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.

目的 探讨基于胸部CT影像组学特征构建的模型对Ⅰ期尘肺病的诊断价值.方法 选取 202 例诊断为尘肺Ⅰ期和 199 例健康体检者的临床及胸部CT资料,按照 7:3 的比例随机分为训练集组及验证集组,使用 3D-slicer软件在CT肺窗图像上勾画感兴趣区(ROI)并提取特征,利用最小绝对收缩和选择算子(LASSO)算法对影像特征进行筛选,然后采用支持向量机(SVM)算法,建立CT组学模型并采用受试者工作特征曲线下面积(AUC)和决策曲线分析(DCA),评估预测模型的效能和临床实用性.结果 共提取出 851 个特征,最终筛选出 9 个特征建立CT影像组学模型,该模型训练集组的AUC为 0.930(95%CI 0.901～0.963),验证集组的AUC为 0.820(95%CI 0.742～0.895),DCA曲线显示该模型具有较好的净收益.结论 基于CT图像的影像组学模型能有效鉴别正常和Ⅰ期尘肺,对于Ⅰ期尘肺有重要的诊断价值.

目的 探讨基于最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归分析构建Nomogram模型预测原位腺癌(AIS)、微浸润腺癌(MIA)及浸润性腺癌(IAC)的价值.方法 选取本院 97 例经手术病理证实且病理亚型明确的肺腺癌患者,将AIS和MIA归为第 1 组,IAC为第 2 组,比较两组患者年龄、性别、吸烟史、长径、短径及免疫组化Ki-67 等临床医学特征差异,采用 3D Slicer软件进行图像分割,特征提取与选择,通过LASSO算法对特征进行降维,筛选影像组学特征构建预测模型.再采用R软件的rms工具包构建Nomogram模型,计算ROC曲线下面积(AUC),以评价Nomogram模型鉴别肺磨玻璃结节病理亚型的效能.结果 1)性别、吸烟史、长径、短径及免疫组化Ki-67 等临床医学特征均差异无统计学意义(P>0.05);2)筛选 7 个 CT 影 像 组 学 特 征:平面度、大依赖低灰度强调、小波变换LHL第十百分位、小波变换HLL第十百分位、小波变换最小值、小波变换均值及小依赖低灰度强度比较,差异均有统计学意义(P均<0.05);3)基于CT影像组学特征建立预测肺磨玻璃结节病理亚型的Nomogram模型,训练集中AUC为 0.863,准确率为 87.9%,灵敏度为 67.9%,特异度为 91.1%;验证集中 AUC为 0.792,准确率为 75.0%,灵敏度为66.7%,特异度为 90.5%,可见此Nomogram模型具有较好的预测效能.结论 对于预测肺腺癌浸润程度,Nomogram 模型具有明显优势,可作为一种鉴别手段.

目的:探讨基于磁共振DWI的影像组学模型对子宫内膜癌(EC)微卫星不稳定(MSI)状态的预测价值.方法:回顾性分析2019年5月—2023年1月在本院确诊为EC的81例患者的DWI资料.其中,MSI组29例,微卫星稳定组(MSS)52例.在DWI图像上沿病变边缘逐层勾画ROI后生成容积ROI(VOI)并提取影像组学特征,并在生成的ADC图像上测量病灶的ADC值.采用最小绝对收缩和选择算子(LASSO)和SelectKBest算法进行组学特征的筛选,然后采用决策树(DT)分析方法构建组学预测模型.使用受试者工作特征(ROC)曲线评估模型的诊断效能,采用Delong检验比较影像组学模型与ADC之间诊断效能的差异.基于1000次采样的Bootstrap算法和校准曲线来验证预测模型的临床应用价值.结果:MSI组的ADC值小于MSS组(P=0.008).模型构建方面,共筛选出5个最优DWI影像组学特征(2个一阶统计特征、1个直方图灰度共生矩阵特征、1个灰度共生矩阵特征和1个灰度游程长度矩阵特征)用于建立预测模型.诊断效能方面,DWI组学预测模型的AUC为0.927(95％CI:0.847～0.973),较ADC值的诊断效能(AUC=0.771,95％CI:0.664～0.857)显著增加(Z=2.436,P=0.015).模型验证方面,在基于Bootstrap算法的验证中,DWI组学预测模型亦显示出较高的效能,AUC为0.904(95％CI:0.885～0.916);同时,校准曲线显示该模型的预测值与实际观测值之间有较好的一致性.结论:基于DWI影像组学特征构建的预测模型较ADC值能更好地对EC患者的MSI状态进行术前评估,有望为临床诊疗提供一种新的选择.

目的建立一个基于矢状位T2加权图像(T2 weighted imaging,T2WI)的瘤内结合不同瘤周区域影像组学特征和临床危险因素的列线图,评估其术前预测宫颈癌ⅠB期和ⅡA期的价值.材料与方法回顾性分析120例两家医院术前接受MRI检查和根治性子宫切除术加盆腔淋巴清扫并经术后病理证实的ⅠB和ⅡA期宫颈癌患者的实验室检查资料和MRI图像,分为训练组和外部验证组,对矢状位T2WI图像瘤内感兴趣区(region of interest,ROI)和1～6 mm的瘤周环(ROI-1、ROI-2、ROI-3、ROI-4、ROI-5和ROI-6)分别提取影像组学特征,采用Pearson分析和最小绝对收缩和选择算子(the least absolute shrinkage and selection operator,LASSO)回归进行特征选择.以最佳者绘制受试者工作特征(receiver operating characteristic,ROC)曲线,构建0～6 mm瘤周影像组学模型,并筛选出最佳影像组学模型,基于以上最佳影像组学模型评分与临床独立危险因素构建联合模型,并绘制列线图,以校准曲线评估模型校准度,以决策曲线分析(decision curve analysis,DCA)评价模型的应用价值.结果由瘤内结合瘤周3 mm区域得到6个有效特征建立的影像组学模型预测效能最佳,在训练组和外部验证组,其曲线下面积(area under the curve,AUC)分别为0.972和0.857.由肿瘤最大径、红细胞计数(red blood cell,RBC)的临床独立危险因素建立的临床模型预测效能次之,在训练组和外部验证组AUC分别为0.940和0.847.基于肿瘤最大径、RBC、瘤内结合瘤周3 mm的6个有效特征构建的列线图预测效能更稳定,在训练组和外部验证组AUC分别为0.952和0.939,经校准曲线和DCA分析,列线图的校准度较高,临床净收益较大.结论基于T2WI瘤内和瘤周3 mm组学特征构建的影像组学列线图可以较好地术前预测ⅠB期和ⅡA期宫颈癌,对指导患者个体化治疗有着重要临床意义.

目的探讨酰胺质子转移加权成像(amide proton transfer weighted imaging,APTw)的影像组学术前预测宫颈癌淋巴血管间隙侵犯(lymphovascular space invasion,LVSI)的价值.材料与方法回顾性分析经手术病理证实的宫颈癌患者病例及影像资料66例.所有患者均行盆腔3.0 T MRI检查,包括轴位T2WI、矢状位T2WI、动态对比增强磁共振成像(dynamic contrast enhanced magnetic resonance imaging,DCE-MRI)和3D-APTw序列扫描.在APTw-T2WI融合图像上对肿瘤实质区域进行感兴趣区(region of interest,ROI)勾画并记录APT值.在APT重建图像上进行肿瘤病灶分割并提取影像组学特征.采用组内相关系数(intra-class correlation coefficient,ICC)选取观察者内和观察者间复测信度好的影像组学特征(ICC>0.900).采用递归特征消除法(recursive feature elimination,RFE)及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法进行特征降维和筛选.基于logistic回归分类器构建临床模型、APTw影像组学模型和联合组学模型.采用受试者工作特征(receiver operating characteristic,ROC)曲线和决策曲线分析(decision curve analysis,DCA)评估模型的诊断效能和临床价值,采用DeLong检验比较不同模型的预测效能.结果在训练集中,APTw影像组学模型预测宫颈癌LVSI的效能高于临床模型(AUC=0.826 vs.0.675),差异有统计学意义(DeLong检验P<0.05).联合组学模型在训练集和测试集中的AUC值分别为0.838和0.825.DeLong检验结果显示,联合组学模型在训练集中术前评估LVSI的效能显著高于临床模型和APTw影像组学模型(P均<0.05).决策曲线显示APTw影像组学模型和联合组学模型在训练集和测试集中均具有较高的临床价值.结论基于APTw的影像组学模型在术前预测宫颈癌LVSI方面具有较高的潜力,联合临床因素能进一步提高预测效能,有望为宫颈癌患者的个体化治疗和预后评估提供重要的支持.

目的 利用CT影像组学列线图预测结直肠癌患者术前BRAF突变,并进行预后分层.资料与方法 回顾性分析2017年1月—2020年6月盐城市第一人民医院经病理证实的333例结直肠癌,其中训练集234例,验证集99例.分割整个肿瘤的感兴趣区并提取影像组学特征.采用最大相关最小冗余算法及最小绝对收缩和选择算子算法筛选与BRAF突变密切相关的影像组学特征.结合影像组学特征和显著的临床参数构建列线图.采用受试者工作特征曲线下面积量化诊断效能.使用Kaplan-Meier分析绘制高风险组和低风险组的生存曲线.结果 保留 7 个影像组学特征以构建影像组学模型.结合影像组学特征和 3个显著的临床参数(年龄、肿瘤部位、癌胚抗原)构建列线图,其在训练集、验证集的曲线下面积分别为0.850、0.829.列线图预测高风险组(BRAF突变组)和低风险组(BRAF野生组)患者的总生存期存在显著差异(P<0.001),且高风险组的总生存期比低风险组短.结论 CT影像组学列线图可术前准确预测结直肠癌的BRAF突变,并对预后进行分层.

目的本研究旨在结合传统MRI序列及增强检查,提取多模态高通量影像组学特征并联合语义特征,使用不同的机器学习分类器构建不同的模型并绘制列线图来鉴别高级别胶质瘤(high-grade glioma,HGG)和单发性脑转移瘤(solitary brain metastasis,SBM).材料与方法本研究对101名患者的多参数MR图像进行了回顾性分析,由两位资深医师标定肿瘤感兴趣区,然后对每个序列分别提取影像组学特征后进行组合,共提取428组影像组学特征.为消除人为标定差异,进行组内相关系数一致性检验,并运用最大相关最小冗余算法选取最具相关性的特征,然后进一步通过最小绝对收缩和选择算子算法筛除冗余特征.本研究采用支持向量机、逻辑回归、随机森林及K近邻四种算法建立分类模型.结合放射科医生评估的七项语义特征,通过卡方检验和多因素分析去除差异无统计学意义的语义特征.然后结合组学特征建立综合模型并绘制列线图.最终,评价各模型的诊断能力,以确定最优分类器.结果HGG及SBM患者建立的影像组学模型中LR的受试者工作特征曲线下面积(area under the curve,AUC)值最高,训练集与测试集分别为0.90和0.90.语义特征建立的模型中随机森林模型性能最好,训练集和测试集AUC分别为0.82和0.87.语义特征联合影像组学评分后采用逻辑回归建立的模型性能最好,训练集和测试集AUC分别为0.91和0.92.结论本研究使用影像组学机器学习分类器并联合其他图像语义特征绘制列线图对HGG及SBM进行鉴别,这是一种非侵入性方法,具有较好的准确性,为临床决策和实践提供了较大的帮助.

目的 探讨 18F-FDG PET/CT影像组学模型对结外NK/T细胞淋巴瘤(ENKTL)无事件生存期的预测价值.资料与方法回顾性收集 2013 年 1 月—2021 年 1 月于河南省人民医院治疗前行 18F-FDG PET/CT检查的ENKTL患者 90 例,随机分为训练组63例和验证组27例.从基线PET和CT图像上提取特征,应用最小绝对收缩和选择算子算法结合Cox生存分析筛选特征并构建临床模型、影像组学模型和临床+影像组学复合模型,以模型风险评分的中位数作为截断值将患者分为高危组和低危组.使用C指数和受试者工作特征曲线评价3个模型的预测性能.基于最优模型构建列线图,采用校准曲线描述最优模型预测ENKTL患者生存概率与实际概率的一致性,使用Kaplan-Meier分析和对数秩检验评估最优模型的预后价值.结果 复合模型在训练组(C指数0.791,95%CI 0.702～0.879,曲线下面积为0.882)和验证组(C指数0.770,95%CI 0.650～0.889,曲线下面积为0.720)中比单独的临床模型和影像组学模型的预后表现更好.校准曲线表明复合模型在预测 3 年无事件生存期概率与实际结果的一致性较好,生存曲线显示高危组的无事件生存期显著低于低危组.结论 基于影像组学和临床参数构建的复合模型可以提供更全面的预后信息并提高诊断准确性.列线图为ENKTL患者的风险分层提供了一种无创的诊断工具,有助于个体化治疗.

目的 探讨联合体素内不相干运动(intravoxel incoherent motion,IVIM)、扩散峰度成像(diffusion kurtosis imaging,DKI)和动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)、参数图构建影像组学模型预测乳腺癌患者人类表皮生长因子受体2(human epidermal growth factor receptor 2,HER-2)的表达状态.材料与方法 回顾性分析192例乳腺癌患者病例资料,根据患者的病理结果 分为HER-2表达阳性组(48例)和HER-2表达阴性组(144例),术前均行IVIM、DKI及DCE-MRI.并按照8:2的比例将病例随机分为训练集(154例)和测试集(38例).在灌注分数(perfusion fraction,f)、灌注相关扩散系数(perfusion related diffusion coefficient,D)、真实扩散系数(real diffusion coefficient,D)、平均扩散率(mean diffusivity,MD)和平均扩散峰度值(mean kurtosis,MK)参数图和第2期DCE-MRI(DCE-2)图像中勾画出病变区域的三维感兴趣区(region of interest,ROI),并提取其中的影像组学特征.采用Z分数归一化对特征进行标准化处理,并使用K最佳、最小冗余最大相关(max-relevance and min-redundancy,mRMR)、最小绝对收缩与选择算子回归(least absolute shrinkage and selection operator,LASSO)算法依次对特征进行降维和选择,通过logistic逻辑回归(logistic regression,LR)分类器分别建立参数图模型及联合模型,并采用5折交叉验证法验证模型的稳定性.通过受试者工作特征(receive operating characteristic,ROC)曲线和曲线下面积(area under the curve,AUC)对不同参数图像模型及联合模型的诊断效能进行分析,使用DeLong检验对各模型间ROC曲线进行比较,使用决策曲线分析(decision curve analysis,DCA)对模型的临床价值进行评估.结果从每个ROI中提取了2286个MRI特征,在f、D、D、MD、MK参数图、第2期DCE-MRI和联合序列中分别筛选得到7、6、7、6、7、12、10个特征与HER-2表达状态相关.f、D、D、MD、MK参数图模型及第2期DCE模型在测试集中的AUC分别为0.693、0.679、0.586、0.682、0.661、0.732;联合模型在测试集中的AUC为0.861(95％CI:0.775～0.958),敏感度和特异度分别为100.0％和71.4％,经DeLong检验,训练集中联合模型与f、D、D、MD、MK参数图模型及DCE-2模型之间AUC差异均有统计学意义(P均<0.05).结果表明联合模型对预测HER-2的表达状态优于单一模型.结论 基于DCE-MRI、IVIM和DKI的影像组学联合模型可以在术前有效预测乳腺癌患者的HER-2表达状态,有助于临床对乳腺癌进行诊断、分型、制订治疗方案及预后.