目的 探讨深度学习超声组学列线图评估浸润性乳腺癌侵袭转移生物学特性指标的价值.资料与方法 回顾性收集2021年1月—2022年12月茂名市人民医院180例经病理证实浸润性乳腺癌患者的超声影像资料,且病理报告了淋巴结转移(LNM)或淋巴血管间隙浸润(LVSI)或神经侵犯(PNI)状态,依据LNM/LVSI/PNI状态,3个指标均以8∶2划分为训练队列和验证队列.基于Pyradiomics影像组学和ResNet50深度学习提取器分别提取1 316个影像组学特征和2 048个深度学习特征.采用随机森林机器学习算法开发评估模型,并计算模型评分.基于影像组学和深度学习模型评分开发深度学习超声组学列线图.使用受试者工作特征曲线评估模型的性能,Delong检验分析不同模型的性能差异.结果 在LNM、LVSI、PNI状态评估中,所有队列列线图曲线下面积均表现中度以上评估性能(≥0.73),准确度均>0.70,LNM评估中,训练队列的曲线下面积为0.97,准确度为0.93,敏感度为0.88,特异度为0.96.Delong检验显示列线图评估性能在训练队列中优于影像组学模型(LNM,Z=2.04,P=0.04;LVSI,Z=2.80,P=0.01;PNI,Z=3.52,P<0.01),优于或与深度学习模型相似(LNM,Z=4.52,P<0.01;LVSI,Z=1.86,P=0.06;PNI,Z=0.31,P=0.76).结论 深度学习超声组学列线图可有效评估浸润性乳腺癌侵袭转移生物学特性指标.列线图整合影像组学与深度学习特征信息提高了评估性能.

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 对比列线图与不同机器学习算法构建中老年人龋齿预测模型的效能.方法 采用多阶段分层随机抽样法,选取南宁市、贵港市、崇左市510名中老年人为研究对象,进行问卷调查及口腔检查.采用单因素分析和Lasso回归筛选相关变量,使用多因素logistic回归分析确定最终独立影响因素.基于显著特征,建立列线图预测模型,并运用线性判别分析(LDA)、偏最小二乘算法(PLS)、距离多普勒算法(RDA)、广义线性模型(GLM)、随机森林(RF)、支持向量机(SVM)核函数(SVM-Radial)及SVM线性核函数(SVM-Linear)7种机器学习算法构建7种龋齿风险预测模型.采用受试者工作特征(ROC)曲线下面积(AUC)中位数评价各模型预测性能,以及不同变量筛选方法所构建模型的预测性能.结果 中老年人龋齿检出率为71.18％.经过特征筛选后最终保留5个预测因子,分别是年龄(OR=0.945,95％CI:0.917～0.973)、刷牙频率(OR=0.688,95％CI:0.475～0.997)、过去1年是否洗牙(OR=0.303,95％CI:0.103～0.890)、牙存留数(OR=1.062,95％CI:1.038～1.087)和口腔健康评估量表(OHAT)得分(OR=1.363,95％CI:1.234～1.505).各模型对比结果显示,RF算法所构建的预测模型表现最佳,AUC中位数为0.747,其次为列线图,AUC中位数为0.733.单因素+Lasso+多因素logistic(简称Lasso+logistic)筛选自变量构建预测模型的AUC中位数均高于RF算法筛选自变量构建的预测模型.结论 基于Lasso+logistic筛选变量,RF较列线图及其他机器学习算法在中老年龋齿预测中提供了更可靠的预测性能.

目的:探讨基于 18F－FDG PET/CT影像组学特征的机器学习模型在胃癌(GC)和原发性胃淋巴瘤(PGL)的术前鉴别诊断中的价值。 方法:回顾性分析2012年1月至2020年12月于天津医科大学肿瘤医院术前行 18F－FDG PET/CT检查且经病理证实的155例GC患者[男104例、女51例，年龄(59.3±12.8)岁]和82例PGL患者[男40例、女42例，年龄(56.8±14.6)岁]，使用Python3.7.1软件将患者随机分为训练集和测试集。分别对PET和CT图像进行感兴趣体积(VOI)勾画，提取三维和二维影像组学特征。使用多层感知机(MLP)、支持向量机(SVM)2种机器学习模型分别对CT影像组学特征、PET影像组学特征和PET/CT影像组学特征进行学习，以鉴别GC和PGL。通过ROC曲线分析评估各模型的预测性能。 结果:训练集166例，测试集71例。基于PET/CT影像组学特征的SVM模型在GC和PGL的鉴别诊断方面(AUC＝0.88，95% CI：0.83~0.94)有优于MLP机器学习模型(AUC＝0.80，95% CI：0.73~0.87)的趋势( z＝1.15, P＝0.337)。基于PET/CT影像组学特征的SVM预测模型对2种疾病的预测效果优于单独CT影像组学特征模型(CT－SVM：AUC＝0.74，95% CI：0.67~0.81； z＝2.28， P＝0.022)。 结论:基于 18F－FDG PET/CT影像组学特征的机器学习模型有望成为GC和PGL患者术前无创且有效的鉴别诊断工具。

目的:运用机器学习算法及列线图，构建和验证免疫检查点抑制剂相关性肺炎（CIP）风险预测模型，旨在为更好的辅助临床护理人员筛查CIP的高危人群，提供准确直观的方法。方法:采用回顾性病例对照研究。选取2019年1月至2022年2月南方医科大学珠江医院就诊的230例使用免疫检查点抑制剂治疗的肿瘤患者，使用医院电子病历系统收集患者的资料。应用5种机器学习算法和列线图构建预测模型，在独立测试集进行模型的验证，最后依据评价指标AUC、准确率等评估预测模型的区分度及稳定性。结果:6种模型均提示，肺部基础疾病、吸烟史、血清白蛋白值≤35 g/L、胸部放疗史是促进CIP发生的重要影响因素。K最近邻、支持向量机（SVM）、朴素贝叶斯、决策树和随机森林构建的CIP预测模型的AUC分别为0.647、0.696、0.930、0.870、0.934。列线图构建的模型AUC为0.813，预测性能较好，但低于机器学习算法中表现最佳的随机森林模型（AUC=0.934）。结论:与列线图相比，基于机器学习算法建立的CIP的风险预测模型具有更高的诊断价值，但列线图构建的模型可更直观评估患者风险，建议在列线图基础上，结合机器学习算法，可增加预测模型的准确性及实用性。

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:建立一个机器学习模型以识别心脏术后患儿中有可能避免的血清钾抽血检查。设计:回顾性队列研究。场所:三级医疗中心。对象:2010年1月至2018年12月入住波士顿儿童医院CICU，住院时间≥4 d，且血清钾化验记录≥2条的所有患儿。干预措施:无。测量方法与主要结果:本研究收集了钾稳态相关变量，包括血生化、每小时钾摄入量、利尿剂和尿量。使用包括随机Forest分类器和超参数调试的成熟机器学习技术，本研究建立了根据患者最近血钾水平、用药、尿量和肾功能标志物预测患者血钾是否正常的模型。并根据不同年龄组别和最近一次钾化验的时间接近度建立了多种模型。使用独立测试装置评估模型预测性能。纳入的7 269次住院(6 196例患者)期间，平均每天测量血钾1次( IQR 0-1)。96%的患者接受了至少一剂静脉利尿剂，83%的患者接受了一次某种形式的钾补充。本研究模型预测血钾正常的中位阳性预测值为0.900。血钾化验异常但被错误预测为正常的中位百分比为2.1%(平均2.5%， IQR 1.3%~3.7%)。血钾化验重度减低或升高，但被预测为正常的中位百分比为0.0%( IQR 0~0.4%)。27.2%( IQR 7.8%~32.4%)的样本被正确预测为正常，且有可能避免该次采血化验。 结论:机器学习方法可被用于准确预测危重患儿可避免的血钾化验。可减少的采样次数比例中位值为27.2%，以降低成本及感染或贫血风险。

目的:分析接受艾司奥美拉唑治疗的住院患者发生急性肾损伤（AKI）的影响因素，构建艾司奥美拉唑相关AKI的风险预测模型。方法:研究设计为回顾性研究。研究对象选自2018年1月至2020年12月于山东第一医科大学第一附属医院住院并接受艾司奥美拉唑治疗的患者。通过医院电子病历系统收集患者临床资料，包括患者基本信息、手术类型、干预措施、用药信息和实验室检查结果。根据是否发生艾司奥美拉唑相关AKI将患者分为AKI组和非AKI组，比较2组临床特征。采用最小绝对收缩和选择算子（LASSO回归）分析艾司奥美拉唑相关AKI的影响因素。以8∶2的比例将患者随机分为训练集和测试集。基于训练集数据，采用5种机器学习算法[logistic回归（LR）、随机森林（RF）、梯度提升机（GBM）、极端梯度提升（XGBoost）和轻量梯度提升机（LightGBM）]建立艾司奥美拉唑相关AKI预测模型；基于测试集数据，比较5种模型的受试者工作特征曲线下面积（AUC）、敏感性、特异性和准确率。结果:共有5 436例患者纳入研究，包括男性3 231例、女性2 205例，年龄61（51，70）岁。393例（7.23%）发生艾司奥美拉唑相关AKI。LASSO回归分析共筛选出24个与艾司奥美拉唑相关AKI密切相关的变量，包括肝功能不全、慢性肾功能不全、低蛋白血症等。基于训练集（4 349例）数据构建艾司奥美拉唑相关AKI风险预测模型，结果显示5种模型的预测性能均良好（AUC均大于0.900）。以测试集（1 087例）数据对5种模型的预测性能进行验证，发现GBM模型的AUC最高（0.922），且预测性能较为稳定（在训练集与测试集中各项指标差异较小）。结论:应用艾司奥美拉唑与AKI发生明显相关，发生风险受患者基线肾功能、合并疾病及合并使用的其他药物等因素影响。基于GBM算法构建的风险预测模型，有助于临床对艾司奥美拉唑相关AKI发生风险进行早期评估。

目的:探讨基于早期动态增强MRI（DCE-MRI）瘤内及瘤周的影像组学模型鉴别乳腺影像报告和数据系统（BI-RADS）4类肿瘤良性与恶性的价值。方法:回顾性分析蚌埠医学院第一附属医院2016年1月至2020年12月经乳腺MR检查诊断为BI-RADS 4类且有明确病理诊断结果的191例乳腺肿瘤患者，其中良性77例，恶性114例，年龄23~68（46±10）岁。选取DCE-MRI第二期图像上病灶最大层面勾画感兴趣区，并自动适形外扩5 mm，提取瘤内及瘤周影像组学特征。将纳入病例按8∶2的比例随机分为训练集和测试集，通过统计和机器学习方法降维，保留纳入模型的最优特征，采用logistic回归作为分类器，分别建立瘤内、瘤周、瘤内联合瘤周影像组学模型；通过单因素和多因素logistic回归，筛选出能够预测乳腺肿瘤良性与恶性的独立危险因素作为临床、影像特征，建立临床、影像模型；最终瘤内及瘤周影像组学特征联合临床、影像特征建立三者联合模型。采用受试者操作特征曲线（ROC）分析各模型的预测效能并计算曲线下面积（AUC），AUC的比较采用DeLong检验。通过10折交叉验证检验三者联合诊断模型的稳定性，并对三者联合诊断模型绘制列线图和校准曲线将模型可视化。结果:训练集中，三者联合诊断模型鉴别乳腺BI-RADS 4类肿瘤良性与恶性的AUC明显高于瘤内影像组学模型（ Z=3.38， P<0.001）、瘤周影像组学模型（ Z=4.01， P<0.001）、瘤内联合瘤周影像组学模型（ Z=3.11， P=0.002）、临床及影像特征模型的AUC（ Z=3.24， P=0.001）；三者联合诊断模型的AUC、灵敏度、特异度、准确度、F1分数分别为0.932、91.2%、86.9%、87.0%、0.89。测试集中，三者联合诊断模型也具有最高的AUC值（0.875），诊断灵敏度、特异度、准确度、F1分数分别为95.7%、62.5%、76.9%、0.82。通过10折交叉验证得到的AUC为0.90（0.85~0.92）。校准曲线中三者联合诊断模型的预测曲线与理想曲线一致性较好。 结论:基于早期DCE-MRI瘤内及瘤周影像组学特征联合临床、影像特征建立的三者联合诊断模型在鉴别乳腺BI-RADS 4类肿瘤良性与恶性中具有较好的性能和稳定性，能够无创地为临床决策提供指导。

目的:探讨脂肪抑制（FS）-T2WI序列联合机器学习模型在布鲁氏菌性脊柱炎（BS）与结核性脊柱炎（TS）鉴别诊断中的效能。方法:回顾性分析2017年1月至2022年1月在新疆医科大学第一附属医院经临床或术后病理确诊的74例BS与81例TS患者的临床及影像资料，所有患者治疗前均行脊柱磁共振成像（MRI）检查。以8∶2的分配比例将患者随机分成训练组（ n = 123）和测试组（ n = 32），对FS-T2WI序列图像进行影像组学特征提取及降维分析。采用4种机器学习算法[包括K邻近算法（KNN）、支持向量机（SVM）、随机森林（RF）及逻辑回归（LR）]构建影像组学模型，并使用受试者工作特征（ROC）曲线分析各模型对BS与TS的鉴别诊断效能。 结果:共提取出1 409个影像组学特征，经筛选纳入了7个相关的特征用于鉴别BS和TS，其中Maximum2DDiameterColumn特征值表现出较强的相关性，BS与TS患者间比较差异有统计学意义（ P < 0.001）。在测试组中，SVM模型鉴别BS和TS的ROC曲线下面积（AUC）值为0.886，敏感度为0.53，特异度为0.88，模型诊断精确率为0.81；在训练组中，SVM模型鉴别BS和TS的AUC值为0.811，敏感度为0.68，特异度为0.72，模型诊断精确率为0.78。 结论:基于FS-T2WI序列联合机器学习建立的模型可用于鉴别BS与TS，其中SVM模型的诊断效能优且性能稳定。