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.

目的基于治疗前多参数磁共振成像(multi-parametric magnetic resonance imaging,mpMRI)影像组学特征构建模型预测局部晚期宫颈癌(locally advanced cervical cancer,LACC)新辅助化疗(neoadjuvant chemotherapy,NACT)后淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态.材料与方法回顾性分析了300例于2013年至2022年来自于河南省人民医院(训练集187人,LVSI阳性73人)和河南省肿瘤医院(验证集113人,LVSI阳性31人)接受NACT并行根治性子宫切除术LACC患者的临床及影像资料.于轴位弥散加权成像(axial diffusion-weighted imaging,Ax_DWI)、矢状位T2加权成像(sagittal T2-weighted imaging,Sag_T2WI)和矢状位对比增强T1加权成像(sagittal T1-weighted contrast-enhanced imaging,Sag_T1C)上勾画肿瘤感兴趣区(region of interest,ROI)并提取特征,利用递归特征消除算法与最小绝对值收缩与选择算法筛选影像组学特征.随后,基于逻辑回归分类器分别建立单序列模型,双序列模型及基于三序列组学特征的联合序列模型.使用受试者工作特征(receiver operating characteristic,ROC)曲线评估各模型性能,使用DeLong检验比较曲线下面积(area under the curve,AUC),通过决策曲线评估模型的临床价值.结果在验证集中,基于Ax_DWI、Sag_T2WI及Sag_T1C构建的单序列模型的AUC分别为0.717[95％置信区间(confidence interval,CI):0.605～0.829]、0.734(95％CI:0.633～0.836)和0.733(95％CI:0.626～0.841);基于Ax_DWI+Sag_T2WI、Ax_DWI+Sag_T1C及Sag_T2WI+Sag_T1C构建的双序列模型的AUC值分别为0.763(95％CI:0.660～0.866)、0.786(95％CI:0.692～0.881)与0.815(95％CI:0.731～0.899);联合序列模型的AUC值为0.829(95％CI:0.740～0.914),高于各单序列模型与双序列模型,但联合序列模型与Ax_DWI模型、Sag_T2W1模型及Ax_DWI+Sag_T2W1模型之间AUC差异无统计学意义(P=0.015～0.047).决策曲线显示联合序列模型的临床净效益高于单序列模型与各双序列模型.结论基于治疗前mpMRI影像组学特征构建的联合序列模型可有效预测LACC患者NACT后的LVSI状态.

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.

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:评估基于静脉期增强CT影像组学特征的机器学习模型术前预测局部进展期胃癌脉管侵犯（VI）的价值。方法:回顾性分析2011年7月至2020年12月郑州大学第一附属医院经病理证实的296例局部进展期胃癌患者，VI阳性213例、阴性83例，采用分层抽样方法按7∶3的比例将数据分为训练集（207例）和测试集（89例）。记录患者临床特征，采用多因素logistic回归筛选胃癌VI的独立危险因素。利用Pyradiomics软件提取肿瘤静脉期CT影像组学特征，采用最小绝对收缩和选择算法（LASSO）进行特征筛选，得到最优特征子集，建立影像组学标签。使用极端梯度提升（XGBoost）、逻辑回归（logistic）、朴素贝叶斯（GNB）和支持向量机（SVM）4种机器学习算法，对影像组学标签和筛选出的临床独立危险因素构建预测模型。采用受试者操作特征曲线评估模型预测胃癌VI的效能。结果:分化程度（OR=13.651，95%CI 7.265~25.650， P=0.003）、Lauren分型（OR=1.349，95%CI 1.011~1.799， P=0.042）和CA199（OR=1.796，95%CI 1.406~2.186， P=0.044）是预测局部进展期胃癌VI的独立危险因素。基于静脉期增强CT图像提取了864个影像组学特征，经LASSO筛选出18个最优特征构建组学标签。训练集中，XGBoost、logistic、GNB和SVM模型预测胃癌VI的曲线下面积（AUC）分别为0.914（95%CI 0.875~0.953）、0.897（95%CI 0.853~0.940）、0.880（95%CI 0.832~0.928）和0.814（95%CI 0.755~0.873），测试集中分别是0.870（95%CI 0.769~0.971）、0.877（95%CI 0.788~0.964）、0.859（95%CI 0.755~0.961）和0.773（95%CI 0.647~0.898）。logistic模型在测试集中AUC最大且稳定性高。 结论:基于静脉期增强CT影像组学特征的机器学习模型术前预测局部进展期胃癌VI均具有较高的效能，其中logistic模型的诊断效能最佳。

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:探索对丙泊酚药物浓度和意识状态改变敏感的脑功能特征。方法:选择拟行胸腹部手术治疗的男性患者6例，对所有患者使用靶控输注设备进行丙泊酚输注，初始药物浓度设置为1.0 mg/L，然后每6 min增加0.2 mg/L，直到患者达到无意识状态。同时，采集患者的脑电信号。将采集的脑电信号进行预处理并提取脑功能特征。构建药物浓度相同、意识状态不同和意识状态相同、药物浓度相同两个数据集，并使用线性判别分析（linear discriminant analysis, LDA）、逻辑回归（logistic regression, LR）和支持向量机（support vector machine, SVM）3种机器学习算法模型在不同的数据集上进行分类分析。结果:特征筛选结果显示功率谱-δ-顶区、排列熵（permutation entropy, PE）-δ-颞区和相位滞后指数（phase lag index, PLI）-α-顶区到顶区为对意识状态改变敏感的特征，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的意识状态分类正确率分别为（82±5）%、（83±5）%和（84±4）%；功率谱-β-额区、功率谱-β-颞区和功率谱-β-顶区对药物浓度改变敏感，使用这3个特征在LDA、LR和SVM机器学习算法模型上得到的药物浓度分类正确率分别为（77±4）%、（76±4）%和（80±4）%。功率谱-δ-顶区在药物浓度变化时没有明显变化（ P>0.05），而在意识状态从有意识到无意识明显升高（ P<0.001）；PE-δ-颞区和功率谱-β-额区在从低药物浓度到高药物浓度和从有意识到无意识时均明显降低（ P<0.001）；PLI-α-顶区到顶区在低药物浓度状态下明显高于其在高药物浓度状态下（ P<0.001），但是其在意识状态变化时并没有明显变化（ P>0.05）；功率谱-β-颞区和功率谱-β-顶区在意识状态变化时均没有出现明显变化（ P>0.05），但是功率谱-β-颞区从低药物浓度到高药物浓度时明显升高（ P<0.001），而功率谱-β-顶区从低药物浓度到高药物浓度时明显降低（ P<0.05）。 结论:功率谱-δ-顶区可以很好地表征意识水平的变化同时避免药物浓度的影响，在精确监测麻醉深度上具有潜力。

目的:探讨基于磁共振高分辨T2WI影像组学方法对预测直肠癌新辅助治疗后病理完全反应(pCR)的价值。方法:回顾性分析我院2018年1月至2019年3月新辅助治疗前接受磁共振高分辨T2WI成像检查并经病理证实的80例直肠癌患者，在高分辨T2WI图像上手动勾画病灶容积感兴趣区(VOI)后提取影像组学特征，采用最小绝对值收缩算子(LASSO)算法进行降维，筛选对肿瘤pCR有价值的特征，利用Random算法将数据随机分为训练集( n＝64)与测试集( n＝16)进行机器学习，建立决策树(DT)、逻辑回归(LR)、随机森林(RF)、极限梯度增强树(XGBoost)4种机器学习模型并绘制ROC曲线，分别计算AUC、敏感性、特异性及95% CI，采用DeLong检验比较ROC曲线差异。 结果:80例直肠癌患者pCR 15例，占18.75%；非pCR 65例，占81.25%。共提取1 409个影像组学特征，经LASSO算法降维后筛选出8个最有价值的特征。测试集DT、LR、RF、XGBoost 4种分类器模型的AUC分别为0.870、0.801、0.912、0.945，其中XGBoost分类器模型的AUC最大，与DT、LR、RF分类器模型相比较，差异具有统计学意义( P＝0.008； P＝0.006； P＝0.009)；其他3种模型两两比较，差异均无统计学意义( PLR-RF＝0.083； PDT-LR＝0.113； PDT-RF＝0.879)。4种分类器模型敏感性分别为78.57%、64.29%、78.57%、85.71%，特异性分别为95.38%、84.62%、92.31%、98.46%，95% CI分别为0.775～0.935、0.696～0.882、0.827～0.964、0.870～0.984。 结论:基于高分辨T2WI图像的影像组学对直肠癌新辅助治疗后pCR有预测价值，其中XGBoost模型预测效能优于DT、LR、RF，可以用于辅助临床制定个体化治疗决策。

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。

目的:探讨同时性结直肠癌肝转移(sCRLM)术后早期复发的定义及其影响因素。方法:收集2008年12月至2016年12月中国医学科学院肿瘤医院肝胆外科sCRLM患者的临床病理资料。通过限制性立方条分析，探索复发出现的早晚与远期预后的关系，依次行单因素Cox、多因素Cox分析验证6个月作为早期复发定义界点的可行性。随后应用逻辑回归、支持向量机、决策树、随机森林、人工神经网络及XGBoost机器学习的特征变量选择算法，综合排名临床病理变量对6个月内早期复发的重要度，并按综合排名顺序依次将变量引入逻辑回归模型，观察逻辑回归模型的受试者工作特征曲线(ROC)，根据ROC下面积、赤池信息准则、贝叶斯信息准则筛选最佳变量组合，将其纳入多因素逻辑回归分析，进而筛选出早期复发的独立性危险因素。随后对独立危险因素中的治疗性因素行逆概率加权(IPTW)方法分析，在降低协变量的标准化均数差的条件下进一步确认治疗性因素对sCRLM患者肝切除术后早期复发的影响。结果:共纳入228例sCRLM患者，随访2.10～108.57个月，男性142例，女性86例，年龄(55.89±0.67)岁。在170例(74.6%)复发患者中，限制性立方条分析确定无病生存期(DFS)与总生存期(OS)的风险比( HR)满足线性关系( P<0.05)，且在所有患者中，Cox分析发现6个月作为早期复发的时间界点具有显著的可行性( HR＝3.405, 95% CI: 2.098～5.526, P<0.05)。所有患者中93例(40.79%)出现早期复发，早期复发患者的生存率明显低于无早期复发患者( HR＝3.405, 95% CI: 2.098～5.526, P<0.05，5年生存率分别为14.0%、52.0%)。六种机器学习算法联合多因素逻辑回归分析确定淋巴结清扫数量>22个( OR＝0.258，95% CI: 0.132～0.506, P<0.05)是早期复发的保护性因素，而肝转移癌数量>3个( OR＝4.715, 95% CI：2.467～9.011, P<0.05)和术后出现并发症( OR＝2.334, 95% CI: 1.269～4.291, P<0.05)是早期复发的独立性风险因素。IPTW分析法在充分降低协变量混杂影响的条件下经因果推论证实淋巴结清扫数量>22个是DFS的保护性因素(IPTW HR＝0.4887, P<0.05)，且也是术后早期复发的保护性因素(IPTW OR＝0.29, P<0.05)，但与OS无关(IPTW HR＝0.6951, P>0.05)。 结论:sCRLM术后6个月作为早期复发定义界点具有显著可行性，早期复发患者的长期生存差，sCRLM术后早期复发的独立性影响因素是淋巴结清扫数量、肝转移癌数量和术后并发症。