基于MRI的影像组学对中央腺体前列腺癌和前列腺增生结节鉴别诊断价值分析

目的:探究基于MRI的影像组学对中央腺体前列腺癌和前列腺增生结节鉴别诊断价值分析。方法:选取清远市清城区人民医院2019年12月—2022年8月纳入的62例中央腺体前列腺癌和前列腺增生结节患者,中央腺体前列腺癌患者有16例,前列腺增生结节患者有46例,且所有患者均经临床病理检查证实。对所有患者的原始图像进行系统显示分析,并由科室经验丰富的3名阅片医生对上述图像进行阅览,并结合临床病理检查相关结果将患者的病灶最大层面的图像以及具体范围确认下来。随后由其中1名医生将图像描绘出来,另外2名医生对构绘的图像进一步确认协商。并将数据分为验证组和训练组,其中T2WI中验证组有22例,训练组有40例;DWI中验证组有22例,训练组有40例。结果:此次研究在T2WI、DWI两个序列上共计筛查出最佳特征8个。T2WI序列的预测模型在训练组中的AUC、灵敏度、特异度、准确率、阳性预测值、阴性预测值分别为0.86、90.00%、81.00%、87.00%、87.00%、87.00%;验证组的上述指标分别为0.87、68.00%、100.00%、81.00%、100.00%、68.00%。DWI序列的预测模型在训练组中的AUC、灵敏度、特异度、准确率、阳性预测值、阴性预测值分别为0.98、96.00%、100.00%、96.00%、100.00%、94.00%;验证组的上述指标分别为0.98、90.00%、100.00%、94.00%、100.00%、87.00%。结论:基于MRI的影像组学对中央腺体前列腺癌和前列腺增生结节的预测具有一定的价值,可有效提高临床中央腺体前列腺癌和前列腺增生结节的诊断率,为医生的后续治疗提供可靠的理论依据。

基于MRI的影像组学模型鉴别良恶性椎体压缩性骨折

目的:探讨基于T1WI的影像组学对椎体压缩性骨折良恶性的鉴别诊断价值.方法:搜集良、恶性椎体压缩性骨折患者146例,所有病例均行磁共振扫描.应用Mazda纹理分析软件提取患者T1WI图像的影像组学特征,利用Fisher系数、交互信息(MI)、分类误差概率和平均相关系数(POE+ACC)降维,按7:3的比例随机分成训练组(n=103)和验证组(n=43),采用最小绝对收缩和选择算子(LASSO)算法进一步筛选影像组学特征,并应用logistic回归分析方法建立影像组学模型,分析影像组学模型鉴别良恶性椎体压缩性骨折的诊断效能.结果:基于T1WI图像纹理分析的影像组学模型的组成特征为Perc.01%、Perc.99%、Vertl_GLevNonU、S(0,5)DifEntrp、S(1,0)DifEntrp.训练组、验证组影像组学模型鉴别椎体压缩性骨折良恶性的曲线下面积分别为0.937(0.901~0.973)、0.924(0.861~0.987),特异度分别为83.6%(0.727~0.909)、80.8%(0.600~0.927),灵敏度分别为 90.1%(0.810~0.953)、90.0%(0.754~0.967).结论:基于MRI-T1WI图像的影像组学模型具有良好的诊断效能,可有效地鉴别良恶性椎体压缩性骨折.

基于MRI的影像组学标签作为低级别胶质瘤患者预后的预测因子

目的研究术前MRI影像组学对于低级别胶质瘤患者总生存期的预测,基于影像组学标签进行风险分层,指导临床个性化治疗选择。方法选取2011-01-2016-12郑州大学第一附属医院初次诊断为低级别胶质瘤的218例患者为研究对象。按照2∶1的比例将其分为训练数据集(149例)和测试数据集(69例)。通过影像组学特征筛选,选取最优的影像组学特征构建影像组学标签,并对低级别胶质瘤患者进行预后预测。并在测试数据集中评估影像组学标签的预后价值。结果影像组学标签和患者总生存期存在显著相关性(P<0.0001),在测试数据集中进行了验证(P<0.0001)。使用影像组学标签和临床病理因素建立的影像组学-临床诺莫图相较于临床病理诺莫图有着更好的预测准确性(C-index:0.7930 vs C-index:0.7319)。结论影像组学标签可对低级别胶质瘤患者进行无创性风险分层,并可作为一种潜在的影像生物标志物。

基于MRI的影像组学特征在鉴别乳腺浸润性导管癌病理分级中的价值

目的影像组学在鉴别乳腺癌组织学分级方面有一定价值。文中旨在探讨基于乳腺浸润性导管癌(IDC)MRI的影像组学特征与IDC的组织学分级的关系,进而为术前预测乳腺癌患者的组织学分级提供更有价值的参考信息。方法回顾性分析2015年6月至2016年6月广东省人民医院乳腺外科71例乳腺癌患者临床资料。记录病灶MRI传统定量指标:表观弥散系数(ADC)和初始强化率(IER);对ADC图和动态增强磁共振成像(DCE-MRI)图上的肿瘤病灶进行手动分割并提取影像组学特征,分析比较影像组学标签在低级别(Ⅰ级+Ⅱ级)和高级别者(Ⅲ级)间的差异。采用logistic回归分析建模,比较ADC值、IER值及ADC图和DCE图影像组学标签模型在鉴别低级别和高级别IDC时的效果。结果高级别IDC患者其乳腺癌灶的ADC、B_sum_variance、L_SRE和R_RP值低于低级别,而B_uniform、B_GLN、L_energy、R_homogeneity2和R_IDN值则高于低级别(P<0.05)。IER值在鉴别高级别和低级别IDC间差异无统计学意义(P>0.05)。ADC图影像组学标签模型鉴别高级别和低级别IDC的AUC[0.858(0.774~0.942)]明显大于ADC值模型[0.709(0.588~0.830)]、DCE图影像组学标签模型[0.691(0.565~0.818)]。ADC图影像组学标签模型的准确度、特异度、阳性预测值和阴性预测值均明显优于ADC值模型和DCE图影像组学标签模型。结论 ADC值和乳腺MRI的影像组学标签对鉴别高级别和低级别IDC有一定价值,尤其是ADC图影像组学标签模型可为临床提供更多的信息。

基于MRI的影像组学在软组织肿瘤中的研究进展

软组织肿瘤组织学成分种类多样,生物学行为差异巨大。MRI具有多平面成像和较好的软组织分辨率,成为软组织肿瘤首选的影像学检查方法。然而,常规MRI仅局限于解剖学的辨认和病变信号特征的识别,诊断效能存在局限性。影像组学可基于医学图像提取并分析大量非可视化信息,通过对感兴趣区分割、高通量信息提取及模型建立,实现对医学图像所包含信息的更深层次分析和应用。本文针对影像组学在软组织肿瘤中的研究进展进行阐述。

基于MRI的影像组学特征联合临床危险因素术前预测直肠癌淋巴结转移

目的探讨基于轴位脂肪抑制T2加权成像(FS-T2WI)及T1加权增强(T1CE)序列联合临床特征创建的临床-影像组学模型术前预测直肠癌淋巴结转移的应用价值。资料与方法回顾性分析2016年12月—2020年12月河南省人民医院收治的行MRI且术后病理证实为直肠癌的350例患者的临床资料,比较淋巴结转移组(n=131)及无转移组(n=219)的一般特征(年龄、性别、癌胚抗原、糖类抗原199、最大直径、有无转移)并筛选出差异有统计学意义的临床危险因素;手动勾画肿瘤全层感兴趣区,利用开源软件PyRadiomics提取影像组学特征,并经过特征降维构建影像组学分数(Rad-score),联合临床危险因素,构建临床-影像组学预测模型(共6个,分别为FS-T2WI、T1CE、FS-T2WI+T1CE、FS-T2WI联合临床因素、T1CE联合临床因素及FS-T2WI+T1CE联合临床因素)。以7∶3将患者随机分为训练集(245例)和测试集(105例),根据受试者工作特征曲线评估不同模型的预测效能。结果癌胚抗原值及有无远处转移是发生淋巴结转移的危险因素(t=2.570、χ2=11.234,均P<0.001)。FS-T2WI、T1CE及FS-T2WI+T1CE联合临床特征模型的曲线下面积(AUC)分别显著大于单纯FS-T2WI、T1CE及两者联合序列模型的AUC(0.854比0.718,Z=2.951;0.925比0.888,Z=5.556;0.942比0.907,Z=2.779;P均<0.005),FS-T2WI+T1CE与临床联合模型的AUC大于FS-T2WI与临床联合模型的AUC(0.942比0.854,Z=4.061,P<0.001),T1CE与临床联合模型的AUC大于FS-T2WI与临床联合模型的AUC(0.925比0.854,Z=3.733,P=0.0002)。结论本研究构建的临床-影像组学模型对术前个体化预测直肠癌患者淋巴结转移具有较高的价值。

基于MRI的影像组学在阿尔茨海默病中的研究进展

阿尔茨海默病(AD)是最常见的神经退行性疾病,以记忆功能下降、认知功能减退为主要临床表现。AD起病隐匿,进行性发展,确诊时多已发生不可逆的神经元坏死导致治疗效果欠佳。因此,早期诊断对延缓疾病进展及改善预后至关重要。影像组学研究可以在AD出现结构损害之前对其进行早期诊断,已广泛应用于多种疾病的诊断、分级与预后评价,本文对其在AD早期诊断、预测评估及临床分级方面的研究进展进行综述。

基于MRI的影像组学在儿童疾病中的应用进展

影像组学作为一种新兴的医学成像领域,通过从医学图像中获取高通量的图像特征进行一系列定性和定量分析,从而提供有关疾病的诊断和预后等信息。影像组学已成为精准医疗的重要组成部分,是目前的研究热点。但目前基于MRI的影像组学在儿童疾病中的应用较少。本文对基于MRI的影像组学在儿童疾病中的应用进展进行综述。

基于MRI的影像组学在儿童脑肿瘤疾病中的应用

随着传统医疗模式向精准医学模式的过渡,影像组学应运而生,它通过统计学、机器学习或者深度学习的方法从医学影像资料中挖掘海量的深层信息,寻找影像学标志物并用于疾病的精准诊断、疗效评价和预后评估等,在辅助临床决策等方面发挥越来越多的作用。目前基于MRI的影像组学在儿童中已经应用于脑肿瘤方面,但尚存在样本量小、研究序列单一、数据需要标准化等问题。本文就基于MRI数据的影像组学在儿童脑肿瘤中的研究现状进行综述。

基于多参数MRI影像组学评估前列腺癌侵袭性

目的 探讨多参数MRI上不同感兴趣区的影像组学模型和结合影像组学、PI-RADS 2.1评分、临床变量的综合模型在评估前列腺癌侵袭性方面的价值。方法 收集本院2018年5月至2022年9月2个医疗中心经病理确诊为前列腺癌患者245例:渝中院区176例,其中低侵袭性组[Gleason评分≤7(3+4)]77例,高侵袭性组[Gleason评分≥7(4+3)]99例;江南院区69例(低侵袭性组33例,高侵袭性组36例)。所有患者行多参数MRI检查后,在多参数MRI图像上分割2种ROI:肿瘤病变区域(tumor region, TR)和前列腺区域(prostate gland, PG)。评估与前列腺癌侵袭性相关的临床变量,并记录每位患者的PI-RADS 2.1评分。使用逻辑回归算法作为机器学习算法,建立多个前列腺癌侵袭性分层模型:影像组学模型(ModelTR、ModelPG、ModelPG+TR)、影像组学-临床联合模型、影像组学-PIRADS联合模型、临床-PIRADS联合模型和影像组学-临床-PIRADS综合模型。分别采用受试者工作特性(ROC)曲线、曲线下面积(AUC)和决策曲线分析(DCA)比较各模型的诊断价值和临床收益。结合影像组学评分、独立临床变量和PI-RADS2.1评分构建影像组学列线图。通过校准度、区分度和临床应用评价列线图性能。结果 在3种影像组学模型中,ModelPG+TR的AUC值为0.919,高于ModelTR(AUC=0.874)和ModelPG(AUC=0.887)。在联合模型中,影像组学-PIRADS-临床综合模型的AUC为0.954,优于影像组学模型(AUC=0.919)、影像组学-临床联合模型(AUC=0.919)、影像组学-PIRADS联合模型(AUC=0.921)和临床-PIRADS联合模型(AUC=0.769)。列线图在评估前列腺癌侵袭性方面显示出良好的风险分层性能(AUC=0.919)和校准效能。决策曲线分析显示,影像组学模型ModelPG+TR和影像组学-临床-PIRADS综合模型获得了较高的临床净收益。结论 结合前列腺和肿瘤区域特征的影像组学模型可准确评估前列腺癌的侵袭性;结合影像组学、PI-RADS 2.1评分和临床变量的综合模型能进一步提高对前列腺癌侵袭性的评估性能。

基于MRI影像组学对评估术前直肠癌周边纤维脂肪组织浸润的应用价值

目的 评估基于MRI影像组学模型对术前直肠癌周边纤维脂肪组织浸润的应用价值。方法 回顾性分析2019年12月~2022年3月于铜陵市人民医院术后经病理证实直肠癌75例患者术前MRI图像资料,根据病理结果分为纤维脂肪组织浸润组(n=33)及纤维脂肪组织未浸润组(n=42)。基于T2WI及动脉期对比增强T1WI(CE-T1WI)提取影像组学特征,将数据按照7:3的比例分为训练组(n=54)与验证组(n=21),采用最大相关最小冗余和最小绝对收缩和选择算子回归的方法对训练集数据进行特征降维,并将特征降维后作为特征向量,筛选出最佳的影像组学特征,构建出T2WI模型、CE-T1WI模型及T2WI+CE-T1WI模型3种影像组学模型,根据ROC曲线确定其中最优模型;根据肿瘤上下径、肿瘤最厚径、CE-T1WI相对信号强度比值(RCE-T1WI)、T2WI相对信号强度比值(RT2)、DWI相对信号强度比值(RDWI)及ADC值多因素Logistic回归分析构建出联合模型;评估最优模型与联合模型二者效能及临床效益。结果 基于T2WI和CE-T1W1各提取851个影像组学特征,最终分别获得10个和14个最佳特征,用于构建T2WI+CE-T1WI模型。基于T2WI模型、CE-T1W1模型及T2WI+CE-T1WI模型在训练组中对判定直肠癌周边纤维脂肪组织浸润的AUC分别为0.87(95%CI:0.75~0.95)、0.82(95%CI:0.70~0.91)和0.84(95%CI:0.71~0.92),在验证组中分别为0.76(95%CI:0.53~0.92)、0.73(95%CI:0.50~0.90)和0.76(95%CI:0.52~0.92)。采用联合模型在训练组中对直肠癌纤维脂肪组织浸润的AUC为0.91(95%CI:0.80~0.97),在验证组中AUC为0.80(95%CII:0.57~0.94)。决策曲线分析提示,阈值取0~1时,联合模型的净收益高于T2WI模型。结论 基于MRI影像组学的联合模型对评估术前直肠癌周边纤维脂肪组织浸润的效能较高。

MRI影像组学模型预测乳腺癌组织中HER-2低表达状态的价值

目的:探讨使用基于动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)影像组学模型早期预测乳腺癌患者人表皮生长因子受体2(human epithelial growth factor receptor 2,HER-2)低表达的可能性及其价值。方法:收集294例经穿刺或手术病理证实的乳腺浸润性导管癌女性乳腺癌患者的临床及病理资料,对MRI图像原始数据进行瘤内感兴趣区(regions of interest,ROI)勾画及特征提取,经Mann-Whitney U筛选出相关性的特征,LASSO回归进行特征选择,使用10折交叉验证建模,受试者工作特征曲线(receiver operator curve,ROC)分析模型对模型的性能进行评价。结果:经10折交叉验证Linear SVC建模后,所得验证集的平均准确性为79.6%,敏感性为73.7%,特异性为85.6%,ROC分析平均AUC为0.87;经过1000次置换检验后的置换数据集的诊断效能与原数据集相比较,平均准确性、敏感性和特异性的P值均小于0.05,差异有统计学意义,经交叉验证后建立的模型可以对乳腺癌患者HER-2阳性和HER-2低表达进行分类,并且其模型的分类效能高于机会水平。结论:DCE-MRI影像组学模型可以帮助预测乳腺癌组织中HER-2受体低表达状态,具有较好的预测效能,这将为临床进行无创HER-2状态的诊断提供新的思路。

多模态MRI影像组学及深度学习在胶质瘤诊疗中的研究进展

弥漫性胶质瘤是最常见的颅脑原发恶性肿瘤,术前精准分级、分子分型预测等对于制订适当的治疗策略和预测生存率具有至关重要的作用。影像组学使用高级特征分析从医学图像中提取数据并构建预测模型,捕捉病变微小的变化,从而提高临床诊断、评估预后和预测治疗反应的准确性。深度学习(deep learning, DL)可以从大量原始数据中自动学习和提取多层特征,而不是手工提取的浅层特征,由于DL已被充分证明能够准确地找到非常深入和抽象的特征,这使其成为医学图像分析领域中广泛研究的课题。随着计算能力的进步,基于DL的人工智能已经彻底改变了各个领域。本研究基于多模态MRI影像组学与DL在胶质瘤术前分级、分子分型、生存预测及治疗评价中的最新研究进行综述,以期为胶质瘤患者提供精准诊疗。

基于MRI影像组学鉴别胶质瘤及单发脑转移瘤的应用研究

目的分析基于多模态磁共振成像(Magnetic Resonance Imaging,MRI)影像组学鉴别胶质瘤及单发脑转移瘤的研究进展,得出提升鉴别准确性的要素。方法通过检索PubMed、Web of Science及FMRS外文医学信息资源检索平台3个数据库,根据纳入排除标准,对纳入的文章提取数据来源、患者数量、MRI设备、MRI序列、肿瘤分割软件、分割方式、分割范围、分割类型、特征提取方法、筛选方法、机器学习分类器、最优的机器学习分类器等数据进行综合分析。结果最终纳入12篇文献进行分析,大多数研究选择MRI传统结构序列,特征筛选方法选择最多的是最小绝对收缩和选择算子,使用最多且表现最佳的机器学习分类器为随机森林。结论MRI影像组学方法在鉴别胶质瘤及单发脑转移瘤方面展现出了较高的准确性,为临床决策提高了较大帮助。

肺癌脑转移瘤的MRI影像特征与病理组织学的相关性分析

目的探讨肺癌脑转移瘤患者的MRI影像学特征以及与病理组织学的相关性。方法选取肺癌脑转移瘤患者34例为研究对象,对患者MRI检查和病理组织学结果进行整理。结果本组34例患者中,23例腺癌,2例鳞癌,9例小细胞肺癌;腺癌多发数目高于鳞癌、小细胞肺癌(P<0.05);腺癌肿瘤大小高于鳞癌、小细胞肺癌(P<0.05);鳞癌脑转移瘤水肿程度最高,其次为小细胞肺癌,三组对比有差异(P<0.05);小细胞肺癌强化不规则状特点最突出,其次为腺癌,三组对比有差异(P<0.05)。结论肺癌脑转移瘤MRI影像学特征与病理组织学之间有密切关联性,故可将MRI可作为识别诊断肺癌脑转移瘤的重要手段。

基于MRI影像组学构建PD-1/PD-L1抑制剂治疗dMMR/MSI-H直肠癌疗效的预测模型

目的:探讨MRI影像组学模型在程序性细胞死亡蛋白-1(PD-1)/程序性细胞死亡-配体1(PD-L1)抑制剂联合全程新辅助治疗(TNT)局部进展期直肠癌(LARC)的疗效预测价值。方法:收集河南中医药大学第一附属医院PD-1/PD-L1抑制剂联合TNT治疗的80例错配修复基因缺陷(dMMR)/微卫星高度不稳定(MSI-H)基因型中低位LARC患者的临床和影像资料。将入组患者按7∶3比例分为训练集和测试集,提取影像组学特征,从中筛选并构建影像组学模型。描绘影像组学模型的Rad-score与病理金标准之间的受试者工作特征(ROC)曲线,计算曲线下面积(AUC),并评价模型的诊断效能。采用决策曲线分析(DCA)计算风险阈值的范围,并评估临床获益情况。收集湖南省人民医院25例dMMR/MSI-H基因型LARC患者的影像资料作为外部验证集。结果:训练集、测试集及外部验证集三者之间的临床特征无统计学差异(P>0.05)。经过降维处理、t检验及一致性检验以及LASSO交叉验证后,筛选出一阶偏度特征和体积2个特征构建影像组学模型。训练集、测试集和外部验证集的影像组学预测模型ROC曲线的AUC、灵敏度、特异度、阳性预测值和阴性预测值分别为0.920、97.1%、85.7%、91.9%、94.7%;0.885、80.0%、88.9%、92.3%、72.7%;0.875、87.5%、88.9%、93.3%、80.0%。DCA曲线显示,当风险阈值范围为0%~82%时,采用影像组学模型预测LARC患者为病理完全缓解(pCR)的获益大于将所有患者都视为pCR或者无病理完全缓解(npCR)。结论:基于MRI影像组学构建的dMMR/MSI-H型局部进展期直肠癌PD-1/PD-L1抑制剂联合全程新辅助放化疗疗效预测模型,有较大潜力为不同基因分型的直肠癌患者制定个体化治疗策略提供量化依据。

多参数MRI影像组学评估浸润性乳腺癌HER⁃2表达状态的临床应用价值

目的:探讨基于多参数磁共振成像(magnetic resonance imaging,MRI)影像组学特征的模型预测浸润性乳腺癌人类表皮生长因子受体⁃2(human epidermal growth factor receptor⁃2,HER⁃2)表达状态的价值。方法:回顾性分析南京医科大学第一附属医院2018年1月—2019年12月401例乳腺癌患者的基线期MRI图像及临床资料。使用ITK⁃SNAP软件在快速反转恢复序列(turbo inversion recovery magnitude,TIRM)、动态对比增强磁共振成像第2期(dynamic⁃contrast enhanced magnetic resonance imaging phase 2,DCE2)、动态对比增强磁共振成像第4期(dynamic⁃contrast enhanced magnetic resonance imaging phase 4,DCE4)、弥散加权成像(diffusion⁃weighted imaging,DWI)和表观弥散系数(apparent diffusion coefficient,ADC)的最大肿瘤层面手动勾画二维感兴趣区域(region of interest,ROI),并对所勾画的ROI区域进行特征提取及降维筛选。应用逻辑回归(logistic re⁃gression,LR)算法建立预测HER⁃2表达状态的单参数模型、组合模型和多参数模型。结果:最终筛选出26个最优特征,其中按权重排序位居首位的特征为DCE2_original_shape_SurfaceVolumeRatio。单参数模型中预测效能最好的是DCE2模型,训练集及测试集的曲线下面积(area under curve,AUC)分别为0.907、0.879;组合模型中联合增强特征的模型比其他未联合增强特征的模型预测效能更好(P均≤0.001);多参数模型预测效能最佳(训练集及测试集的AUC值分别为0.932、0.906)。结论:基于多参数影像特征构建的影像组学模型评估浸润性乳腺癌HER⁃2表达状态有一定的临床价值,其中增强早期特征的预测价值较高。

MRI影像组学预测局部进展期直肠癌新辅助放化疗疗效的研究进展

局部进展期直肠癌(locally advanced rectal cancer, LARC)患者术前行新辅助放化疗(neoadjuvant chemoradiotherapy,nCRT)已成为常规疗法,对于nCRT疗效的评估既往研究多集中于MRI图像肉眼观察、直肠镜及术后病理等,这些方法都存在各自的局限性,对nCRT疗效的评估不足以指导临床对LARC患者个性化治疗。近些年随着影像组学的深入研究,发现影像组学在nCRT疗效的预测方面展现出良好的前景。因此,本文就影像组学预测LARC患者nCRT疗效及存在的不足等方面进行综述,旨在寻找更准确预测nCRT疗效的新方法,为临床制订后续治疗方案提供依据。

基于MRI影像组学在诊断前交叉韧带损伤分级中的应用

目的 分析MRI影像组学对前交叉韧带损伤分级的诊断价值。方法 回顾性选择2017~2022年滨州医学院附属医院放射科质子加权成像提示前交叉韧带异常信号患者212例,以关节镜检查结果为金标准,将患者分为重度损伤组(n=141)和轻度损伤组(n=71)。提取前交叉韧带图像的组学特征包括形状特征、一阶特征、纹理特征和小波特征。通过SMOTE法进行过采样,解决数据不均衡问题。通过组内及组间相关系数进行一致性检验。在两组中通过7:3的比例随机分割为训练集和测试集。并用LASSO算法筛选出最佳影像组学特征,采用Logistic回归建立组学模型。基于影像组学特征建立影像组学模型,基于两组的临床参数建立临床模型,以及联合两者建立Nomogram模型。分别在训练集及测试集绘制ROC曲线,计算敏感度、特异性、准确度评估模型的诊断效能,通过绘制校准曲线来评估模型预测值和实际观测值之间的差异,通过绘制临床决策曲线分析评价其临床有效性。结果 通过特征提取在质子加权成像横断位、冠状位、矢状位共获得2553个特征,通过特征筛选及降维最终保留12个特征参数。影像组学模型训练集的曲线下面积(AUC)为0.9105,测试组为0.8561。性别、关节不稳、关节交锁以及组学积分是诊断前交叉韧带重度损伤的最佳特征集。临床模型训练集的AUC值为0.6989,测试组为0.6415。Nomogram模型训练集的AUC值为0.9449,测试组为0.8661。Nomogram模型与临床模型差异有统计学意义(P<0.05),Nomogram的AUC高于组学模型,但在测试集差异无统计学意义(P>0.05)。结论 基于MRI的影像组学方法可为诊断前交叉韧带损伤分级提供一种新型的检测手段,使前交叉韧带损伤的临床诊断准确率得到很大提升,Nomogram模型比临床模型以及组学模型的诊断效能更好。

MRI影像组学在脑胶质瘤中的研究进展

脑胶质瘤是中枢神经系统最常见的原发性恶性肿瘤,实现脑胶质瘤的鉴别诊断、术前预测脑胶质瘤的病理分级、基因分型、肿瘤微环境和胶质瘤的预后评估对于实施个体化治疗具有重要临床意义。近年来,影像组学以其无创、精准的特点在脑胶质瘤的诊疗中取得了较大进展。本文就MRI影像组学在脑胶质瘤中的研究进展予以综述,以拓展MRI影像组学在脑胶质瘤精准诊疗中的新思路,从而为脑胶质瘤的诊断和个体化管理提供临床指导意义。