机器学习鉴别ⅠA期宫颈癌与高级别鳞状上皮内病变:基于MRI影像组学模型

目的利用宫颈MRI图像提取影像组学特征,建立随机森林模型识别ⅠA期宫颈癌与高级别鳞状上皮内病变(high-grade squamous intraepithelial lesion,HSIL)。材料与方法回顾性分析经手术病理证实的43例ⅠA期宫颈癌患者与51例HSIL患者,按照4∶1的比例设置训练集(ⅠA=34,HSIL=41)与测试集(ⅠA=9,HSIL=10)。收集其术前MRI图像,经预处理后上传至影像组学云平台,分别在OSag-T2WI、OAx-T1WI以及OAx-T2FS上逐层手动勾画宫颈,获得宫颈三维容积感兴趣区(volume of interest,VOI),提取组学特征。采用方差阈值分析法(Variance Threshold)、单变量特征选择法(SelectKBest)以及最小绝对值收缩和选择法(least absolute shrinkage and selection operator,LASSO)进行数据降维、特征选择。采用随机森林模型进行机器学习,绘制ROC曲线,分析不同序列组学模型的诊断效能。结果基于OSag-T2WI、OAx-T1WI、OAx-T2FS以及OSag-T2WI联合OAx-T2FS分别得到8个、10个、6个以及9个有效特征。以OSag-T2WI联合OAx-T2FS的组学特征值建立的随机森林模型诊断效能最高,AUC为0.89[95%CI(0.741.00)];基于OAx-T1WI的模型诊断效能最低,AUC为0.51[95%CI(0.230.78)]。结论基于MRI的影像组学随机森林模型可以较好地在没有明确病灶的情况下区分ⅠA期宫颈癌与HSIL,对于术前减少侵入性检查与指导术式有着重大的意义。

脊柱-骨盆影像学指标在腰椎退行性病变中的变化及意义

本文探讨脊柱-骨盆影像学参数指标在腰椎退行性病变患者手术前后的变化及与患者术后发生慢性腰部疼痛的关系。选取160例腰椎退行性病变患者作为病例组,选取80例健康体检对象作为对照组,采用X线测量两组研究对象的脊柱-骨盆影像学参数,病例组患者采用腰椎融合内固定术治疗,对患者进行为期6个月的随访,并对比手术前后脊柱-骨盆影像学参数变化,探讨术前脊柱-骨盆影像学参数与患者术后并发慢性腰痛的关系。病例组的脊柱矢状位垂直轴(SVA)、骨盆入射角(PI)、骨盆倾斜角(PT)测定值均显著大于对照组(P<0.05);病例组的腰椎前凸角(LL)测定值显著低于对照组(P<0.05);腰痛组的SVA、PT测定值均显著大于非腰痛组,腰痛组的LL值显著小于非腰痛组(P<0.05);腰椎退行性病变患者年龄增大、融合节段≥3个、术后邻近节段退变、PT值增大是腰椎退行性病变患者术后是否发生腰痛的危险因素(P<0.05)。腰椎退行性病变患者腰椎曲度异常改变明显;同时患者术后PT值恢复较差、年龄较大、手术融合节段≥3个、术后邻近节段退变可引起术后腰部疼痛。

脑功能成像对针刺足阳明胃经中枢镇痛机制的初步探讨

目的通过对比分析疼痛刺激与配伍针刺穴位镇痛后脑功能成像的变化探讨针刺足阳明胃经的中枢镇痛机制。材料与方法对20名健康志愿者先后行疼痛刺激和配伍电针针刺足阳明胃经中足三里与上巨虚两穴位镇痛,并进行脑功能成像,记录激活与抑制脑区并分析。结果疼痛刺激后及配伍二穴位针刺镇痛后,额颞叶皮层、边缘系统、丘脑及小脑等多个脑区在脑功能成像上有不同程度和范围的激活与抑制,差异有统计学意义(k>30,t>3.09,P<0.001)。结论脑功能成像反映出的多个脑区均可能通过不同的调节方式参与疼痛及足阳明胃经络的中枢镇痛机制,且与针刺单个穴位的镇痛机制既有相同又存在差异。

基于T1WI及IDEAL-T2WI影像组学模型鉴别腮腺多形性腺瘤和腺淋巴瘤

目的观察T1WI、IDEAL-T2WI影像组学特征及机器学习模型鉴别腮腺多形性腺瘤(PA)与腺淋巴瘤(AL)的价值。方法回顾性分析33例腮腺PA和25例AL患者。运用放射组学云平台,于轴位T1WI和IDEAL-T2WI上手动勾画病灶ROI,提取影像组学特征;以方差阈值法、SelectKBest及Lasso算法筛选最优特征。采用随机森林、逻辑回归算法建立机器学习模型,绘制ROC曲线,分析T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI建立模型的诊断效能。结果T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI分别得到6、9、12个有效特征。基于IDEAL-T2WI联合T1WI建立随机森林模型的诊断效能最高,AUC为0.87,95%CI(0.59,1.00),准确率0.83。结论基于T1WI、IDEAL-T2WI影像组学特征及机器学习模型可有效鉴别诊断腮腺PA和AL。

影像组学结合机器学习在鉴别脊柱结核与转移瘤中的价值研究

目的分析脊柱结核(TBS)与脊柱转移瘤(MST)患者受累椎体的MRI表现与影像组学特征,评价基于MRI特征的逻辑回归(Logistic)模型与基于影像组学特征的机器学习模型的诊断效能。方法搜集本院经病原学检查与手术病理证实的TBS与MST患者,利用Logistic分析MRI特征。提取受累椎体T_(2)WI脂肪抑制序列(T_(2)-FS)的影像组学特征,组内相关系数(ICC)评价组学特征值测量的可重复性。依次使用t检验、SelectKBest以及最小绝对收缩和选择算子(LASSO)筛选特征。利用交叉验证(CV)划分数据集,随机森林(RF)及支持向量机(SVM)模型在训练集上进行监督学习,在测试集上进行评价,并与Logistic模型相比较。受试者工作特征(ROC)曲线及决策曲线分析(DCA)分别用来评价机器学习的分类效能及实际临床净收益,校准曲线评估模型的预测误差,Z检验用来比较ROC曲线下面积(AUC)之间的差异。结果101例患者被纳入样本(51例TBS,50例MST),筛选到3个MRI特征构建Logistic模型,6个影像组学特征(ICC均>0.75)进行机器学习。训练集上RF的AUC为0.997(95%CI 0.994~1.000),SVM为0.991(95%CI 0.981~1.000),差异无统计学意义(P=0.250)。Logistic的AUC为0.871(95%CI 0.800~0.941),低于测试集上的RF:0.993(95%CI 0.986~1.000)与SVM:0.989(95%CI 0.979~1.000)(P均<0.05)。DCA表明,RF的净获益优于SVM,优于Logistic。校准曲线显示三个模型预测概率与真实概率间的差异无统计学意义(P均>0.05),预测误差均值分别为0.019(RF)、0.019(SVM)、0.052(Logistic)。结论基于受累椎体的影像组学特征进行机器学习鉴别TBS与MST是可行的,其结果优于基于MRI特征的Logistic模型,对于术前减少侵入性检查与指导治疗有着重大意义。