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:基于不同监督机器学习算法，构建并验证适用于脓毒性休克患者28 d死亡风险的最佳预测模型。方法:从美国重症监护医学信息数据库Ⅳ v2.0（MIMIC-Ⅳ v2.0）中筛选出符合脓毒症3.0的脓毒性休克患者，随机抽取病例，其中70%作为训练集，30%作为验证集。从人口学特征及基础生命体征、入重症监护病房（ICU）24 h内血清学指标及可能影响指标的合并症、功能评分及高级生命支持3个层面提取相关预测变量。比较基于决策树分类回归树（CART）、随机森林（RF）、支持向量机（SVM）、线性回归（LR）及超级学习器〔SL，综合了CART、RF和极端梯度提升（XGBoost）〕5种主流机器学习算法构建的模型对脓毒性休克患者28 d死亡的预测效能，筛选最佳算法模型。利用LASSO回归、RF和XGBoost算法，通过取交集确定最佳预测变量，构建预测模型。采用受试者工作特征曲线（ROC曲线）验证模型的预测效能；采用校准曲线评估模型的准确性；采用决策曲线分析（DCA）验证模型的实用性。结果:最终共纳入3?295例脓毒性休克患者，28 d存活2?164例，死亡1?131例，病死率为34.32%；其中，训练集2?307例（28 d死亡792例，病死率为34.33%），验证集988例（28 d死亡339例，病死率为34.31%）。基于训练集数据分别建立5种机器学习模型；在纳入3个层面的变量后，RF、SVM、LR 3种机器学习模型在验证集预测脓毒性休克患者28 d死亡的ROC曲线下面积（AUC）依次为0.823〔95%可信区间（95% CI）为0.795～0.849〕、0.823（95% CI为0.796～0.849）、0.810（95% CI为0.782～0.838），高于CART算法模型（AUC＝0.750，95% CI为0.717～0.782）和SL算法模型（AUC＝0.756，95% CI为0.724～0.789），故将以上3种算法模型确定为最佳算法模型。综合3个层面变量后，通过LASSO回归、RF和XGBoost算法筛选并取交集，得出16个最佳预测变量，依次为入ICU 24 h内pH最大值、白蛋白（Alb）最大值、体温最大值、血乳酸（Lac）最小值、Lac最大值、血肌酐（SCr）最大值、Ca 2+最大值、血红蛋白（Hb）最小值、白细胞计数（WBC）最小值、年龄、简化急性生理学评分Ⅲ（SAPSⅢ）、WBC最大值、急性生理学评分Ⅲ（APSⅢ）、Na +最小值、体质量指数（BMI）及活化部分凝血活酶时间（APTT）最小值。ROC曲线分析显示，以上述16个最佳预测变量构建的Logistic回归模型为最佳预测模型，在验证集中的AUC为0.806（95% CI为0.778～0.835）；校准曲线及DCA曲线显示，该模型的精准度较高，且净收益最高可达0.3，其预测效能明显优于传统以单一功能评分〔APSⅢ评分、SAPSⅢ评分、序贯器官衰竭评分（SOFA）〕建立的模型〔AUC（95% CI）分别为0.746（0.715～0.778）、0.765（0.734～0.796）、0.625（0.589～0.661）〕。 结论:以pH值、Alb、体温、Lac、SCr、Ca 2+、Hb、WBC、SAPSⅢ评分、APSⅢ评分、Na +、BMI、APTT等16个最佳变量构建的Logistic回归模型为脓毒性休克患者28 d死亡风险的最佳预测模型，其效能稳定，区分度及精准度均较高。

采用机器学习技术构建布鲁杆菌病（简称：布病）早期预测模型，以辅助提高布病的诊断效率。本文为病例对照研究，收集2011年5月9日至2021年11月29日首都医科大学附属北京地坛医院的布病患者2 381例作为病例组，首都医科大学附属北京朝阳医院表观健康人检验数据13 257例作为对照组。采用患者年龄、性别、临床诊断信息及22项血细胞分析结果，使用机器学习的随机森林、朴素贝叶斯、决策树、逻辑回归和支持向量机5种算法构建布病早期预测模型；其中14 074例（病例组2 143例，对照组11 931名）用于构建布病早期预测模型，1 564例（病例组238例，对照组1 326名）用于测试模型的预测效能。结果显示，通过对5种机器学习模型进行比对，支持向量机模型预测性能最佳，受试者工作曲线（ROC）线下面积（AUC）为0.991，准确度、精确度、特异度和召回率分别可达95.6%、95.5%、95.4%和95.9%。依据SHAP图显示，血小板分布宽度（PDW）和嗜碱粒细胞相对值（BASO%）结果较低，红细胞分布宽度变异系数（R-CV）、红细胞血红蛋白浓度（MCHC）和血小板体积（MPV）结果高的男性被预测为布病风险高。其中，血小板分布宽度（PDW）对预测模型贡献度最大，红细胞分布宽度变异系数（R-CV）次之。综上，基于机器学习技术建立高灵敏度的布病早期预测方法，对布病患者的及早发现、尽快治疗可能具有重要意义。

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CT影像组学的机器学习模型预测胰腺癌门静脉-肠系膜上静脉(PV-SMV)侵犯的价值。方法:回顾性分析2010年1月至2021年7月南京医科大学附属无锡第二医院收治的156例经手术病理确诊的胰腺癌患者的临床、病理及术前CT影像资料，其中男性95例，女性61例，年龄(65.7±8.2)岁。所有入组患者按3∶2的比例划分训练集和验证集。通过患者术前增强CT提取肿瘤影像组学特征，采用最大相关最小冗余算法进行特征选择后，构建5种机器学习算法预测模型，并与常规影像特征诊断的受试者工作特征(ROC)曲线进行比较。结果:94例患者纳入训练集，62例纳入验证集。训练集和验证集中手术探查证实的PV-SMV侵犯病例分别为30例(31.9%)和25例(40.3%)。基于10个影像组学特征构建的5个机器学习模型中，LASSO回归模型的AUC优于随机森林、支持向量机、K近邻和朴素贝叶斯4个模型，差异有统计学意义(均 P<0.05)。与常规影像特征的诊断效能比较，LASSO回归模型在验证集中诊断PV-SMV侵犯具有更高的AUC(0.920比0.752)和更好的灵敏度(92.0%比86.5%)，差异具有统计学意义(均 P<0.05)。 结论:基于CT影像组学的机器学习模型可实现胰腺癌PV-SMV侵犯的术前预测，LASSO回归模型较常规影像特征的诊断效能更高。

目的:探讨基于MRI的深度学习（DL）影像组学机器学习模型在术前区分病理低级别和高级别软组织肉瘤（STS）的价值。方法:回顾性纳入2007年11月至2019年5月青岛大学附属医院经病理证实的151例STS患者为训练集、山东第一医科大学附属山东省立医院和河北医科大学附属第三医院的131例STS患者为外部验证集。根据法国国家癌症研究中心（FNCLCC）肿瘤分级标准，STS病理分级低级别（FNCLCCⅠ和Ⅱ级）161例，高级别（FNCLCCⅢ级）121例。分别提取病灶的手工影像组学（HCR）特征和DL影像组学特征，分别基于HCR特征、DL特征和两者组合特征，建立决策树、逻辑回归、支持向量机（SVM）3种分类器的机器学习模型，采用受试者操作特征曲线下面积（AUC）评价各机器学习模型预测高级别和低级别STS的效能，确定最优机器学习模型。采用单因素和多因素logistic回归筛选临床和影像学特征，建立临床影像学模型。结合最优机器学习模型和临床影像学模型，建立列线图，采用AUC来评估各模型和列线图的预测性能，AUC间比较采用DeLong检验。采用Kaplan-Meier生存曲线和log-rank检验评价最优机器学习模型在STS患者无进展生存期（PFS）风险分层中的表现。结果:基于HCR和DL组合影像组学特征的SVM机器学习模型的AUC最大，在训练集和外部验证集中预测STS分级分别为0.931（95%CI 0.889~0.973）和0.951（95%CI 0.904~0.997），为最优机器学习模型。临床影像学模型在训练集和外部验证集中的AUC分别为0.795（95%CI 0.724~0.867）和0.615（95%CI 0.510~0.720），列线图分别为0.875（95%CI 0.818~0.932）和0.786（95%CI 0.701~0.872）。外部验证集中，最优影像组学机器学习模型预测STS分级的性能优于列线图和临床影像学模型（ Z=3.16、6.07， P=0.002、<0.001）。最优影像组学机器学习模型预测的高级别和低级别STS患者的PFS差异有统计学意义（训练集χ2=43.50， P<0.001；外部验证集χ2=70.50， P<0.001）。 结论:基于MRI的DL影像组学模型可有效预测STS的FNCLCC肿瘤分级，其中HCR和DL组合影像组学特征的SVM分类器模型效能最佳，并有望对患者预后进行风险分层。

目的:基于中重度甲状腺相关性眼病（TAO）患者放疗前的CT影像组学特征，利用机器学习方法构建中重度TAO患者放疗有效性的预测模型。方法:回顾性收集从2015年1月至2023年6月在山西医科大学第一医院接受放疗的93例中重度TAO患者的临床与CT影像资料，提取影像组学特征。利用统计学方法分析临床因素与放疗有效性是否有统计差异性。利用Spearson相关性分析和L1正则化逻辑回归算法进行特征选择。基于所选特征，构建3个预测模型：逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）。最后利用10折交叉验证方法，重复100次，计算曲线下面积（AUC）、敏感性、特异性和准确度来评估模型的性能；使用校准曲线评价预测模型的校准度；最后采用决策曲线分析法对最佳预测模型的临床价值进行评估。结果:临床因素与放疗有效性无统计差异性。分析所有影像组学特征后，选出10个具有代表性的特征。在3个预测模型中，SVM模型在训练集和测试集均取得了最佳性能（分别为AUC 0.92，AUC 0.87）。校准曲线显示SVM模型的预测曲线与理想曲线间没有明显偏差，二者具有较好的一致性。决策曲线显示在大部分概率阈值下，与全部干预和全部不干预相比，SVM模型可获得临床收益。结论:放疗前的CT影像组学特征可用于预测中重度TAO患者放疗的有效性，有望为临床提前干预提供帮助，避免部分患者接受无效的治疗。

目的:探讨缺血性脑卒中患者静息态功能磁共振成像(resting-state functional magnetic resonance imaging，rs-fMRI)的神经活动局部一致性(regional homogeneity, ReHo)指标预测其恢复期的记忆功能情况及残差学习(residual learning, REL)对机器学习模型预测性能的影响。方法:2019年6月至2021年6月采集35名首次缺血性脑卒中患者卒中后1周(急性期)的rs-fMRI数据，并在卒中后6个月(恢复期)随访瑞氏听觉词语学习测试(Rey auditory verbal learning test，RAVLT)的记忆评分。利用卒中患者急性期rs-fMRI数据提取的ReHo指标，分别构建传统支持向量回归(support vector regression，SVR)模型以及基于REL的SVR(REL-SVR)模型对患者卒中后6个月时的记忆评分进行预测。利用Pearson相关系数评价模型性能，并比较两个模型的预测准确性。结果:基于急性期的ReHo指标，SVR模型所得预测值与真实值之间的相关系数 r＝0.524( P＝0.001)，而REL-SVR模型所得预测值与真实值之间的相关系数 r＝0.671( P<0.001)。预测模型右侧颞中回颞极(权重：1.03)、右侧颞中回(权重：1.03)、右侧颞下回(权重：1.03)、右侧枕中回(权重：0.57)、左侧额上回(权重：0.32)、左侧内侧额上回(权重：0.53)、左侧缘上回(权重：1.54)、左侧距状裂(权重：0.65)、左侧舌回(权重：0.58)、左侧楔叶(权重：0.65)、左侧楔前叶(权重：0.83)和小脑(权重大于1.0)等脑区的权重较大。 结论:缺血性脑卒中患者急性期的ReHo指标可有效预测其恢复期的记忆功能，且REL能够提升传统SVR模型的性能。

目的:探究孤独症谱系障碍（autism spectrum disorder，ASD）默认网络关键节点共激活模式异常及其与临床症状严重程度的关系。方法:本研究在多中心、大样本的静息态功能磁共振成像数据集ASD脑影像公开交换数据库（Autism Brain Imaging Data Exchange，ABIDE）中筛选被试者，包括ASD患者354例（ASD组）、健康对照者446名（对照组），采用共激活模式分析方法分析ASD默认网络关键节点（内侧前额叶）的共激活模式特征及其与默认网络内部其他节点、任务正激活网络之间的交互异常。采用网络分离指数（network dissociation index，NDI）评估网络内与网络间功能分离的程度，并以NDI为特征采用多变量支持向量回归方法对ASD临床症状进行预测，组间比较采用双样本 t检验。 结果:内侧前额叶处于激活状态时，ASD组默认网络楔前叶的激活较对照组显著降低（ t=-4.21， P<0.01），而突显网络的背侧前扣带回和眶额-脑岛联合区的激活较对照组显著升高（ t=2.93、2.61，均 P<0.05）。且相较于对照组，ASD组默认网络内的NDI显著升高（ t=3.63， P<0.01），默认网络（内侧前额叶）与突显网络（背侧前扣带回与眶额-脑岛联合区）间的NDI则显著降低（ t=-2.97、-3.31，均 P<0.01）。将NDI作为特征放入支持向量回归模型中，可预测ASD的社交、言语缺陷及疾病严重程度（ r=0.191、0.216、0.186，均 P<0.01）。 结论:静息态下ASD患者内侧前额叶的共激活模式存在异常，默认网络内部的功能整合协同能力下降，并且与任务正激活网络的功能分离程度也降低，这种异常的网络功能模式与临床症状密切相关。

目的:采用不同的机器学习算法，构建并筛选预测急性A型主动脉夹层患者术后30天内死亡风险的最佳预测模型。方法:纳入2015年至2022年间行手术治疗的急性A型主动脉夹层患者521例，收集其围手术期资料并进行筛选后保留329例。分别通过 Lasso回归和主成分分析确定两组不同的预测变量后，使用逻辑回归和支持向量机、随机森林、梯度提升、超级学习算法建立预测术后30天内死亡风险的预测模型，并使用 ROC曲线、敏感度值和特异度值等指标对各个模型进行比较。 结果:所有模型的 ROC曲线下面积( AUC)0.791～0.959，使用 Lasso回归确定预测变量，并通过超级学习算法建立的模型预测效果最佳， AUC 0.959。 结论:在对急性A型主动脉夹层术后30内死亡的预测中，超级学习算法优于其他算法。