基于CT影像组学联合预测模型对非小细胞肺癌远处转移的预测

目的:探讨基于计算机体层成像(computed tomography,CT)影像组学联合临床特征预测模型对非小细胞肺癌(non-small cell lung cancer,NSCLC)远处转移的预测价值。方法:回顾并分析140例NSCLC患者(74例未发生远处转移和66例发生远处转移),从每例患者的治疗前CT图像上勾画2个感兴趣区(region of interest,ROI),包括瘤周微浸润区域(记为ME)和原发肿瘤区域(记为tumor),再分别提取影像组学特征,计算影像组学评分(radiomics score,RS)。通过计算组内相关系数(intraclass correlation coefficient,ICC)来检验特征勾画的一致性。对所有数据进行分组,训练组和验证组分别有97例和43例。采用χ~2检验或Fisher精确概率检验评价转移组和未转移组特征差异有无统计学意义。构建4个NSCLC远处转移预测模型,分别为肿瘤(tumor)影像组学模型、含瘤周(tumor+ME)影像组学模型及其分别联合临床特征的综合模型。所有模型性能通过受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under curve,AUC)量化,使用DeLong检验对不同模型的诊断能力进行显著性检验,同时构建含瘤周(tumor+ME)影像组学联合临床特征综合模型的诺模图,并评价诺模图的校准和鉴别能力。结果:在单独的肿瘤(tumor)影像组学模型中筛选出9个组学特征,在含瘤周(tumor+ME)影像组学模型中筛选出13个组学特征。临床因素癌胚抗原(carcinoembryonic antigen,CEA)对于预测NSCLC远处转移差异有统计学意义(P<0.05)。肿瘤(tumor)、含瘤周(tumor+ME)影像组学模型的AUC分别为0.779、0.854,综合模型中肿瘤组、含瘤周组的AUC分别为0.795、0.858。结论:影像组学特征联合临床因素所构建的模型可用于NSCLC远处转移的预测,含瘤周(tumor+ME)影像组学模型可以提高NSCLC远处转移的预测能力。

基于胸部CT图像的肺炎深度学习分类预测模型

目的建立基于胸部CT图像的AI模型,实现对细菌、真菌、病毒性(包括COVID-19)肺炎的快速分类预测。方法回顾性收集2013-2020年就诊于陆军军医大学附属第一医院的559例细菌性、真菌性及非COVID-19病毒性肺炎患者及2020年就诊于重庆大学附属三峡医院的53例COVID-19患者的影像资料,首先利用Resnet_18、Efficientnet_b5、ViT、Swin-Transformer等4种典型的深度神经网络构建图像级三分类及四分类预测模型,在独立测试集中进行验证选出最优模型;然后分析采用单张图像和3张图像融合构建数据集对模型的影响;最后分别使用按图像类别占比投票及随机森林2种方法进行患者级分类预测。使用精确率、召回率、特异性、F1值、AUC、准确率评估模型效能,最终筛选出表现最优的AI预测模型。结果在图像级分类中Swin-Transformer模型表现最佳,三分类准确率为0.932,四分类准确率为0.948。测试Swin-Transformer模型分别采用单张图像和3张图像融合构建数据集的效果,采用融合图像的Swin-Transformer_C模型效能进一步提升,在测试集中三分类准确率和AUC值分别为0.931、0.989,四分类准确率和AUC值分别为0.952、0.990。使用Swin-Transformer_C模型进行患者级分类,采用随机森林的方法预测效能更佳,三分类准确率和AUC值分别为0.984、0.987,四分类准确率和AUC值分别为0.967、0.971。Resnet_18、Efficientent_b5、Vit等3种网络也取得了较好的效果,但总体效能低于Swin-Transformer网络。结论基于融合数据建立的深度学习模型Swin-Transformer_C与其他4种模型相比在图像级分类中效果最佳,其融合随机森林分类器在患者级分类中也取得最优性能。表明深度学习可用于不同病原体感染所致肺炎类型的快速分类预测。

侵袭性肺真菌感染病临床影像预测模型的初步建立及评价

目的建立侵袭性肺部真菌感染的临床影像预测模型并进行评价,为侵袭性肺部真菌感染患者的早期识别提供依据。方法采用病例-对照研究设计方案,筛选2016年1月1日至2021年9月30日我科住院患者中187例侵袭性肺部真菌感染和190例肺部非真菌感染患者的临床、影像资料进行分析。按照7∶3的比例将样本采用随机数字表分为训练集(264例)和验证集(113例)。通过二元Logistic回归进行单因素、多因素分析,采用R软件包构建列线图预测模型,并通过受试者工作曲线(ROC)、曲线下面积(AUC)、校准曲线、DCA曲线等对模型的有效性和应用价值进行评价。结果多因素Logistic回归分析结果显示:贫血(OR:6.41,95%CI:1.62~25.43)、糖尿病(OR:6.77,95%CI:1.20~38.11)、COPD(OR:12.82,95%CI:2.71~60.55)、入院后营养不良(OR:8.78,95%CI:2.17~35.55)、面罩/鼻氧管吸氧(OR:3.53,95%CI:0.911~13.66)、胆碱酯酶(OR:7.47,95%CI:1.66~33.57)、右肺下叶(OR:11.17,95%CI:2.07~60.16)、左肺下叶(OR:16.25,95%CI:3.31~79.71)、磨玻璃影(OR:19.22,95%CI:4.17~88.48)、空气支气管征(OR:6.44,95%CI:1.27~32.68)、支气管扩张(OR:11.58,95%CI:1.50~89.25)为侵袭性肺部真菌感染的相关因素。由上述11个因子构建列线图(R^(2)=0.830,C-index=0.97,95%CI:0.96~0.99)。训练集和验证集的AUC分别为0.972(95%CI:0.955~0.988)和0.945(95%CI:0.905~0.985),显示均具有很高的区分度。训练集和验证集的校准曲线均基本沿45°线分布,DCA曲线均显示在阈概率为10%~90%时存在净获益。结论研究筛选出贫血、COPD、糖尿病、入院后营养不良、面罩/鼻氧管吸氧、胆碱酯酶、右肺下叶、左肺下叶、磨玻璃影、空气支气管征和支气管扩张11个参数建立侵袭性肺部真菌感染列线图预测模型,准确性较高。