目的 构建未经内镜治疗Forrest分级Ⅱa、Ⅱb级消化性溃疡(PU)患者早期再出血的预测模型,并验证该模型的效能.方法 回顾性分析经胃镜检查确定为消化性溃疡,Forrest分级为Ⅱa或Ⅱb级,且未接受内镜下治疗的患者共230例,采用随机化分组的方式将患者以7∶3的比例分为建模队列及验证队列.采用最小绝对收缩和选择算法(LASSO)进行10次交叉验证优化变量选择,经多因素Logistic回归分析建立预测模型,并绘制列线图实现模型可视化.用受试者工作特征(ROC)曲线、校准曲线、临床决策曲线对预测模型进行区分度、校准度、临床实用度的评价.结果 从18个变量中筛选出3个预测因子(休克、血红蛋白、纤维蛋白原)构建了预测模型.该预测模型具有较好的预测能力,在建模队列的ROC曲线下面积为0.924,在验证队列的ROC曲线下面积为0.970.校准曲线分析和决策曲线分析表明,其具有较好的预测精度.结论 构建了未经内镜治疗的Forrest分级Ⅱa、Ⅱb级消化性溃疡患者再出血的风险预测模型,该模型能够有效区分再出血高危患者.

目的 通过机器学习算法鉴定与骨肉瘤(osteosarcima,OS)双硫死亡相关的特征基因,构建诊断预测模型,为进一步探索OS早期诊断的潜在生物学标志物和分子机制提供理论支持.方法 差异表达分析用于鉴定OS双硫死亡差异表达基因(differential expression disulfidptosis-related gene,DE-DRG),通过最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)、支持向量机(support vector machines,SVM)和随机森林(random forest,RF)算法进一步鉴定具有诊断价值的OS双硫死亡特征基因,通过绘制受试者工作特征(receiver operating characteristic,ROC)曲线评估其诊断价值;同时构建评估疾病风险的列线图,并通过校准曲线和临床决策曲线评估列线图的有效性能.实时荧光定量聚合酶链反应(real-time quantitative poly-merase chain reaction,RT-qPCR)检测特征基因在OS组织的表达量.结果 共鉴定出2个具有较高诊断价值的OS双硫死亡特征基因(NDUFA11、RPN1),所构建的列线图对预测疾病风险具有较高的可靠性.RT-qPCR检测结果显示,在OS组织中,NDU-FA11表达显著降低,而RPN1表达则显著升高(P＜0.01).结论 本研究构建的OS双硫死亡基因诊断模型具有一定的诊断价值.

目的:分析糖尿病合并肺炎克雷伯菌肝脓肿患者发生侵袭综合征的相关因素，以此构建在线列线图预测模型并进行验证。方法:病例对照研究。回顾性分析2015年1月1日至2021年12月31日在苏州大学附属第三医院治疗的213例糖尿病合并肺炎克雷伯菌肝脓肿患者的临床资料。运用分层随机抽样法按7∶3将患者分为训练集（149例）和测试集（64例）。使用人工少数类过采样法（SMOTE）过采样处理不平衡数据，再运用Lasso回归在训练集中筛选出最优特征变量并利用多因素logistic回归模型构建糖尿病合并肺炎克雷伯菌肝脓肿患者发生侵袭综合征的预测模型，并在训练集及测试集中进行验证。采用受试者工作特征（ROC）曲线、校准曲线及决策曲线分析（DCA）评估模型的预测效能，并构建简易列线图及在线交互动态网页列线图。结果:入选的213例患者中，男60例，女153例，年龄（61.4±12.0）岁。共有25例（11.74%）糖尿病合并肺炎克雷伯菌肝脓肿患者发生侵袭综合征，入肺炎克雷伯菌肝脓肿侵袭综合征（IKPLAS）组，其他188例为未发生肺炎克雷伯菌肝脓肿侵袭综合征（NIKPLAS）组。使用SMOTE算法进行过采样处理，使正负样本比例为1∶1，在过采样后的训练集中基于Lasso回归筛选出5个主要危险因素，分别为空腹血糖（ λ=0.063）、血红蛋白（ λ=-0.042）、血尿素氮（ λ=-0.050）、脓肿大小（ λ=-0.025）和序贯性器官功能衰竭评分（SOFA）（ λ=0.450）。多因素logistic回归模型结果显示，空腹血糖（ OR=1.20，95% CI：0.98~1.48， P=0.006）、血红蛋白（ OR=0.90，95% CI：0.86~0.95， P<0.001）、血尿素氮（ OR=1.22，95% CI：1.03~1.43， P=0.017）、脓肿直径（ OR=0.76，95% CI：0.61~0.94， P=0.010）、SOFA评分（ OR=3.08，95% CI：2.18~4.36， P<0.001）为糖尿病合并肺炎克雷伯菌肝脓肿患者发生侵袭综合征的相关因素。训练集中ROC的曲线下面积为0.966（95% CI：0.943~0.989），灵敏度为90.5%，特异度为91.3%；验证集ROC的曲线下面积为0.946（95% CI：0.902~0.991），灵敏度为79.6%，特异度为88.9%。分别在训练集和测试集绘制的校准曲线与理想曲线拟合较好。DCA显示列线图预测模型在预测糖尿病合并肺炎克雷伯菌肝脓肿患者发生IKPLAS风险为0.10~0.40时，有较好的临床净收益。 结论:空腹血糖、血红蛋白、尿素氮、脓肿大小、SOFA评分是糖尿病合并肺炎克雷伯菌肝脓肿患者发生侵袭综合征的相关因素，基于此构建的列线图可有效预测糖尿病合并肺炎克雷伯菌肝脓肿患者发生侵袭综合征的风险。

目的:评价前列腺癌图像引导放疗时锥形线束CT（CBCT）的使用频率和匹配策略对靶区和危及器官剂量学参数的影响。方法:回顾性分析北京大学第一医院2022年6月—2023年5月收治的21例前列腺癌根治性放疗患者的561套每日CBCT图像，患者均接受中等分割容积弧形调强放疗（VMAT），剂量为70 Gy分25次，2.8 Gy/次。根据不同图像引导方式和频率，校准摆位误差后将计划CT刚性配准到CBCT，CT值和结构通过形变配准算法传播到CBCT，根据形变矢量场将每日剂量映射到计划CT进行剂量累加。将每日在线CBCT验证的实际累积剂量与每周CBCT方案（第1-3、6、11、16、21天CBCT扫描）进行比较。比较基于骨匹配与基于软组织匹配（自动骨匹配后手动前列腺匹配并最终以直肠前壁为主做微调）两种匹配方式的摆位误差及剂量学参数。非正态分布的计划剂量和累积剂量之间的剂量学参数采用Wilcoxon符号秩和检验进行分析，符合正态分布的移床值和平均剂量参数采用配对 t检验进行分析。 结果:与每日CBCT图像引导相比，每周方案的CTV_D 98%［（69.08±1.58）∶（65.24±3.64）Gy， P<0.001］明显减少。采用骨匹配的CTV_D 98%为（69.27±2.14）Gy，但直肠高量较高：V 60 Gy为3.18%±3.10%、V 65 Gy为0.77%±1.23%。采用软组织匹配方案的靶区覆盖率足够，CTV_D 98%为（69.08±1.58）Gy；且直肠高量区剂量的百分体积明显减少，V 60 Gy为2.02%±2.42%，V 65 Gy为0.34%±0.68%。 结论:中等分割前列腺癌放疗，每日CBCT图像引导的靶区覆盖度优于每周方案。自动骨匹配后手动前列腺匹配并最终依据直肠前壁做微调的匹配策略，能在保证靶区覆盖率前提下较好地保护直肠。

目的:建立并评价脓毒症相关性急性肾损伤（S-AKI）患者3个月死亡风险的列线图预测模型。方法:基于美国重症监护医学信息数据库Ⅳ（MIMIC-Ⅳ），收集2008至2021年S-AKI患者的临床数据。初步纳入58个相关预测因素，以3个月内全因死亡为结局事件。按7∶3比例将数据分为训练集和验证集。在训练集中采用单因素Logistic回归分析初步筛选变量，运用多重共线性分析、Lasso回归和随机森林算法并结合临床应用价值进行变量选择，建立多因素Logistic回归模型并利用列线图进行可视化表达。在验证集中进行内部验证，评价模型预测价值；绘制受试者工作特征曲线（ROC曲线）计算曲线下面积（AUC）评价列线图模型及牛津急性疾病严重度评分（OASIS）、序贯器官衰竭评分（SOFA）、全身炎症反应综合征评分（SIRS）的区分度；校准曲线评价校准度；决策曲线分析（DCA）评估不同阈值概率下的净效益。结果:基于确诊后3个月时的生存状况将患者分为存活组7?768例（68.54%），死亡组3?566例（31.46%）。在训练集中通过多重筛选，最终纳入7个变量，即Logistic器官功能障碍评分（LODS）、Charlson合并症指数、尿量、国际标准化比值（INR）、呼吸支持方式、血尿素氮和年龄，并纳入列线图模型。在验证集中进行内部验证，ROC曲线分析显示，列线图模型的AUC为0.81〔95%可信区间（95% CI）为0.80～0.82〕，大于OASIS评分的0.70（95% CI为0.69～0.71），远大于SOFA评分的0.57（95% CI为0.56～0.58）和SIRS评分的0.56（95% CI为0.55～0.57），具有较好区分度。校准曲线显示列线图模型校准度优于OASIS、SOFA、SIRS评分。DCA曲线显示列线图模型在不同阈概率情况下的临床净收益均好于OASIS、SOFA、SIRS评分。 结论:基于MIMIC-Ⅳ临床大数据建立的一个包含7项变量的S-AKI患者3个月死亡风险预测列线图模型具有很好的区分度和校准度，为评估S-AKI患者预后提供了有效的新工具。

目的:基于单细胞组学分析肝内胆管癌（ICC）根治性切除术后患者的生存获益。方法:本研究为回顾性病例系列研究。整合基因表达综合数据库中4个数据集的ICC单细胞测序结果，共获得46例患者根治性切除样本，探索ICC微环境的特征。同时分析附有生存数据的EMBI数据库共100例ICC组织芯片数据，通过ssGSEA算法计算芯片数据每个样本中各个上皮细胞亚群的浸润丰度，探索与患者较差预后相关的关键上皮细胞亚群，并研究该亚群关键标志（marker）基因的临床价值。通过单因素与多因素 Cox 比例风险模型筛选预后相关marker基因，使用目标基因构建 Cox比例风险模型并绘制列线图，使用Kaplan-Meier 生存分析验证评分与患者预后的关系，通过受试者工作特征（ROC）曲线、校准曲线及决策曲线（DCA）对模型预测效能进行评估。结果:上皮细胞亚群几乎仅在肿瘤组织中浸润。表达 MT2A的上皮细胞亚群与患者更差的预后相关且浸润丰度很高，以该亚群浸润为特征的患者被定义为抗氧化型。经单因素与多因素Cox比例风险模型筛选该亚群的marker基因，其中 FILPIL、 NAKBIA、 PEG10、 SERPINB5是患者的独立预后因素。用这4个基因表达量构建Cox比例风险模型，根据该模型所区分的高风险组患者的术后1、3、5年总体生存率均低于低风险组患者（ P值均<0.05）；所构建的列线图具有较好的区分度及有效性。ROC曲线显示，模型1、3、5年预测的曲线下面积分别为0.779、0.844、0.845；经校准曲线与DCA检验，对比临床指标，该模型具有较好的预测效能。 结论:MT2A阳性上皮细胞亚群与ICC患者根治性切除术后的生存获益相关，可将ICC组织分为抗氧化型与非抗氧化型，抗氧化型预示患者预后较差，可考虑通过术后辅助治疗等手段改善生存。

目的:比较多种机器学习算法在早期肝细胞癌（HCC）术后复发预测中的效能。方法:回顾性分析2009年5月至2019年12月南京医科大学第一附属医院收治的882例接受根治性手术切除的早期HCC患者的临床资料，其中男性701例，女性181例，年龄（57.3±10.5）岁（范围：21~86岁）。将患者按2∶1随机分为训练集（588例）和测试集（294例）。构建的机器学习预测模型包括随机生存森林（RSF）、梯度提升机、弹性网络-Cox回归和Cox回归模型。采用一致性指数（C-index）衡量模型预测的准确性、综合Brier分数量化模型的预测误差、校准曲线反映模型的拟合情况。比较机器学习模型、竞争模型和HCC分期系统的预测效能。所有模型均在独立的测试集内进行验证。结果:训练集内患者中位无复发生存时间为61.7个月，测试集内患者中位无复发生存时间为61.9个月，两组患者无复发生存情况的差异无统计学意义（ χ2=0.029， P=0.865）。RSF模型由5个常用临床病理学特征构成：白蛋白-胆红素分级、血清甲胎蛋白、肿瘤数目、肝切除方式和微血管侵犯。在训练集和测试集中，RSF模型的C-index值分别为0.758（95% CI：0.725~0.791）和0.749（95% CI：0.700~0.797），综合Brier分数分别为0.171和0.151。RSF模型对早期HCC复发预测的准确性优于其他3种机器学习模型、竞争模型（ERASL模型）及HCC分期系统（巴塞罗那分期、中国肝癌的分期方案、TNM分期），差异均有统计学意义（ P值均<0.01）。校准曲线提示，RSF模型的预测概率与实际观察值具有较好的一致性。RSF模型可将早期HCC患者的复发风险分为低危、中危和高危组，在训练集和测试集内三组患者无复发生存情况的差异有统计学意义（ P<0.01）。RSF模型对早期HCC术后复发风险的分层明显优于TNM分期。 结论:本研究构建的RSF模型集合了5个常用临床病理学特征，可较为准确地预测复发风险。

目的:探讨基于增强CT图像构建影像组学模型及其与相关临床病理特征构建的融合模型在浸润性肺腺癌术前预测组织学分级中的应用价值。方法:回顾性队列研究。纳入2017年1月—2019年12月山西省肿瘤医院经手术病理确诊且组织学分级明确的313例浸润性肺腺癌患者，其中男175例、女138例，年龄35~81（60.1±8.3）岁。组织学分级：高级别（G3级）85例，低级别（G1、G2级）228例。313例患者术前均行胸部增强CT检查。患者按照7∶3的比例随机分为训练组219例（高级别59例、低级别160例）和验证组94例（高级别26例、低级别68例）。基于每位患者的术前增强CT图像各提取1 316个影像组学特征；训练组采用最大相关最小冗余、最小绝对收缩与选择算子算法和多因素logistic回归分析进行特征筛选及影像组学模型的构建。用单因素和多因素logistic回归分析从临床病理特征中筛选高级别浸润性肺腺癌的独立危险因素，联合影像组学模型建立融合模型，并绘制列线图。使用受试者操作特征曲线（ROC曲线）、校准曲线和决策曲线评估影像组学模型和融合模型对术前浸润性肺癌组织分级的预测效能及临床效益。结果:训练组与验证组患者的临床病理特征比较，差异均无统计学意义（ P值均>0.05）。训练组和验证组内的高级别与低级别患者比较，吸烟史、肿瘤实性程度、肿瘤最大径、血清癌胚抗原和细胞角蛋白19片段水平的差异均有统计学意义（ P值均<0.05），年龄、毛刺征、分叶、胸膜牵拉的差异均无统计学意义（ P值均>0.05）；此外，验证组的低级别与高级别患者性别分布比较，差异有统计学意义（ χ2=4.70， P=0.030）。特征降维后得到5个影像组学特征用于构建影像组学模型，影像组学模型在训练组和验证组ROC曲线的曲线下面积（AUC）分别为0.852（95% CI：0.734~0.882、0.837（95% CI：0.733~0.863）。单因素和多因素logistic回归分析筛选出高级别浸润性肺腺癌的独立危险因素有吸烟史、肿瘤实性程度、肿瘤最大径、血清癌胚抗原和细胞角蛋白19片段水平，其与影像组学模型共同构建的融合模型在训练组和验证组ROC曲线的AUC分别为0.888（95% CI：0.721~0.894）、0.876（95% CI：0.707~0.852）。校准曲线分析显示，影像组学模型和融合模型均有良好的校准性能。决策曲线分析显示，2种预测模型均有一定的临床效益，其中融合模型净收益值更大。 结论:基于术前增强CT图像构建的影像组学模型及其与高级别浸润性肺腺癌的独立危险因素结合建立的融合模型，对于浸润性肺腺癌的组织学分级均有良好的术前预测价值，并且后者的预测效能相对更高。

目的:基于胃充盈超声造影下的影像组学构建胃间质瘤美国国立卫生研究院(NIH)危险度分级的预测模型，包括临床超声模型、超声影像组学模型以及两者的联合模型，分别探讨三种模型对胃间质瘤NIH危险度分级的预测效果。方法:回顾性分析2021年6月至2022年6月于天津医科大学肿瘤医院接受手术治疗且病理证实为胃间质瘤的患者共204例，收集其临床及超声影像资料，其中NIH危险度分级为高危险度及中危险度的患者共101例，纳入高危组；NIH危险度分级为低危险度及极低危险度的患者共103例，纳入低危组。通过ITK-SNAP软件对胃间质瘤最大径线的超声图像进行手动分割，应用Python 3.8.7中的Pyradiomics(v3.0.1)模块对所分割的感兴趣区(ROI)图像进行影像组学特征提取。将患者按照7∶3的比例随机分为训练集和测试集。应用Sklearn模块，通过XGBoost算法构建临床超声模型、超声影像组学模型以及两者的联合模型，评估ROC曲线下面积(AUC)、敏感性、特异性及准确性；通过Delong检验比较三种模型的预测能力；应用校准曲线评价模型性能，应用临床决策曲线确定患者的净获益。结果:从ROI中共提取578个影像组学特征，经回归降维处理，最终保留8个超声影像组学特征用于建模。最终，测试结果显示临床超声模型、超声影像组学模型以及联合模型的AUC、敏感性、特异性及准确性分别为0.75、69.3%、68.9%、69.1%，0.87、79.2%、81.6%、80.4%，0.91、80.2%、83.5%、81.9%。Delong检验结果显示，对于胃间质瘤NIH危险度分级预测的ROC曲线，超声影像组学模型与临床超声模型AUC间的差异有统计学意义( Z＝2.698， P<0.001)，联合模型明显优于临床超声模型( Z＝4.062， P<0.001)及超声影像组学模型( Z＝2.225， P＝0.026)。校准曲线显示出联合模型具备较高性能，决策曲线同样显示出联合模型具有优越的临床实用性。 结论:基于胃充盈超声造影下的影像组学构建胃间质瘤NIH危险度分级的预测模型具有可行性，结合临床和超声特征的联合模型预测性能更具优势，在一定程度上可帮助临床术前预测胃间质瘤NIH危险度分级，在个性化医疗时代可以辅助医生选择最佳的管理方案。

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。