目的 采用XGBoost机器学习算法构建一个临床影像模型,预测肺结节病理浸润性,并在一个外部验证组中对模型进行泛化性验证.方法 回顾性纳入CT诊断为孤立性肺结节患者248例,分别提取肺结节区域和结节周围3mm、5mm区域的放射组学特征.经过从粗到细的特征选择后,使用最小绝对收缩和选择算子(LASSO)方法计算Radscore.采用单因素和多因素Logistic回归分析筛选与肺结节浸润性相关的临床放射学因素.然后,利用Logistic和XGBoost算法构建临床-放射组学联合模型,在一个独立的外部验证组(n=147)中评估模型的泛化性能.结果 综合Radscore、CT值、肺结节长度、月牙征的临床放射学XGBoost联合模型对肺结节浸润性的预测效果优于放射组学模型、临床放射学Logistic联合模型,在训练队列中的曲线下面积AUC为0.889(95％CI,0.848～0.927),在外部验证组中曲线下面积AUC为0.889(95％CI,0.823～0.942).结论 我们采用XGBoost机器学习算法构建了一种预测肺结节浸润性的临床放射学模型,结果显示出令人满意的预测效能,并在一个独立外部验证组中得到了良好的泛化性验证,可以帮助临床医生指导肺结节的诊疗并制定评估策略.

高脂血症(hyperlipidemia,HLP)是一种慢性代谢性疾病,由遗传因素、相关环境因素以及其他疾病等引起.随着现代医学的发展,人们逐渐将药食同源中药植物黄酮用于高脂血症的防治.天然来源的黄酮类化合物种类多样、结构复杂、生物活性丰富,可防治包括高脂血症在内的多种慢性疾病.然而,其防治高脂血症的具体机制尚不明确,应用药食同源植物黄酮治疗高脂血症周期长、见效慢,在一定程度上影响了对其疗效及安全性的判断.近年来,肠道微生物组、代谢组及转录组学等多组学研究技术和分析方法的不断发展和完善,为药食同源植物黄酮防治高脂血症提供了新的认知思路,基于多组学技术对药食同源植物黄酮降脂机制进行系统归纳和分析,有助于揭示植物黄酮与高脂血症病理过程中关键分子和信号通路的相互作用,为开发治疗高脂血症及其并发症的功能性食品提供指导意义.这不仅有助于推动中医药与现代医学在系统科学与生命组学领域的融合与创新,也为高脂血症防治提供了新的思路和方法.基于此,该文尽可能全面地阐述药食同源植物黄酮在高脂血症防治中的多组学联合作用机制,为高脂血症的防治提供重要理论依据.

脓毒症是一种机体对感染反应失调的全身炎症反应综合征，具有持续感染、过度炎症和免疫抑制等特点，通常会导致器官功能障碍进而危及生命，是创伤后常见的并发症。由于创伤后脓毒症的病因、病程进展、预后等因素错综复杂，目前其发病机制尚不明确。多组学技术可将两个及以上的单一组学联合起来进行全面综合分析的技术，能够从多角度、多方面揭示疾病相关分子间相互作用网络，对创伤后脓毒症发病机制解析具有重大意义。为此，笔者从基因组学、转录组学、蛋白质组学、代谢组学、单细胞转录组学及多组学技术联合等方面就多组学技术对阐明创伤后脓毒症发病机制作用的研究进展进行综述，为创伤后脓毒症的研究方法提供参考。

目的:构建基于CT检查影像组学胃神经内分泌肿瘤（GNEN）预后的预测模型，探讨其应用价值。方法:采用回顾性队列研究方法。收集2011年8月至2020年12月2家医学中心收治的182例（郑州大学第一附属医院124例，郑州大学附属肿瘤医院58例）GNEN患者的临床病理资料；男130例，女52例；年龄为64（56~70）岁。182例患者通过随机数字表法按7∶3随机分为训练集128例和验证集54例。182例患者均行CT增强检查。观察指标：（1）影像组学模型的构建与验证。（2）影响训练集GNEN患者预后因素分析。（3）GNEN患者预后预测模型构建与评估。偏态分布的计量资料以 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，组间比较采用 χ2检验、校正 χ2检验或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Log-rank检验进行生存分析。单因素和多因素均采用COX回归模型。使用R软件（4.0.3版本）glmnet软件包进行最小绝对收缩和选择算子方法（LASSO）-COX回归分析，使用rms软件包（4.0.3版本）生成列线图和校准曲线图，使用Hmisc软件包（4.0.3版本）计算C-index，采用dca.R软件包（4.0.3版本）进行决策曲线分析。 结果:（1）影像组学模型的构建与验证：提取182例GNEN患者1 781个影像组学特征，经组内相关系数>0.75的特征筛选和LASSO-COX回归模型进一步降维后，最终筛选14个非零系数影像组学特征，计算影像组学评分（R-score），构建基于R-score的影像组学预测模型。采用R-score的最佳截断值为-0.494，将训练集128例患者分为高风险64例和低风险64例；将验证集54例患者分为高风险35例和低风险19例。影像组学预测模型预测训练集患者18、24、30个月总生存率的曲线下面积分别为0.83［95%可信区间（ CI）为0.76~0.87， P<0.05］、0.84（95% CI为0.73~0.91， P<0.05）、0.91（95% CI为0.78~0.95， P<0.05）；验证集上述指标分别为0.84（95% CI为0.75~0.92， P<0.05）、0.84（95% CI为0.73~0.91， P<0.05）、0.86（95% CI为0.82~0.94， P<0.05）。（2）影响训练集GNEN患者预后因素分析。多因素分析结果显示：性别、年龄、治疗方式、肿瘤边界、肿瘤T分期、肿瘤N分期、肿瘤M分期、Ki-67指数、CD56表达是影响训练集GNEN患者预后的独立因素（ P<0.05）。（3）GNEN患者预后预测模型构建与评估。纳入性别、年龄、治疗方式、肿瘤边界、肿瘤T分期、肿瘤N分期、肿瘤M分期、Ki-67指数、CD56表达构建临床预测模型，训练集和验证集C-index分别为0.86（95% CI为0.82~0.90）、0.80（95% CI为0.72~0.87）；影像组学预测模型上述指标分别为0.80（95% CI为0.74~0.86）、0.75（95% CI为0.66~0.84）；临床-影像组学联合预测模型上述指标分别为0.88（95% CI为0.85~0.92）、0.83（95% CI为0.77~0.89）。校准曲线显示：临床预测模型、影像组学预测模型、临床-影像组学联合预测模型的预测能力良好。决策曲线显示：临床-影像组学联合预测模型对GNEN预后的评估能力优于临床预测模型、影像组学预测模型。 结论:经过筛选，通过14个影像组学特征构建GNEN预后的预测模型，该预测模型可较好预测GNEN患者预后，临床-影像组学联合预测模型的预测效能更优。

目的:探讨基于MRI多期增强影像组学联合临床影像特征的预测模型术前预测乳腺癌Ki-67表达状态的价值。方法:本研究为回顾性研究。收集2016年6月至2017年5月就诊于中国医学科学院北京协和医学院肿瘤医院并接受手术治疗的乳腺癌患者213例，均为女性，年龄24~78（51±10）岁。所有患者均在术前2周内接受常规乳腺MR检查。根据术后病理Ki-67表达不同分为高表达组（Ki-67≥20%，153例）和低表达组（Ki-67<20%，60例）。从动态增强扫描第2期（CE-2）和第7期（CE-7）图像提取乳腺癌病变的影像组学特征，将所有病例根据MR检查时间先后顺序以7∶3分为训练集和测试集。首先采用方差分析和Wilcoxon符号秩检验选出具有显著分类性能的特征值，随后采用最小绝对收缩和选择算子法回归模型的方法，筛选出最佳特征值。同时对临床信息及常规影像学特征［包括腺体分型、背景实质强化程度、是否多灶/多中心、病灶位置、病灶形态、病灶长径、病灶短径、T 2WI信号特征、扩散加权成像（DWI）信号特征、表观扩散系数（ADC）值、时间-信号强度曲线（TIC）类型、腋窝是否伴有短径>1.0 cm淋巴结］采用同样的方法进行参数筛选。随后采用支持向量机（SVM）构建Ki-67高低表达状态的预测模型。模型的预测效能采用受试者操作特性（ROC）曲线和曲线下面积进行评价。 结果:由CE-2和CE-7图像分别提取1 029个影像组学特征，经过筛选分别得到9个及7个最佳特征值，并将两组特征值组合共16个特征值构成CE-2+CE-7图像影像组学最佳特征值。临床影像特征筛选得到5个有价值的参数分别为病变位置、病变短径、DWI信号特征、ADC值、是否腋窝淋巴结短径>1.0 cm。由CE-2和CE-7图像影像组学特征所得SVM模型在训练集及测试集中预测Ki-67表达状态的ROC曲线下面积均较高（>0.70）。将CE-2、CE-7、CE-2+CE-7图像影像组学特征分别联合临床影像特征构建模型预测Ki-67表达状态的效能较单独使用CE-2、CE-7、CE-2+CE-7图像影像组学特征所得模型有不同程度提高。其中CE-2+CE-7+临床影像特征模型预测效能最佳，其在训练集中预测Ki-67表达状态的AUC、准确度、灵敏度、特异度分别为0.895、84.6%、87.9%、76.2%；在测试集中分别为0.822、70.3%、76.1%、55.6%。结论:基于MRI多期增强影像组学特征的SVM模型能有效预测Ki-67表达状态，将影像组学特征与临床影像特征联合，能够进一步提高模型预测效能。

目的:探讨基于CT小肠造影（CTE）的影像组学特征联合临床因素构建列线图预测克罗恩病（CD）患者英夫利西单抗（IFX）治疗后继发性无反应（SLOR）的价值。方法:该研究为病例对照研究。回顾性收集2015年3月至2022年7月在安徽医科大学附属第一医院确诊的155例CD患者的临床和影像资料，采用分层抽样法按7∶3的比例分成训练集（ n=108）和测试集（ n=47）。所有患者均按规范方案治疗，根据治疗反应分为SLOR（训练集43例、测试集18例）和非SLOR（训练集65例、测试集29例）。基于训练集数据，使用单因素和多因素logistic回归分析在临床资料中筛选出IFX治疗后SLOR的独立预测因素，建立临床模型。选择肠期CTE图像沿病灶轮廓逐层勾画以获得感兴趣区体积并提取影像组学特征，使用单因素分析及最小绝对收缩和选择算子筛选影像组学特征建立影像组学模型。采用多因素logistic回归分析基于筛选出的临床独立预测因素和影像组学特征建立临床-影像组学联合模型，并绘制列线图。使用受试者操作特征曲线评估3个模型对IFX治疗后SLOR的预测效能，并计算曲线下面积（AUC），采用决策曲线来评价模型的临床实用价值。 结果:临床资料中病程（ OR=1.983，95% CI 1.966~2.000， P=0.046）、肠腔狭窄（ OR=1.246，95% CI 1.079~1.764， P=0.015）是SLOR的独立预测因素，建立临床模型。最终9个影像组学特征被纳入影像组学模型。临床、影像组学和联合模型预测CD患者IFX治疗后SLOR的AUC在训练集中分别为0.691（95% CI 0.591~0.792）、0.896（95% CI 0.836~0.955）、0.910（95% CI 0.855~0.965），在测试集中分别为0.722（95% CI 0.574~0.871）、0.866（95% CI 0.764~0.968）、0.889（95% CI 0.796~0.982）。测试集中决策曲线分析显示影像组学模型和联合模型的临床净效益均高于临床模型，在大部分阈值概率区间内，联合模型的临床净效益高于影像组学模型。 结论:基于CTE的影像组学模型可有效预测CD患者IFX治疗后SLOR，加入临床因素病程和肠腔狭窄的联合模型可进一步提高预测效能。

目的:探讨多模态磁共振成像（MRI）检查影像组学模型对直肠癌微卫星不稳定性（MSI）的预测价值。方法:采用回顾性队列研究方法。收集2020年1月至2022年12月2家医学中心收治的117例（宁波市泌尿肾病医院74例、浙江大学医学院附属第一医院43例）直肠癌患者的临床病理资料；男73例，女44例；年龄为（63±5）岁。117例患者通过随机数字表法以7∶3随机分为训练集70例和测试集47例。117例患者均行盆腔MRI检查。观察指标：（1）影像组学预测模型构建及特征分析。（2）影响训练集直肠癌MSI的因素分析。（3）直肠癌MSI预测模型的构建与评价。正态分布的计量资料以 x±s表示，组间比较采用 t检验；偏态分布的计量资料以 M（ Q1， Q3）表示，组间比较采用Mann-Whitney U检验；计数资料以绝对数表示，组间比较采用 χ2检验。单因素分析采用单因素方差分析，多因素分析采用Logistic回归模型前进法。绘制受试者工作特征（ROC）曲线，以曲线下面积（AUC）、决策曲线、校准曲线、Delong检验评价预测模型的效能。 结果:（1）影像组学预测模型构建及特征分析。提取117例患者5 580个影像组学特征，经最大相关最小冗余筛选和最小化绝对收缩和选择算子回归模型降维后，最终筛选出9个影像组学特征。计算影像组学评分（R-score），构建基于R-score的影像组学预测模型。（2）影响训练集直肠癌MSI的因素分析。多因素分析结果显示：血小板计数是直肠癌患者MSI的独立影响因素［优势比=1.13，95%可信区间（ CI）为1.06~1.21， P<0.05］。（3）直肠癌MSI预测模型的构建与评价。根据多因素分析结果构建临床特征预测模型、临床-影像组学联合预测模型。训练集中临床特征预测模型、影像组学预测模型、临床-影像组学联合预测模型的AUC分别为0.94（95% CI为0.86~0.98）、0.96（95% CI为0.88~0.99）、0.99（95% CI为0.93~1.00），灵敏度分别为90.7%、91.2%、96.9%，特异度分别为85.0%、88.9%、94.3%。Delong检验结果显示：临床-影像组学联合预测模型与临床特征预测模型效能比较，差异有统计学意义（ Z=2.20， P<0.05）；影像组学预测模型分别与临床-影像组学联合预测模型、临床特征预测模型比较，差异均无统计学意义（ Z=1.94，0.60， P>0.05）。测试集中临床特征预测模型、影像组学预测模型、临床-影像组学联合预测模型的AUC分别为0.97（95% CI为0.88~1.00）、0.86（95% CI为0.73~0.95）、0.97（95% CI为0.87~1.00），灵敏度分别为99.3%、95.8%、99.3%，特异度分别为85.7%、73.9%、90.5%。Delong检验结果显示：临床-影像组学联合预测模型与影像组学预测模型效能比较，差异有统计学意义（ Z=2.21， P<0.05）；临床特征预测模型分别与临床-影像组学联合预测模型、影像组学预测模型比较，差异均无统计学意义（ Z=0.17，1.82， P>0.05）。校准曲线显示：临床特征预测模型、影像组学预测模型、临床-影像组学联合模型对直肠癌MSI状态的预测能力良好。决策曲线显示：临床-影像组学联合模型预测直肠癌MSI状态临床净效益最大，优于临床特征预测模型和影像组学预测模型。 结论:筛选9个影像组学特征构建直肠癌MSI的预测模型，该预测模型可较好预测直肠癌患者MSI 状态，临床-影像组学联合预测模型的预测效能更优。

目的:探讨基于超声影像组学联合临床病理学特征预测乳腺癌患者肿瘤增殖细胞核抗原67(Ki-67)表达状态的可行性。方法:回顾性分析2018年1月至2022年2月在南京医科大学附属常州第二人民医院接受二维超声和Ki-67检查的乳腺癌患者。其中来自城中院区的427例患者按照8∶2的比例随机划分为训练集和验证集，来自阳湖院区的229例患者作为独立的外部测试集。从二维超声图像的感兴趣区域提取影像组学特征，采用Mann-Whitney U检验、递归特征消除以及最小绝对收缩和选择算子进行特征降维并建立影像组学评分(Rad-score)。随后，采用单/多因素逻辑回归分析，根据Rad-score和临床病理学特征构建联合预测模型。使用ROC曲线下面积(AUC)、校准曲线和决策曲线分析以评估模型性能和实用性。 结果:联合模型在训练、验证和测试集中预测乳腺癌Ki-67表达状态的AUC分别为0.858、0.797、0.802，均优于影像组学(0.772、0.731、0.713)和临床模型(0.738、0.750、0.707)。校准曲线和决策曲线分析表明联合模型具有良好的校准度和临床价值。结论:基于超声影像组学和临床病理学特征的联合模型能够有效预测乳腺癌Ki-67表达状态，有望成为Ki-67检测的非侵入性工具，并为临床医生提供重要的辅助诊断和治疗决策依据。

目的:利用不同机器学习方法构建多模态MRI影像组学联合临床指标预测肝细胞癌患者射频消融术后早期复发的模型，并评估模型预测能力。方法:回顾性分析2015年1月至2021年12月中国人民解放军总医院第四医学中心和中国人民解放军总医院第一医学中心行射频消融治疗的肝细胞癌患者资料。共入组169例肝细胞癌患者，其中男性152例，女性17例，年龄(57.2±9.2)岁。按照8∶2随机分为训练集( n＝135)与测试集( n＝34)。训练集中复发49例，测试集中复发12例。基于训练集单因素和多因素logistic回归分析肝细胞癌患者射频消融术后早期复发的临床影响因素，应用方差阈值法、select K-best和LASSO回归依次筛选影像组学特征。采用支持向量机、logistic回归、随机森林三种机器学习分类器分别构建单纯影像组学或联合临床特征的术后早期复发预测模型，受试者工作特征(ROC)曲线评估模型的预测能力。 结果:多因素logistic回归分析显示，术前甲胎蛋白>20 μg/L、血小板计数>140×10 9以及肿瘤位置特殊是肝细胞癌患者射频消融术后早期复发的影响因素(均 P<0.05)。经方差阈值分析、select K-best、LASSO回归筛选出16个最优影像组学特征。采用支持向量机、logistic回归、随机森林分类器构建单纯影像组学预测肝细胞癌患者射频消融术后早期复发模型，测试集中预测肝细胞癌射频消融术后早期复发的ROC曲线下面积分别为0.826、0.830、0.826；构建的影像组学联合临床特征模型，测试集的ROC曲线下面积分别为0.830、0.830、0.909。测试集中，随机森林的ROC曲线下面积大于支持向量机和logistic回归( Z＝2.19、3.98， P＝0.008、0.008)。 结论:支持向量机、logisitic回归、随机森林三种学习方法基于临床指标及影像组学特征构建的联合模型预测肝细胞癌患者射频消融术后早期复发效能良好，其中，随机森林构建的模型最优。

结直肠癌(colorectal cancer，CRC)是常见的消化道恶性肿瘤，也是导致癌症相关死亡的主要原因之一。表观遗传因素是介导CRC发生、发展的关键因素之一，目前基于组蛋白/DNA甲基化修饰等开发的靶点治疗CRC的临床转化效果不够理想。近年来RNA修饰成为表观遗传领域新的研究前沿与热点，随着大样本多组学联合分析与高通量测序技术在该领域的应用，发现多个RNA修饰相关蛋白在CRC中表现出较好的独立预后价值，并且RNA修饰密切参与CRC的恶性进展、化疗抵抗以及抗肿瘤免疫调节。本文将对RNA修饰在CRC中的最新研究进展进行述评，旨在了解RNA修饰在CRC恶性进展中的作用机制，以期为CRC治疗和预后判断提供新的思路和策略。