目的:筛选与肝细胞癌(hepatocellular carcinoma,HCC)预后密切相关的炎症反应关键基因,构建预后风险评分模型,并评估该模型在HCC中的预后价值.方法:从TCGA数据库获取HCC患者肝肿瘤组织及正常肝组织的mRNA表达数据作为训练集,从GEO数据库中获取HCC患者的mRNA表达数据作为验证集.筛选出与HCC预后相关的炎症反应相关基因,运用LASSO回归和随机生存森林(RSF)方法筛选与HCC预后相关的炎症反应关键基因.基于这些关键基因构建预后风险评分模型并验证,应用Cox比例风险回归评估该模型对患者预后的影响.构建列线图并进行一致性分析.结果:共筛选出15个与HCC预后相关的炎症反应基因,经LASSO回归和RSF分析,确定11个炎症反应关键基因,即IL18RAP、MEP1A、RIPK2、CYBB、SLC7A1、ADM、IL7R、P2RX4、ACVR2A、SERPINE1、SLC7A2.构建的预后风险评分模型在训练集和验证集上预测1、3、5年生存率,AUC值均超过0.60;Kaplan-Meier分析显示高风险组总生存期(OS)显著低于低风险组(P＜0.01);PCA和t-SNE分析显示该模型能有效区分高、低风险患者.Cox回归分析提示预后风险评分是独立的预后因素,且与OS显著相关(P＜0.01).列线图模型C-index为0.672,具有较高的预测精度,1年和3年校准曲线与标准曲线吻合度好,5年吻合度稍弱.结论:本研究成功构建并验证了一个基于炎症反应相关基因的风险评分模型,筛 选出的11个炎症反应关键基因(IL18RAP、MEP1A、RIPK2、CYBB、SLC7A1、ADM、IL7R、P2RX4、ACVR2A、SERPINE1、SLC7A2)与HCC进展密切相关,且在模型中显示出较强的预后预测能力.

目的:分析输尿管软镜钬激光碎石术治疗输尿管上段复杂性结石后双J管附壁结石形成的原因.方法:选择2015年1月至2023年8月于首都医科大学附属北京潞河医院收治的105例输尿管上段复杂性结石患者,其中男58例,女47例,根据结石评估结果分为结石组(n=40)与非结石组(n=65).通过随机森林算法分析患者双J管附壁结石形成的影响因素.通过单因素和多因素分析双J管附壁结石形成的独立影响因素,并构建分类树模型.结果:结石组和非结石组CT值、术中出血量、双J管留置时间、白细胞计数(WBC)、C反应蛋白(CRP)、尿酸(UA)、血钙、尿pH值、尿蛋白、尿红细胞、尿白细胞、尿结晶比较差异均有统计学意义(t/χ2 值分别为4.361、2.502、6.815、12.176、24.398、15.595、6.517、2.069、6.881、4.524、3.883、4.699,均P<0.05).双J管留置时间、尿蛋白阳性、尿结晶阳性、UA为双J管附壁结石形成的独立危险因素(P<0.05).分类树模型显示,双J管留置时间是双J管附壁结石形成的重要预测因素,收益图和索引图显示模型预测良好.结论:双J管留置时间、尿蛋白阳性、尿结晶阳性、UA为双J管附壁结石形成的独立危险因素.临床应重点关注相关因素,及时制定预防策略,以期降低双J管附壁结石的发生风险.

目的:探讨基于多序列MR图像所构建的影像组学模型在预测脑胶质瘤Ki-67表达水平中的价值.方法:回顾性分析2017年1月—2023年5月经病理检查证实的114例胶质瘤患者的MRI图像和临床特征.根据肿瘤标本检测获得的Ki-67表达水平,将患者分为高表达组(n=54)和低表达组(n=60).将所有患者按7︰3的比例随机分为训练集79例(高表达组37例,低表达组42例)和测试集35例(高表达组17例,低表达组18例).使用ITK-SNAP软件,在CE-T1WI图像上沿胶质瘤边缘逐层勾画ROI,获取肿瘤全域容积ROI(VOI).然后使用"Pyradiomics"软件包,分别自T1WI、CE-T1WI、T2WI和T2-FLAIR图像上提取肿瘤VOI的影像组学特征.采用t检验和递归特征消除法进行特征筛选,利用随机森林方法建立预测Ki-67表达水平的临床-影像模型、影像组学模型及联合模型.采用ROC曲线下面积(AUC)和DeLong检验来评估和比较上述模型的效能.使用校准曲线和Hosmer-Lemeshow检验分析模型的拟合优度,并通过决策曲线分析(DCA)评估各个模型的临床应用价值.结果:临床-影像模型、影像组学模型和联合模型在训练集和测试集中的AUC分别为0.791(95％CI:0.685～0.874)和0.716(95％CI:0.538～0.855)、0.907(95％CI:0.820～0.961)和0.866(95％CI:0.708～0.957)、0.964(95％CI:0.896～0.993)和0.908(95％CI:0.760～0.979),以联合模型的的AUC最大.Delong检验结果显示,联合模型的预测效能优于临床影像模型(训练集P<0.001;测试集P=0.018),但与影像组学模型之间的差异无统计学意义(P>0.05).Hosmer-Lemeshow检验结果显示联合模型校准曲线的拟合度良好(P>0.05).DCA结果显示,当风险阈值为0.11～0.89时,联合模型的临床净效益高于影像组学模型.结论:基于临床、影像特征及多序列MRI影像组学特征构建的联合模型对术前预测胶质瘤Ki-67表达水平具有一定价值.

目的 探析糖化血红蛋白(HbA1c)联合B型脑钠钛前体生物标志物(NT-proBNP)检测在急性心力衰竭患者近期死亡风险中的预测价值.方法 选取2020年2月至2023年2月蒙城县第一人民医院收治的103例急性心力衰竭患者为观察组,选取同期在本院体检中心体检且各项指标均显示正常的健康者共计101名为对照组.比较不同人群HbA1c、NT-proBNP表达差异;分析HbA1c、NT-proBNP与急性心力衰竭患者近期死亡风险的相关性及诊断价值,并分析影响急性心力衰竭患者死亡的危险因素.结果 观察组血清HbA1c、NT-proBNP表达均显著高于对照组,差异有统计学意义(P<0.05).观察组HbA1c、NT-proBNP与心功能分级呈正相关(r=0.587,0.536,P<0.05).死亡组NYAH分级Ⅳ级占比、HbA1c、NT-proBNP表达均高于存活组,差异有统计学意义(P<0.05).经Logistic回归分析可知,NYAH分级为Ⅳ级、HbA1c及NT-proBNP表达上升是急性心力衰竭患者死亡的危险因素(OR>1,P<0.05).森林图显示,在与急性心力衰竭患者死亡风险增加的相关因素中,NT-proBNP是关联强度最大的因素(OR=2.491,95％CI 1.414～4.390).急性心力衰竭死亡患者实施联合检测(HbA1c与NT-proBNP)的AUC值与单独HbA1c、NT-proBNP检测相比更高(P<0.05).结论 HbA1c、NT-proBNP表达水平随急性心力衰竭死亡患者的心力衰竭严重程度的增加而升高,两指标联合检测可提高预测急性心力衰竭死亡患者的死亡风险效能,可指导临床早期及时干预.

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: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:探讨基于多参数MRI的影像组学融合模型在乳腺癌术前预测腋窝淋巴结（ALN）转移的应用价值。方法:回顾性队列研究。纳入山西省肿瘤医院2020年8月—2021年9月经病理证实的272例乳腺癌患者的多参数MRI及临床病理资料。患者均为女性，年龄28~79（53.0±10.9）岁，其中ALN阳性107例、ALN阴性165例。按照7∶3的比例随机将患者分为训练组（191例）和验证组（81例）。从T 2加权像（T 2WI）、表观弥散系数（ADC）图和增强T 1加权像（cT 1WI）序列中提取影像组学特征。采用单因素逻辑回归、相关性分析和Boruta算法3个步骤进行特征选择，然后采用支持向量机（SVM）、随机森林（RF）和逻辑回归（LR）3种机器学习方法构建影像组学模型，并基于最优模型计算每位患者的影像组学分数（Radscore）。同时，通过多因素逐步回归分析筛选乳腺癌ALN转移的独立危险因素并构建临床模型。最后，联合Radscore和临床独立危险因素构建融合模型，并绘制列线图。采用受试者操作特征曲线、校准曲线和决策曲线（DCA）来评价模型对乳腺癌ALN转移的预测性能及临床效益。 结果:训练组和验证组患者肿瘤位置比较，差异有统计学意义（ P<0.05）；训练组中ALN阳性与ALN阴性患者间的肿瘤位置、MRI评估淋巴结状态比较，验证组中ALN阳性与ALN阴性患者间的雌激素受体、分子亚型及MRI评估淋巴结状态比较，差异均有统计学意义（ P值均<0.05）。基于多参数MRI降维选择后，得到了6个与ALN转移呈显著相关的影像组学特征（ P值均<0.05）。在训练组和验证组中，SVM、RF和LR模型均表现出很好的预测能力，AUC分别为0.784、0.826、0.703和0.733、0.817、0.703，其中RF模型效能最高。单因素、多因素回归分析显示，MRI评估淋巴结状态是乳腺癌ALN转移的独立预测因子［比值比（95%可信区间）=10.909（5.210~24.511）， P<0.001］，采用这一指标构建临床模型。联合Radscore和MRI评估ALN状态的融合模型在训练组和验证组中均表现出更好的性能，AUC分别为0.867和0.866，且其诊断效能均优于上述3种机器学习模型和临床模型（AUC分别为0.719和0.700）。DCA显示，3种机器学习模型、临床模型和融合模型均有一定的临床效益，其中融合模型的净收益值最大。 结论:基于多参数MRI影像组学特征和联合MRI评估淋巴结状态的融合模型有助于术前准确预测乳腺癌ALN转移状态。

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。