^(18)F-FDG PET图像联合可解释的深度学习影像组学模型对原发性帕金森病和非典型性帕金森综合征的鉴别诊断

目的探究^(18)F-FDG PET图像结合可解释的深度学习影像组学(IDLR)模型在原发性帕金森病(IPD)和非典型性帕金森综合征鉴别诊断中的应用价值。资料与方法本横断面研究纳入2015年3月—2023年2月复旦大学附属华山医院帕金森病PET成像基准数据库330例帕金森病患者的^(18)F-FDG PET图像,其中IPD 211例、进行性核上性麻痹(PSP)59例、多系统萎缩(MSA)60例;包括2个队列(训练组270例和测试组60例)。采集所有受试者的^(18)F-FDG PET图像及临床信息并进行比较。开发一种IDLR提取特征指标,在影像组学特征的监督下从神经网络提取器收集的特征中筛选IDLR特征,并在测试组中构建二分类支持向量机模型,分别计算构建的IDLR模型、传统影像组学模型、标准化摄取值比值模型、深度学习模型在IPD/PSP/MSA组间两两分类的模型性能指标与曲线下面积。采用100次10折交叉验证在2个队列中进行独立分类与测试。通过特征映射展示大脑相关感兴趣区,使用梯度加权类激活图突出大脑中最相关的信息并可视化,检查不同疾病组的模型输出热力图,并将其与临床诊断位置进行比较。结果IDLR模型在不同帕金森综合征患者中分类效果最好,测试组中的曲线下面积(MSA与IPD 0.9357,MSA与PSP 0.9754,IPD与PSP 0.9825)优于其他模型(影像组学模型:Z=1.31~2.96,P均<0.05;标准化摄取值比值模型:Z=1.22~3.23,P均<0.05)。筛选后的IDLR特征映射的影像组学感兴趣区与梯度加权类激活图切片热力图可视化高度一致。结论IDLR模型在^(18)F-FDG PET图像中具备对IPD和非典型性帕金森综合征的鉴别诊断潜力。

基于术前MRI图像构建影像组学与深度学习的机器学习模型预测胶质瘤IDH-1基因表达的研究

目的探讨基于术前核磁共振成像(MRI)T_(2)抑脂序列预测胶质瘤异柠檬酸脱氢酶(IDH)-1基因表达情况的价值。方法本研究共纳入2016年1月—2023年2月在济宁医学院附属医院经组织病理学证实的124例胶质瘤患者。使用ITK-SNAP软件勾画感兴趣区域(ROI),使用Pyradiomics包实现影像组学特征的提取,使用经过预训练的ResNet50深度学习模型提取深度学习特征。使用Pearson相关系数和最小绝对收缩和选择算子(LASSO)回归模型进行特征筛选。最后进行10折交叉验证来评估模型效能。将传统影像组学、深度迁移学习以及融合模型基于支持向量机(SVM)、K近邻(KNN)以及随机森林(RF)三种机器学习模型分别建模。使用受试者工作特征(ROC)曲线评价各模型的预测效能。结果基于影像组学特征的机器学习模型SVM、KNN以及RF的曲线下面积(AUC)分别为0.699、0.628、0.616。基于深度迁移学习特征的机器学习模型SVM、KNN以及RF的AUC分别为0.853、0.753、0.807。基于融合特征的机器学习模型SVM、KNN以及RF的AUC分别为0.868、0.818、0.787。结论基于常规MRI序列中的T_(2)WI抑脂序列的SVM融合模型对预测胶质瘤IDH-1基因表达情况具有较高的预测效能。

影像组学及深度学习预测肝细胞癌预后研究进展

肝细胞癌(HCC)预后差异较大,准确预测预后有助于展开个体化精准治疗。随着人工智能的发展,影像组学及深度学习(DL)运用日渐广泛,可通过挖掘医学图像中的高维度肿瘤定量特征而为诊断与治疗HCC提供更多信息。本文就影像组学及DL预测HCC预后研究进展进行综述。

MRI影像组学及深度学习在直肠癌中的研究进展

磁共振成像(magnetic resonance imaging,MRI)目前已广泛应用于直肠癌的分期、疗效评估,甚至可用于病理指标及基因突变的预测。基于人工智能领域的影像组学和深度学习等方法从MRI中挖掘病灶深层次信息以进一步分析,可为临床个体化诊疗提供新的依据。目前,大量直肠癌MRI影像组学或深度学习的研究显示出潜在的临床应用价值。本文总结了近年来MRI影像组学及深度学习在直肠癌诊疗中的研究进展,为后续研究提供参考。

基于超声深度学习影像组学的乳腺癌新辅助化疗疗效预测

目的开发一种结合超声影像组学、深度学习和临床特征的综合模型,以预测乳腺癌新辅助化疗(Neoadjuvant Chemotherapy,NAC)后的病理完全缓解(Pathological Complete Response,pCR)。方法共纳入117例乳腺癌患者,按照7∶3的比例随机划分为训练集和验证集。采用Mann-Whitney U检验、随机森林递归消除算法和最小绝对收缩和选择算子进行特征筛选及影像组学/深度学习标签构建。对患者的临床参数进行单/多因素分析,以选择有效特征构建临床模型。然后利用逻辑回归算法将临床特征与影像组学、深度学习标签相结合,构建临床-影像组学-深度学习综合模型。从预测效果、校准能力和临床实用性方面评估模型性能。结果临床-影像组学-深度学习综合模型相比于单独的临床、影像组学和深度学习模型在训练集和验证集中均显示出最高的曲线下面积(训练集:0.949 vs.0.788 vs.0.815 vs.0.928;验证集:0.931 vs.0.643 vs.0.778 vs.0.901)。校准曲线和决策曲线证实综合模型具有良好的预测性能。结论与单一模型比较,综合模型对术前预测乳腺癌患者NAC后的pCR状态具有更高价值。

基于多序列MRI影像组学与深度迁移学习特征的脑胶质瘤分级预测研究

目的:探讨基于多序列磁共振成像(magnetic resonance imaging,MRI)手工影像组学(hand⁃crafted radiomic,HCR)和深度迁移学习(deep transfer learning,DTL)特征的机器学习(machine learning,ML)模型在术前预测脑胶质瘤分级的效能。方法:选取BraTS2019数据集中332例患者的影像数据[高级别胶质瘤(high⁃grade glioma,HGG)258例,低级别胶质瘤(low⁃grade glioma,LGG)74例],随机抽取30例HGG和8例LGG作为测试数据集,其余294例作为训练集和验证集。从T1、T2、T1c和Flair序列中提取病灶的HCR特征和DTL特征,并筛选出影响力前10的特征子集,基于HCR特征、DTL特征和两者组合的深度学习影像组学(deep learning radiomics,DLR)特征,分别建立7种ML模型,评估模型预测HGG和LGG的效能。选择最佳模型后,使用SHAP法对模型特征重要性进行量化及归因分析。结果:基于HCR和DTL组合的DLR特征构建的ML模型预测效能最高,当使用支持向量机的递归特征消除(support vector machine⁃recursive feature elimination,SVM⁃RFE)筛选特征后,使用T2+T1c+Flair序列组合的支持向量机(support vector machine,SVM)分类器的预测模型效果最佳。在验证集上,受试者工作特征曲线下面积达到0.996(95%CI:0.991~1.000),约登指数、准确度、灵敏度和特异度分别为0.920、0.976、0.988和0.932,在测试集上同样具有较高的分级预测效能。SHAP特征权重分析显示Flair序列的特征贡献较大,其次为T2及T1c序列,HCR和DTL特征均有重要贡献。结论:基于多序列MRI的DLR特征构建的ML模型可有效预测脑胶质瘤的肿瘤分级,其中经过SVM⁃RFE筛选后的T2+T1c+Flair序列组合的SVM分类器模型效能最佳。

影像组学及深度学习联合血液炎性指标预测胶质瘤预后的价值

目的 探讨基于影像组学和深度学习特征评分(radiomics-deep learning score, RD-score)联合血液炎性指标构建的列线图在术前预测胶质瘤预后的价值。材料与方法 回顾性分析166例临床确诊胶质瘤的患者病例,按8∶2随机分为训练集(133例)和验证集(33例)。收集患者的临床、血液炎性指标资料,构建组合变量系统性炎症指数(systemic immune inflammation index, SII)、全身炎症反应指数(system inflammation response index, SIRI)、衍生中性粒细胞与淋巴细胞比值(derived neutrophil-to-lymphocyte ratio, dNLR)、中性粒细胞与淋巴细胞比值(neutrophil-to-lymphocyte ratio, NLR)、单核细胞与淋巴细胞比值(monocyte-to-lymphocyte ratio, MLR)、血小板与淋巴细胞比值(platelet-to-lymphocyte ratio, PLR)并计算其截断值。勾画胶质瘤感兴趣体积(volume of interest, VOI)并提取影像组学及深度学习特征,利用最小绝对值收敛和选择算子(least absolute shrinkage and selection operator, LASSO)-Cox进行特征筛选,构建基于影像组学特征评分(radiomics-score,Rad-score)、基于深度学习特征评分(deep learning-score, DL-score)以及RD-score模型,并比较三者的受试者工作特征曲线下面积(area under the curve, AUC)以评估其预测效能;基于RD-score对胶质瘤患者进行危险分层,并通过Kaplan-Meier生存分析绘制生存曲线。结合患者的临床因素、血液炎性指标和RD-score,使用多因素Cox回归构建术前预测总生存期(overall survival, OS)的RD-score模型、临床血液学模型和联合模型,计算AUC以评估各模型预测胶质瘤1、3、5年生存率的效能。绘制联合模型列线图,采用C指数(C-index)、校准曲线及决策曲线分析(decision curve analysis, DCA)评估列线图效能。结果 最终筛选出10个组学特征和8个深度学习特征用以构建RD-score。RD-score的预测效能高于Rad-score及DL-score(DeLong检验,P<0.05),根据RD-score可将胶质瘤分为高风险组(RD-score≥1.09)和低风险组(RD-score<1.09)。多因素Cox回归结果显示年龄、肿瘤分级、术后化疗、SIRI和RD-score是胶质瘤预后的独立预测因素,基于以上因素构建的联合模型在训练集和验证集中的AUC高于RD-score模型及临床血液学模型(DeLong检验,P<0.05)。联合模型的可视化列线图预测OS的C-index分别为0.844和0.849;校准曲线提示在观察值和预测值之间有良好的一致性,DCA显示列线图有较高的净收益。结论 基于影像组学和深度学习的RD-score联合临床-血液炎性指标构建的列线图可以在术前有效预测胶质瘤患者的预后。

MRI影像组学和深度学习在前列腺癌中的研究进展

前列腺癌(prostate cancer,Pca)是男性泌尿生殖系统最常见的恶性肿瘤之一,其发病率逐年上升,因此Pca早期诊断、病理分级、风险分层和预后评估对患者诊疗计划的制订至关重要。近年来影像组学和深度学习(deep learning,DL)在Pca的研究中取得了显著进展,为精准医疗的实现提供了重要工具。本文系统综述了这两项技术在Pca图像分割、诊断、格里森分级、包膜外侵犯及转移预测、预后评估以及治疗决策中的应用和潜力,并对现有研究的成果、局限性以及未来的改进措施和发展方向进行总结,以期为Pca患者提供更加精准、个性化的诊疗方案,提高治疗效果和生活质量。

基于MR-T2WI的深度学习与影像组学联合临床特征预测宫颈癌淋巴脉管间隙浸润

目的观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法回顾性分析178例经术后病理证实为宫颈癌的患者病例,其中70例LVSI(+)、108例LVSI(-),按照8∶2划分为训练集[142例,54例LVSI(+)、88例LVSI(-)]和测试集[36例,16例LVSI(+)、20例LVSI(-)]。对临床因素行单因素logistic分析,筛选出LVSI(+)独立预测因素。使用DTL方法和传统影像组学方法提取矢状位T2WI图像中病灶的DTL特征和影像组学特征,构建DTL特征数据集、影像组学特征数据集和DTL特征与影像组学特征融合的数据集,分别以t检验、Pearson分析和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归对训练集各特征数据集进行特征降维,以其最佳者构建影像组学(radiomics,Rad)模型、DTL模型、融合模型(Rad+DTL模型),并筛选最佳影像组学模型;基于上述最佳影像组学模型评分与临床独立因子构建联合模型,并绘制列线图。以校准曲线评估模型校准度,以决策曲线分析评价模型的应用价值。结果淋巴结转移、粒细胞比率均为LVSI(+)的独立预测因子(P<0.05)。Rad+DTL模型为最佳影像组学模型。联合模型在训练集和测试集中的受试者工作特征曲线下面积(area under the curve,AUC)高于Rad+DTL模型(0.984 vs.0.966,P<0.05;0.912 vs.0.759,P=0.05)。联合模型的校准度较高,临床净收益更大。结论基于MR-T2WI的DTL特征、影像组学特征联合临床特征构建的联合模型可有效预测宫颈癌LVSI。

基于深度学习的影像组学在预测结直肠癌基因状态中的应用进展

结直肠癌(CRC)在中国的发病率和死亡率持续上升,多数病人在确诊时已属于中晚期。个性化的治疗策略和预后分析在很大程度上依赖于对CRC患者遗传特征的了解。近年来,影像组学已经成为一种有价值的工具,它通过图形分析和特征提取在肿瘤基因表达和影像表型之间建立了联系。随着机器深度学习的介入,这种非侵入性的技术可在术前预测肿瘤相关的基因型。目前,越来越多的研究致力于研究图像特征和CRC基因型之间的关系,从而为CRC基因型的诊断和预测提供更高的准确性。本综述旨在总结基于CRC的影像技术在预测结直肠癌遗传状态方面的临床应用、进展和目前的局限性。最终目的是加强临床医师对CRC成像技术的理解,提高CRC的诊断、预后和治疗方面的潜力。

MRI影像组学机器学习模型对肝泡型包虫病边缘带微血管侵犯的预测价值

目的探讨MRI影像组学机器学习模型对肝泡型包虫病(HAE)边缘带微血管侵犯的预测价值。方法采用回顾性分析法选取110例经术后病理确诊的HAE患者,收集患者的MR影像资料及病理切片资料,提取病灶MR影像组学特征。将患者按照8∶2比例分为训练集(88例),测试集(22例),建立极限梯度增强树(XGBoost)、随机森林(RF)、Logistic回归(LR)、支持向量机(SVM)和经典决策树(cDT)预测HAE边缘带微血管侵犯的机器学习模型,进行模型验证,并绘制ROC曲线分析不同模型对HAE边缘带微血管侵犯的预测效能。结果病理结果显示110例患者中有25例存在边缘带微血管侵犯,无边缘带微血管侵犯85例。有边缘带微血管侵犯与无边缘带微血管侵犯HAE患者的性别、年龄、病灶部位及病灶大小对比,差异均无统计学意义(P>0.05)。训练集中有20例存在边缘带微血管侵犯,测试集中有5例存在边缘带微血管侵犯。影像组学特征共提取出759个,经方差阈值法、单变量选择法最终筛选出最优影像组学特征6个。训练集中,XGBoost、RF对边缘微血管侵犯诊断的AUC值最高(0.95和0.96);测试集中,XGBoost、RF对边缘微血管侵犯诊断的AUC值(0.88和0.84)也高于其他3组模型。XGBoost模型与RF模型在训练集及测试集中的AUC值比较,差异均无统计学意义(P>0.05)。结论MRI影像组学的XGBoost模型和RF模型对HAE边缘带微血管侵犯的预测均有较高的效能。

影像组学和深度学习在乳腺癌复发转移风险预测中的研究进展

乳腺癌是全球女性第一大恶性肿瘤,如何预测其复发转移的风险是乳腺癌诊治的重要内容。临床工作的需求催促着更准确、更高效的乳腺癌诊断工具及方法。随着人工智能在医学领域的不断发展,影像组学和深度学习在多种肿瘤疾病的诊断中发挥着重要作用。本文根据近年来影像组学和深度学习在乳腺癌复发转移风险预测中的研究进展作一综述。

影像组学与深度学习在结直肠癌肝转移早期预测及疗效评估中的研究进展

基于影像组学的结直肠癌肝转移(colorectal cancer liver metastases,CCLM)早期预测及疗效评估,对于CCLM患者的个体化管理与治疗方式选择具有重要意义。以卷积神经网络为基础的深度学习(deep learning,DL)具有人工智能(artificial intelligence,AI)参与度高、可重复性强、性能可靠等优势,提高了模型的预测效能,应用前景值得期待。随着多模态融合模型、多中心大样本数据库的逐步构建,影像组学和DL将在CCLM管理中发挥更为重要的作用。本综述介绍了影像组学及DL的主要步骤,总结归纳其在CCLM早期状态预测及不同治疗方式疗效评估的应用价值,并展望其在CCLM临床管理中的深入应用潜能。

联合CT影像组学与深度学习特征建立列线图预测食管鳞癌放疗近期疗效

目的:探讨基于CT影像组学特征与深度学习特征建立列线图对食管癌放疗近期疗效的预测价值。方法:回顾性分析137例食管鳞癌患者的临床及影像资料。从CT图像中提取影像组学特征和深度学习特征。通过最小绝对收缩和选择算子方法分别对影像组学特征和深度学习特征进行降维并计算得到影像组学得分(Radscore)和深度学习得分(Deepscore)。采用多因素logistic回归分析建立预测模型,并绘制列线图。对列线图的校准度、诊断效能和临床价值进行评价。结果:筛选得到6个影像组学特征参与计算Radscore,6个深度学习特征参与计算Deepscore。多因素logistic回归结果显示Radscore、Deepscore、TNM分期为联合模型的独立预测因子。联合预测模型在训练集中预测食管鳞癌患者放疗近期疗效的曲线下面积(AUC)为0.904,高于临床模型(AUC=0.662)和影像组学模型(AUC=0.814),且AUC差异均有统计学意义(P<0.001、P=0.004)。验证集中联合模型的AUC为0.938,高于临床模型(AUC=0.644)和影像组学模型(AUC=0.852),联合模型与临床模型间AUC差异有统计学意义(P<0.001),与影像组学模型间AUC差异无统计学意义(P=0.091)。决策曲线分析发现联合预测列线图在0.1~0.9和0.97~0.99的阈值范围内表现出较好的临床实用性。结论:CT影像组学特征联合深度学习特征能较好地预测食管癌放疗近期疗效。

《中国肿瘤临床》文章推荐:影像组学与深度学习在结直肠癌肝转移早期预测及疗效评估中的研究进展

基于影像组学的结直肠癌肝转移(CCLM)早期预测及疗效评估,对于CCLM患者的个体化管理与治疗方式选择具有重要意义。以卷积神经网络为基础的深度学习(DL)具有人工智能(AI)参与度高、可重复性强、性能可靠等优势,提高了模型的预测效能,应用前景值得期待。随着多模态融合模型、多中心大样本数据库的逐步构建,影像组学和DL将在CCLM管理中发挥更为重要的作用。

MRI影像组学和深度学习在植入性胎盘谱系疾病中的研究进展

植入性胎盘谱系疾病(PAS)的产前诊断和预测对于改善孕妇临床结局尤为重要。MRI在PAS的诊断中具有重要价值,但在评估分型和预测预后等方面价值有限。影像组学和深度学习可以从医学影像中提取高通量特征用于定量分析病变异质性,已逐步应用于PAS的诊断、分型、评估预后风险等方面。就影像组学和深度学习在PAS中的研究进展予以综述。

临床和MRI影像组学及深度学习联合模型预测初发前列腺癌骨转移

目的基于临床、MRI影像组学及深度学习(DL)构建联合模型,评估其预测初发前列腺癌(PCa)骨转移(BM)的价值。方法回顾性分析286例经病理证实的初发PCa,根据患者来源将其分为训练集(53例BM、121例无BM)和测试集(29例BM、83例无BM)。采用单因素分析及多因素logistic回归分析筛选初发PCa BM的临床独立风险因素,构建临床模型;基于MR T2WI和弥散加权成像(DWI)提取并筛选最佳影像组学特征,构建影像组学标签评分(Rad-score),以最佳DL特征建立DL标签评分(DL-score),进而构建影像组学-DL模型;最后基于临床独立风险因素、Rad-score及DL-score构建联合模型。绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评估各模型预测初发PCa BM的效能,以决策曲线分析(DCA)对比其临床获益。结果血清前列腺特异抗原(PSA)(OR=1.003,P<0.01)及国际泌尿病理学会(ISUP)评分(OR=3.023,P=0.01)为初发PCa BM的临床独立风险因素;以之构建的临床模型预测训练集及测试集初发PCa BM的AUC分别为0.79及0.81。以影像组学-DL模型及联合模型预测训练集和测试集初发PCa BM的AUC分别为0.90、0.93及0.92、0.95,联合模型在训练集(Z=3.12、P<0.01,Z=1.76、P=0.04)和测试集的AUC(Z=2.89、P<0.01,Z=2.23、P=0.03)均高于临床模型及影像组学-DL模型。DCA显示,阈值取0.10~0.78时,联合模型的临床获益高于临床模型及影像组学-DL模型。结论临床和MRI影像组学及DL联合模型可有效预测初发PCa BM。

颈动脉全斑块自动分割的影像组学模型对缺血性脑卒中的预测价值

目的:探讨基于头颈CT血管造影(CTA)颈动脉全斑块自动分割的影像组学模型对缺血性脑卒中发生风险的预测价值。方法:回顾性分析188例颈动脉粥样硬化病人的临床及影像资料。根据近期前循环供血区域是否出现缺血性脑卒中表现,将病人相应颈动脉分为症状组(118例)和无症状组(130例),若无症状病人双侧颈动脉均有动脉粥样硬化,则双侧均纳入无症状组,将2021年7月之前的病人作为训练集(199例),之后的病人作为测试集(49例)。采用单因素和多因素分析对临床参数进行比较。应用深度学习模型实现CTA颈动脉全斑块自动分割,基于分割结果,从中提取并筛选最优的影像组学特征。采用多层感知计算法构建预测模型,通过受试者工作特征(ROC)曲线、校准曲线及临床决策曲线评估模型性能。结果:全斑块自动分割的Dice值为0.80,与人工勾画一致性良好。训练集中临床模型、影像组学模型及临床-影像组学联合模型曲线下面积(AUC)分别为0.708,0.908和0.919,测试集中AUC分别为0.593,0.748和0.802。Delong检验显示,联合模型与临床模型的预测效能差异有统计学意义(P均<0.001),与影像组学模型差异不显著(P=0.360,P=0.186)。联合模型校准良好,且具有最高的临床净获益。结论:基于CTA颈动脉全斑块自动分割的影像组学模型联合临床参数有助于缺血性脑卒中发生风险的预测。

基于深度学习的胰腺黏液性和浆液性囊性肿瘤的多源特征分类模型

术前精准预测胰腺囊性肿瘤的类型,对制定个体化诊疗方案具有重要的临床价值.针对胰腺浆液性和黏液性囊性肿瘤的分类鉴别问题,本文探讨了基于深度学习的多源特征分类模型在胰腺囊性肿瘤的术前辅助诊断中的应用.首先,通过深度学习和影像组学技术从分割图像中提取深度学习特征和影像组学特征,并对病例的临床特征进行评估和量化,然后采用最小绝对收缩选择算子(LASSO)及交叉验证的方法筛选特征,随之构建出两个多源特征模型,即影像组学联合深度学习(RAD_DL)模型、临床特征联合RAD_DL(Clinical_RAD_DL)模型,把传统的影像组学(RAD)模型和深度学习(DL)模型作为对照,最后选用支持向量机(SVM)、自适应提升算法(ADAboost)、随机森林(Random Forest)以及逻辑回归(Logistic)进行分类.采用准确率、召回率、精确率、曲线下面积(AUC)值以及精确率和召回率的调和平均数(F1值)作为评价指标,比较上述4种不同特征模型的分类效能,用校准曲线和决策曲线来评估其临床应用价值.结果显示Clinical_RAD_DL特征模型的分类效能表现最佳,准确率是0.9231,召回率是0.8824,精确率是0.8820,F1是0.8822,AUC是0.9126,校准曲线和决策曲线显示出Clinical_RAD_DL特征模型的临床应用价值是最高的.实验表明基于深度学习的多源特征分类模型,对胰腺黏液性和浆液性囊性肿瘤具有较好的分类效果,可以为临床上精准诊疗提供帮助.

基于增强CT影像组学与机器学习算法预测肿块型肝内胆管癌微血管侵犯

目的 研究肿块型肝内胆管癌发生微血管侵犯的影像组学及临床特征,并建立基于机器学习算法的预测模型。方法 回顾性收集2015年1月至2023年2月期间就诊于温州医科大学附属第一医院(75例)和温州医科大学附属第二医院(29例)的肝内胆管癌(ICC)患者资料,提取增强CT的影像组学特征,使用多种机器学习方法进行分析并比较,结合最佳影像组学机器学习方法与临床资料,建立预测模型并进行检验。结果 多种影像组学机器学习方法中,门脉期影像组学特征的朴素贝叶斯分类表现相对较好,曲线下面积(AUC)为0.818,结合筛选出的2个临床特征(瘤内动脉穿行,CEA>5 ng/mL)建立预测模型,训练组和测试组的AUC分别为0.883和0.891,训练组的敏感度为0.978,特异度为0.656,测试组的敏感度为0.909,特异度为0.700。结论 基于增强CT影像组学机器学习结合临床资料的模型可用于预测肝内胆管癌的微血管侵犯状态,具有较好的诊断价值。