基于深度学习和影像组学的脑膜瘤质地术前评估

目的:探讨基于弥散加权成像中表观弥散系数(ADC)的深度学习影像组学(DLR)技术在术前预测脑膜瘤质地的价值。方法:回顾性收集202例经术后病理证实的脑膜瘤患者相关数据资料,其中质软组包含97例,质硬组包含105例,并由放射科医生应用ITK-SNAP软件勾画病灶的感兴趣区。首先,基于预处理图像提取病灶的影像组学特征和深度学习特征,进行特征组合;然后,对组合特征进行特征评估和特征选择,并建立混合标签。其后,对临床特征与放射学语义特征进行组间差异检验;最后,采用logistic回归建立临床、混合标签及联合模型,并建立基于混合标签的列线图。结果:临床资料中,WHO分级、Ki-67值及脑膜瘤最大径的组间差异显著(P<0.05)。筛选出3个影像组学特征和23个深度学习特征构建混合标签,其列线图的C指数在训练集为0.896(95%CI 0.844~0.947),在测试集为0.925(95%CI 0.841~1.000)。结论:基于ADC图的深度学习影像组学技术可预测脑膜瘤质地,对术前预测具有参考价值。

基于瘤内和瘤周影像组学的乳腺癌HER2状态评估

目的:探讨基于数字乳腺X线摄影(DM)影像的瘤内和瘤周影像组学模型预测乳腺癌人表皮生长因子受体2(HER2)状态的价值。方法:回顾性收集1332例(HER2阳性350例,阴性982例)乳腺癌患者的影像数据和临床信息。由放射科医生手动勾画感兴趣区(ROI),再将其外扩2、5、10、15mm得到4个瘤周ROI,分别提取并筛选影像组学特征,建立瘤内和瘤周模型;其后,对临床信息进行单因素分析并建立临床模型;最后将瘤内、最佳瘤周和临床模型的预测结果输入人工神经网络模型得到三者联合模型。结果:T分期、病灶形式(钙化、肿块或不对称致密)、是否伴有腋窝肿大淋巴结、是否伴有糖尿病在HER2阳性组与阴性组间有显著差异(P<0.05)。筛选出15个瘤内和7个10mm瘤周影像组学特征,最终联合模型的测试集曲线下面积(AUC)为0.790(95%CI0.741~0.839),校准曲线显示具有良好一致性。结论:基于DM的瘤内+瘤周+临床联合模型可以作为无创评估乳腺癌HER2状态的有效工具.