学特征的机器学习模型可用于术前预测肝细胞癌微血管侵犯。其中，支持向量机和随机森林模型具有较高的预测效能。

目的:通过脂质组学方法联合机器学习(ML)多种算法，探索人外周血辐射敏感脂质代谢物分类模型。方法:收集2023年3—9月北京市某综合医院准备接受骨髓移植的25例白血病放射治疗病例，照射前和照射后外周血样本97份，其中对照组24份，为照射前血液样本；辐射组73份，为4、8、12 Gy照射剂量下的24、25和24份血液样本。采用基于超高效液相色谱－串联质谱(UPLC-MS/MS)平台的靶向脂质组学方法，分析辐射组与对照组差异脂质。线性回归筛选0～12 Gy的剂量范围内辐射剂量响应脂质。采用5种机器学习方法构建训练集辐射分类模型，验证集进行模型的验证和评价。结果:与对照组相比，辐射组敏感的脂质代谢物中62个脂质浓度变化差异有统计学意义( t＝－4.91～4.74, P<0.05)，包括鞘磷脂(SM)、胆固醇酯(CE)、神经酰胺(Cer)、磷脂酰肌醇(PI)、己糖神经酰胺(HexCer)、溶血磷脂酰胆碱(LysoPC)、醚磷脂酰胆碱(PCO)、磷脂酰乙醇胺(PE)、溶血磷脂酰乙醇胺(LysoPE)这9大类。在0～12 Gy的剂量范围内，筛选出20种具有良好剂量反应的脂质代谢物，包括11个SM，7个CE，1个Cer和1个PI。决策树(DT)、支持向量机(SVM)、轻量梯度增强机(Light GBM)、随机森林(RF)、K最邻近(KNN)这5种机器学习训练模型拟合均较好(F1＝0.69～1.00)，灵敏度较高。通过评价验证指标，辐射分类判定效果最好的模型为随机森林(灵敏度1.00、准确率0.72、F1值0.80)。 结论:通过靶向脂质组学分析，发现人类样本中辐射响应的脂质代谢物和辐射剂量响应的脂质。机器学习方法中的RF模型可以为探索人类辐射脂质代谢物模型提供新的思路。

目的:探讨将机器学习方法应用于新生儿坏死性小肠结肠炎（necrotizing enterocolitis，NEC）诊断及严重程度分类的意义。方法:回顾性分析2015年1月至2021年10月吉林大学第一医院新生儿科疑似NEC并行腹部影像学检查的新生儿临床资料，根据入选患儿（数据集1）是否符合改良Bell分期Ⅱ期以上分为NEC组和非NEC组，用于诊断预测分析；NEC组（数据集2）再根据是否为Bell分期Ⅲ期以上分为外科NEC组和内科NEC组，用于NEC严重程度分析。采用特征选择算法中的极端随机树、弹性网和递归特征消除法对全部变量进行筛选，通过逻辑回归、支持向量机（support vector machine，SVM）、随机森林和光梯度增强机等机器学习分类模型建立NEC诊断和严重程度预测模型。应用受试者工作特征曲线下面积（the area under the receiver operating characteristic curve，AUROC）、敏感度、特异度、阳性预测值和阴性预测值评估模型性能，选出最优模型。结果:共纳入536例疑似NEC患儿。数据集1包括非NEC组302例、NEC组234例；数据集2包括内科NEC组164例、外科NEC组70例。极端随机树法筛出的变量在两个数据集中预测性能最佳，在NEC诊断分类模型中，SVM模型预测性能最佳，AUROC为0.932（95% CI 0.891~0.973），准确度0.844（95% CI 0.793~0.895），共确定11个预测变量，包括门静脉积气、发病时中性粒细胞百分比、肠腔扩张、发病时单核细胞计数等；在NEC严重程度预测模型中，SVM模型预测性能最佳，AUROC为0.835（95% CI 0.737~0.933），准确度0.787（95% CI 0.703~0.871），共确定25个预测变量，包括发病时日龄、C反应蛋白、中性粒细胞计数等。 结论:利用机器学习中的特征选择算法和SVM分类模型建立的新生儿NEC预测模型有助于NEC的诊断和疾病严重程度分类。

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。