目的 以有创动脉造影(digital subtraction angiography,DSA)为参考标准,通过与手动后处理法比较,探讨在头颈部CT血管成像(ct angiography,CTA)后处理过程中人工智能(artificial intelligent,AI)辅助分析的应用价值.方法 回顾性分析2020年4月-2022年9月在本院行头颈动脉CTA并于1月内行头颈动脉造影检查且符合纳入标准的42例患者的影像资料,男30例,女12例,平均年龄(67±10.9)岁.通过与手工法图像后处理进行比较,评价AI法后处理的工作效率、VR图像质量、标准符合率以及对颈动脉狭窄程度的诊断符合率.结果 对42例患者的84条双侧颈动脉进行分析,人工智能平均完成时间为(1.23±0.17)min,比手工方法(7.95±2.42)min缩短约6.72min,平均时间增益率为84％.人工智能获得的VR图像质量与一般图像质量之比分别为88.1％(37/42)和9.5％(4/42),手动方法获得的VR图像质量与一般图像质量之比分别为19.0％(8/42)和69.0％(29/42).两种方法获得的VR图像质量主观评分差异有统计学意义(P＜0.001);以DSA为"金标准",其中正常33根,闭塞10根,狭窄41根;在检测闭塞上手工和AI测量准确率均100％,狭窄率手工及人工智能测量结果分别为49.7％±20.9％、51.9％±26.3％,二者无显著性差异(P=0.24),组内相关系数为0.879;结论 基于图像分割技术对头颈部CTA血管成像进行后处理,可以显著缩短后处理时间,提高诊断的准确性和效率.此外,VR后处理的图像质量优于手工方法,诊断血管闭塞和狭窄的准确性与手工方法相当,可以更好地辅助影像医生进行诊断.

目的 拟探讨99Tc m-MIBI(甲氧基异丁基异腈)SPECT/CT(单光子发射计算机断层成像/计算机断层扫描)对甲状旁腺功能亢进症的诊断效能及其相关因素,以及MIBI断层融合显像的增益价值.方法 入组标准:①回顾性分析2017年5月至2023年6月间临床怀疑甲状旁腺功能亢进症的患者;②在本院行甲状旁腺切除术;③在术前2周内行99Tcm-MIBI SPECT/CT甲状旁腺显像.由2位核医学科高年资主治医师共同阅片,观察MIBI平面及断层图像,分析记录病变特点及同机CT显示的骨质改变.结果 符合筛选条件并最终入组的患者共100例,共切除165个病灶,包括甲旁亢病灶112枚.MIBI平面显像与断层融合显像诊断甲旁亢病灶的灵敏度、特异性、约登指数、阳性预测值和阴性预测值分别为66.07％、87.03％、53.10％、91.36％和55.29％和85.71％、87.03％、72.74％、93.20％和74.60％.MIBI平面显像阳性组患者的血清PTH(甲状旁腺激素)水平、血清ALP(碱性磷酸酶)水平明显高于阴性组.MIBI断层融合显像显示出96个真阳性病灶中,其中76个病灶在CT表现为密度均匀的类圆形或椭圆形结节,17个病灶伴囊性改变,3个病灶伴钙化.另外,MIBI断层融合显像发现了8枚异位甲状旁腺腺瘤.MIBI平面显像阳性组的甲旁亢病灶的长径、PPD(垂直直径的乘积)均大于显像阴性组;MIBI平面显像阳性组较阴性组更易出现颅骨皮质变薄及颅骨增厚.相关性分析结果显示血清ALP水平与颅骨CT值、颅骨皮质变薄、颅骨增厚及有无骨质吸收灶之间均存在相关性.结论 MIBI显像对甲旁亢的诊断具有重要作用,SPECT/CT断层融合显像提高了传统平面显像的诊断准确率,同时有助于对甲旁亢病灶提供准确定位.同机CT显示的骨骼特点为甲旁亢的临床诊疗提供了更多的信息.

目的:分析不同年龄健康人群脉冲-阶跃-正弦（pulse-step-sine，PSS）试验的特点，探讨其临床价值。方法:2018年7月10日至2020年12月9日招募健康成人志愿者78名，其中男40名，女38名，按照年龄分为青年组（≤44岁）、中年组（45~59岁）和老年组（≥60岁）。应用I-portal NOTC转椅系统进行PSS检测，分析阶跃和正弦成分的增益、相位、不对称性以及斜率的临床特点。使用SPSS17.0 软件对数据进行统计学分析。结果:78名志愿者均完成检测。在同一年龄组，左向和右向的阶跃增益、斜率和正弦增益的差异均无统计学意义（ P值均>0.05）。不同年龄组间进行两两比较发现：老年组相较于青年组，其左侧阶跃增益降低（ P=0.006），而右侧差异无统计学意义（ P>0.05）；其左右两侧的斜率均降低，差异有统计学意义（ P值分别为0.004、0.007）。老年组相较于中年组，其左右侧的斜率降低，差异有统计学差异（ P值分别为0.040、0.014）。青年组和中年组的相对应参数差异无统计学意义（ P值均>0.05）。 结论:PSS试验在不同年龄组健康人群有良好耐受性，可以检测双侧和单侧水平半规管的中频功能，以及已经代偿的单侧前庭功能低下，是一种新型前庭检测手段。

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 18F-氟脱氧葡萄糖（FDG）PET/CT纹理分析在肺癌与肺结核的高代谢孤立性肺结节（SPN）鉴别诊断中的增益价值。 方法:回顾性分析2017年1月至2020年6月在内蒙古赤峰市医院和北京大学肿瘤医院行 18F-FDG PET/CT检查且结果表现为高代谢[最大标准化摄取值（SUV max）≥2.5]的108例SPN患者的临床资料，其中男性68例、女性40例，年龄35~72岁，中位年龄50岁；肺结核患者45例（肺结核组）、肺癌患者63例（肺癌组）。所有患者均经组织病理学检查结果确诊。分析所有患者 18F-FDG PET/CT图像SPN的良恶性（主观定性诊断），并计算错判率、灵敏度和特异度。采用MaZda纹理分析软件分别对CT和PET图像中的SPN横断面最大层面及相邻上下两层图像手动勾画ROI并提取纹理特征参数。分别采用Fisher系数、分类错误概率+平均相关系数、交互信息以及三者联合的方法（FPM）筛选具有鉴别意义的纹理特征。对筛选出的纹理特征进行原始数据、主成分、线性分类和非线性分类的分析，对SPN的良恶性进行鉴别，以错判率评价其鉴别效能。计量资料的组间比较采用独立样本 t检验；计数资料的组间比较采用 χ2检验。对错判率最低的各纹理特征参数分别进行受试者工作特征（ROC）曲线分析，筛选最具鉴别意义的前3位纹理特征。 结果:肺癌组与肺结核组患者在年龄[54 （42~72）岁对47 (35~64）岁]、SUV max[（9.51±4.65）对（5.35±2.89）]间的差异均有统计学意义（ t=2.180、2.520，均 P<0.05）；在性别、SPN长径间的差异均无统计学意义（ χ2=0.070， t=0.675，均 P>0.05）。主观定性诊断高代谢SPN良恶性的错判率为26.9%（29/108）、灵敏度为93.7%(59/63)、特异度为35.9%（14/39）。基于SUV max的ROC曲线分析，SUV max临界值为5.3时错判率为25.0%（27/108），其与主观定性诊断的错判率差异无统计学意义（ χ2=0.096， P>0.05）。CT和PET图像基于FPM联合非线性分类分析诊断的错判率最低，分别为8.33%和1.85%，两者间的差异有统计学意义（ χ2=4.694， P<0.05）；其与主观定性诊断和基于SUV max的ROC曲线分析比较，错判率的差异均有统计学意义（ χ2=10.800、27.457，均 P<0.05）。最具鉴别意义的前3位纹理特征分别为灰度游程矩阵中的垂直方向长行程补偿、灰度游程矩阵中的135°方向长行程补偿和灰度共生矩阵中的逆差距。 结论:MaZda纹理分析鉴别高代谢SPN良恶性的诊断效能较主观诊断高，在肺癌与肺结核的高代谢SPN的鉴别诊断中具有增益价值。

目的:探究腹腔镜经腹腹膜前疝修补术(TAPP)后发生血清肿的影响因素。方法:采用回顾性队列研究的方法分析2019年12月—2022年12月于阜阳市第五人民医院行TAPP的320例腹股沟疝患者的临床资料，其中，男性226例，女性94例，年龄(61.46±10.22)岁，年龄范围23~76岁。根据患者术后是否发生血清肿分为血清肿组( n＝18)和未发生组( n＝302)。采用多因素Logistic回归分析筛选TAPP后发生血清肿的影响因素，并基于Softmax策略以二分类变量生存0(结局事件未发生)和1(结局事件发生)作为结果变量构建人工神经网络模型，采用受试工作者特征(ROC)曲线和累积增益图分析模型区分度和应用价值。正态分布的计量资料以均数±标准差( ± s)表示，组间比较采用独立样本 t检验；计数资料组间比较采用 χ2检验。 结果:320例患者术后血清肿发生率为5.63%(18/320)，其中Ⅰ型7例，Ⅱ型4例，Ⅲ型7例，经对症治疗后均已好转。多因素分析显示，合并基础疾病、服用抗凝血药物、病程、手术时间、术中出血量、疝囊直径、补片固定方式、中性粒细胞与淋巴细胞比值(NLR)是腹股沟疝患者TAPP无张力修补术后血清肿的影响因素( OR＝1.732、2.414、2.346、1.480、2.159、1.725、1.248、2.179；95% CI：1.385~2.942、1.764~3.176、1.280~3.209、1.263~2.275、1.331~2.861、1.308~2.239、1.005~1.764、1.644~2.982； P<0.05)。ROC曲线和累积增益图表明所构建的人工神经网络模型可较好地预测患者术后血清肿发生的概率。 结论:腹股沟疝患者TAPP后血清肿的发生与合并基础疾病、服用抗凝血药物、病程、手术时间、术中出血量、疝囊直径、补片固定方式、NLR等多种因素有关，临床应重点关注这些问题，降低术后血清肿的发生率。

目的:探讨 99Tc m－甲氧基异丁基异腈(MIBI) SPECT/CT肌肉显像对颈部肌张力障碍(CD)诊断的潜在临床增益价值。 方法:前瞻性纳入2021年1月至2022年4月间在苏州大学附属第二医院诊治的CD患者50例[男14例、女36例，年龄(45.8±12.5)岁]，所有患者在SPECT/CT肌肉显像联合肌电图引导下行肉毒毒素注射治疗。对50例患者的400块颈浅部肌肉(两侧胸锁乳突肌、肩胛提肌、头夹肌、斜方肌各100块)行 99Tc m－MIBI SPECT/CT肌肉显像，以肌电图结果为"金标准"将其分为张力障碍肌组及正常肌组，分别获取肉毒毒素注射治疗前西多伦多痉挛性斜颈评分量表(TWSTRS)评分、颈浅部单块肌肉和颈部总体肌肉的SUV max和靶本比(TBR)、肌电图诊断结果。采用ROC曲线计算SUV max及TBR诊断张力障碍肌的AUC，并用Delong检验比较其差异。2组间SUV max和TBR的比较采用Mann－Whitney U检验，采用Spearman秩相关分析颈部总体肌肉SUV max、TBR与TWSTRS评分的相关性。 结果:张力障碍肌组肌肉205块，正常肌组肌肉195块。CD患者张力障碍肌摄取 99Tc m－MIBI明显增高，且部分张力障碍肌存在非整体性摄取 99Tc m－MIBI增高而表现为整块肌肉摄取不均匀现象。视觉分析判断张力障碍肌的灵敏度、特异性、准确性、阳性预测值及阴性预测值分别为95.12%(195/205)、75.90%(148/195)、85.75%(343/400)、85.58%(195/242)和93.67%(148/158)。张力障碍肌组与正常肌组的SUV max[1.74(1.42，2.12)和0.92(0.81，0.99)]及TBR[2.55(1.92，3.27)和1.44(1.22，1.73)]差异均具有统计学意义( z值：－15.29、－12.69，均 P<0.001)。颈部肌肉SUV max诊断效能优于TBR(AUC：0.942和0.867； z＝5.03， P<0.001)。CD患者颈部总体肌肉SUV max、TBR与TWSTRS评分呈正相关( rs值：0.44、0.45，均 P<0.001)。 结论:99Tc m－MIBI SPECT/CT肌肉显像是1种具有较好临床应用价值的诊断CD的影像学方法。

目的:探讨与传统心肌灌注显像（MPI）半定量参数相比，碲锌镉（CZT）单光子发射计算机断层成像（SPECT）动态MPI测定的心肌定量血流参数对冠心病的诊断效能及其增益价值。方法:本研究为回顾性、横断面研究。选取2018年10月至2020年12月期间于泰达国际心血管病医院成功完成CZT SPECT动态MPI定量血流测定的可疑或确诊冠心病患者。收集患者的基本临床资料，CZT SPECT测定MPI半定量参数（负荷积分、静息积分和差值积分）及心肌定量血流参数［静息心肌血流量（rMBF）、负荷心肌血流量（sMBF）和心肌血流储备（MFR）］。根据冠状动脉血管造影结果，分别以任意一支冠状动脉狭窄≥50%或≥75%两种情况作为判断狭窄的阳性参考标准，将患者分为狭窄组和对照组。比较两组间心肌定量血流参数及半定量参数的差异，并采用受试者工作特征（ROC）曲线比较两种类型参数对冠心病的诊断效能。结果:共纳入98例患者，年龄（62.1±8.7）岁，其中男性66例（67%）。在患者水平，以冠状动脉狭窄程度≥50%为阳性标准时，狭窄组（58例）左心室sMBF（LV-sMBF）［（1.36±0.45）ml·min -1·g -1比（2.09±0.64）ml·min -1·g -1］和左心室MFR（LV-MFR）［（1.45±0.43）比（2.17±0.54）］均低于对照组（40例）；狭窄组负荷总积分和差值总积分均高于对照组（ P均<0.05）。以冠状动脉狭窄程度≥75%为阳性标准时，狭窄组（38例）LV-sMBF［（1.19±0.34）ml·min -1·g -1比（1.94±0.63）ml·min -1·g -1］和LV-MFR［（1.34±0.35）比（2.00±0.58）］均低于对照组（60例）；狭窄组各半定量参数均高于对照组（ P均<0.05）。在血管水平，以冠状动脉狭窄程度≥ 50%为阳性标准时，狭窄组（122支）sMBF［（1.26±0.49）ml·min -1·g -1比（1.95±0.70）ml·min -1·g -1］和MFR［（1.35±0.46）比（2.05±0.65）］均低于对照组；狭窄组负荷积分和差值积分均高于对照组（ P均<0.05）。以冠状动脉狭窄程度≥75%为阳性标准时，狭窄组（74支）sMBF［（1.12±0.41）ml·min -1·g -1比（1.84±0.70）ml·min -1·g -1］和MFR［（1.25±0.38）比（1.93±0.66）］均低于对照组（220支）；狭窄组各半定量参数均高于对照组（ P均<0.05）。以冠状动脉狭窄程度≥50%为阳性标准时，ROC曲线示心肌定量血流参数诊断冠心病的 AUC和95% CI为0.830（0.783~0.877），其灵敏度（86.1%比61.5%）、特异度（82.6%比73.8%）、阳性预测值（77.8%比62.5%）、阴性预测值（89.3%比73.0%）和准确度（84.0%比68.7%）均高于半定量参数（ P均<0.05）；以冠状动脉狭窄程度≥75%为阳性标准时，心肌定量血流参数诊断冠心病的 AUC和95% CI为0.832（0.785~0.879），其灵敏度（89.2%比67.6%）、阴性预测值（95.5%比86.2%）和准确度（80.6%比68.0%）也均高于半定量参数（ P均<0.05）。 结论:与传统SPECT MPI半定量参数相比，CZT SPECT心肌定量血流参数对冠心病的诊断效能较高，具有较佳的诊断增益价值。

目的:探讨心外膜脂肪容积（EFV）与阻塞性冠心病伴心肌缺血的关系，与传统心血管疾病危险因素及冠状动脉钙化（CAC）预测模型比较，评价EFV预测阻塞性冠心病伴心肌缺血的增益价值。方法:本研究为回顾性横断面研究。连续入选2018年3月至2019年11月于苏州大学附属第三医院就诊并行冠状动脉造影（CAG）及单光子发射计算机断层扫描-心肌灌注成像（SPECT-MPI）的疑诊冠心病患者。通过胸部非增强计算机断层扫描获得EFV与CAC。阻塞性冠心病定义为1支及以上冠状动脉管腔狭窄≥50%，心肌缺血定义为负荷及静息MPI可逆性灌注缺损，阻塞性冠心病伴心肌缺血定义为冠状动脉造影诊断至少1支冠状动脉狭窄≥50%且至少1支狭窄冠状动脉供血的心肌区域存在心肌缺血。两者均不具备或仅具备其一为无阻塞性冠心病伴心肌缺血。据此将患者分为2组。收集、比较两组的临床资料、CAC及EFV参数。使用多因素logistic回归模型评估EFV和阻塞性冠心病伴心肌缺血的相关性，应用受试者工作特征曲线（ROC）评价EFV能否在传统危险因素及CAC基础上提高对阻塞性冠心病伴心肌缺血的预测。结果:共纳入164例疑诊冠心病患者，年龄（61.4±9.9）岁，男性111例，阻塞性冠心病伴心肌缺血患者62例（37.8%），无阻塞性冠心病伴心肌缺血患者102例（62.2%）。阻塞性冠心病伴心肌缺血患者EFV显著高于无阻塞性冠心病伴心肌缺血患者［（135.63±33.29）cm 3比（105.18±31.16）cm 3， P<0.01］。单因素logistic回归分析显示，EFV每增加1个标准差，阻塞性冠心病伴心肌缺血风险增加1.96倍（ OR=2.96，95% CI：1.89~4.62， P<0.01）。校正传统心血管疾病危险因素及CAC后，EFV是阻塞性冠心病伴心肌缺血的独立影响因子（ OR=4.48，95% CI：2.17~9.23， P<0.01）。在传统心血管疾病危险因素联合CAC预测阻塞性冠心病伴心肌缺血的模型上加入EFV后曲线下面积更大（0.90比0.85， P=0.04），该模型95% CI为0.85~0.95，global卡方增加21.81（ P<0.05）。 结论:EFV是阻塞性冠心病伴心肌缺血的独立预测因子，在传统心血管疾病危险因素和CAC基础上，加入EFV对于预测阻塞性冠心病伴心肌缺血具有增益价值。

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。