影像组学联合CT特征鉴别儿童支原体与非支原体肺炎

目的观察影像组学联合CT特征鉴别儿童支原体肺炎(MP)与非MP的价值。方法回顾性收集153例肺炎患儿,根据支原体RNA检测结果分为MP组(n=101)与非MP组(n=52);按7∶3比例分为训练集(n=107,含71例MP、36例非MP)和验证集(n=46,含30例MP、16例非MP)。比较2组CT表现,以F test算法基于训练集数据筛选6个最佳CT征象,以逻辑回归(LR)方法构建CT模型。基于训练集提取及筛选最佳影像组学特征,分别以LR、支持向量机(SVM)、随机森林(RF)、线性判别分析(LDA)及随机梯度下降法(SGD)分类器构建机器学习(ML)模型;基于最佳CT征象及影像组学特征构建CT-ML模型。绘制受试者工作特征曲线,计算曲线下面积(AUC)评估各模型鉴别MP与非MP的效能。结果病变累及右肺上、中、下叶,支气管壁增厚、树芽征及边缘回缩征为最佳CT征象,以之构建的CTLR在验证集的AUC为0.710。验证集中,ML_(LR)、ML_(SVM)、ML_(RF)、ML_(LDA)及ML_(SGD)的AUC分别为0.715、0.663、0.623、0.706及0.494,ML_(LR)为效能最优影像组学模型。CT-ML_(LR)、CT-ML_(SVM)、CT-ML_(RF)、CT-ML_(LDA)及CT-ML_(SGD)在验证集的AUC分别为0.813、0.823、0.649、0.796及0.665,CT-ML_(SVM)为效能最优CT-ML模型。训练集中,CT-ML_(SVM)的AUC(0.840)高于CTLR及ML_(LR)(AUC=0.713、0.740,P均<0.05);验证集中CTLR、ML_(LR)及CT-ML_(SVM)的AUC差异均无统计学意义(AUC=0.710、0.715及0.823,P均>0.05)。结论影像组学联合CT特征能有效鉴别儿童MP与非MP。

基于不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki⁃67表达的价值

目的:基于动态增强磁共振成像(DCE⁃MRI)探究不同机器学习算法的影像组学模型预测浸润性乳腺癌Ki⁃67表达状态的价值。方法:回顾性分析于本院行双乳磁共振检查患者,按照纳入排除标准最终纳入患者156例,按照7∶3比例分为训练集和测试集。通过单因素分析、最小绝对收缩和选择算子法和递归特征消除进行特征筛选,筛选出不同数量特征分别通过5种机器学习算法建立影像组学模型来预测浸润性乳腺癌Ki⁃67表达状态。比较不同模型的受试者工作特征曲线下面积(AUC)并计算准确率和F1度量值评估其性能,校准曲线评估模型拟合度,并应用DeLong检验比较不同模型间的差异性。结果:同一分类器在不同的特征数下预测性能不同。在基于DCE⁃MRI提取的3个特征下,5种模型的预测性能相对较好,其中支持向量机的整体性能最优,AUC、准确率和F1度量值在训练集分别为0.95、0.95、0.90,在测试集分别为0.88、0.79、0.74。DeLong检验显示,在基于3个特征的5个模型中,支持向量机与逻辑回归的性能差异有统计学意义(P<0.001),与其余3个模型无统计学差异。结论:基于DCE⁃MRI所构建的影像组学模型可以预测浸润性乳腺癌Ki⁃67表达状态,该方法有望为临床医生对浸润性乳腺癌的术前干预和预后提供指导。

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。

基于CT平扫影像组学特征在预测胸腺上皮性肿瘤WHO简化病理分型中的价值

目的探讨基于CT平扫的影像组学特征在预测胸腺上皮性肿瘤WHO简化病理分型中的应用价值。方法回顾性收集2010年1月-2022年3月由病理结果证实的胸腺上皮肿瘤(TETS)患者共57例,通过TETS的WHO简化病理分型,分为低危组(A、AB、B1型)23例、高危组(B2、B3、C型)34例,并按照8:2的比例,随机分成训练集和测试集。每个病灶均由两名放射科医生经过协商后,利用ITK-SNAP软件对兴趣区(ROI)进行勾画。使用Python v3.67提取放射组学特征,并使用Spearman相关系数和LASSO特征选择方法进行降维和筛选。在训练集中,应用支持向量机(SVM)、多层感知机(MLP)和逻辑回归(LR)构建术前诊断预测模型。采用受试者工作特征曲线(ROC)评估预测效果,并通过内部测试集验证预测模型。结果共提取了1649个影像组学特征参数,经过Spearman相关系数筛选得到221个差异特征,并通过LASSO方法将其降维至12个组学特征。在测试集中,基于SVM、MLP和LR构建的术前预测模型分别表现出AUC值为0.800、0.868和0.971,其中LR模型具有更好的预测效果。结论基于CT平扫影像组学特征构建的SVM、MLP和LR模型在预测胸腺上皮性肿瘤WHO简化病理分型方面展现出较好的预测潜力,其中LR模型具有更好的预测效果。

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。

基于灰阶超声构建症状性颈动脉斑块影像组学模型的临床研究

目的:探讨基于灰阶超声构建症状性颈动脉斑块影像组学模型的可行性及应用价值。方法:由两名超声医师独立收集颈动脉斑块病例分别作为训练集和验证集。在训练集和验证集内部根据患者近期是否出现对应的脑缺血症状分为症状组和非症状组。比较两组患者一般临床资料情况。提取基于灰阶超声图像的颈动脉斑块影像组学特征。在训练集中,以是否存在脑缺血症状为因变量,以斑块影像组学特征为自变量,采用LASSO回归筛选自变量构建影像组学模型。采用ROC曲线、校准曲线及决策曲线对模型进行内部验证和外部验证。结果:训练集和验证集内部症状组和非症状组一般临床资料比较差异无统计学意义(P均>0.05)。训练集中共精选出6个斑块影像组学特征构建模型,该模型在训练集中的AUC为0.913[95%CI(0.862~0.964)],C-index为0.887;在验证集中的AUC为0.837[95%CI(0.758~0.917)],C-index为0.798。训练集和验证集中校准曲线与理想曲线拟合良好,DCA曲线净获益值高。结论:基于灰阶超声构建影像组学模型识别症状性颈动脉斑块具有可行性及一定的应用价值。

基于数字化乳腺X线影像组学预测浸润性乳腺癌腋窝淋巴结转移的多中心研究

目的:探讨基于多中心数字化乳腺X线影像组学预测浸润性乳腺癌腋窝淋巴结转移的临床应用价值。方法:回顾性搜集728例经病理证实的浸润性乳腺癌患者,按照7:3的比例将皖南医学院第一附属医院弋矶山医院413例浸润性乳腺癌患者随机拆分为训练组289例(淋巴结转移阴性197例,淋巴结转移阳性92例)和验证组124例(淋巴结转移阴性85例,淋巴结转移阳性39例),将阜阳市人民医院和太和县人民医院浸润性乳腺癌患者共计315例(淋巴结转移阴性221例,淋巴结转移阳性94例)作为外部测试组。对比分析双乳内外斜位(MLO)和头尾位(CC)图像,选取病变面积较大的数字化乳腺X线图像使用深睿医疗多模态科研平台进行图像分割及影像组学特征提取,采用特征间线性相关性分析与最小绝对收缩和选择算法(LASSO)对组学特征进行降维并使用支持向量机(SVM)分类器构建影像组学预测模型。采用受试者工作特征(ROC)曲线和决策曲线分析(DCA)评价模型性能。结果:最终筛选出8个影像组学特征构建预测模型用于预测浸润性乳腺癌腋窝淋巴结转移,该模型的预测效能在训练组、验证组和外部测试组分别为0.807、0.790和0.753,敏感度、特异度分别为84.8%和61.4%、79.5%和69.4%、44.7%和92.8%。决策曲线证实了该模型的临床实用性。结论:基于数字化乳腺X线影像组学对浸润性乳腺癌腋窝淋巴结转移的预测具有较高效能,对患者制定个性化的治疗方案和预后评估有着重要的临床应用价值。

腰椎骨髓MR T1 mapping影像组学预测儿童急性淋巴细胞白血病临床危险度

目的观察腰椎骨髓MR T1 mapping影像组学预测儿童急性淋巴细胞白血病(ALL)临床危险度的价值。方法前瞻性对77例初诊ALL患儿采集腰椎骨髓T1 mapping,以3D Slicer软件分割L3椎体感兴趣体积(VOI)、提取2060个影像组学特征并筛选最佳特征。以8∶2比例将患儿分为训练集与测试集,分别以逻辑回归(LR)、支持向量机(SVM)及随机森林(RF)分类器基于最佳特征建立影像组学模型,于训练集进行训练、于测试集进行验证;结合初诊危险度及MR检查后患儿对于化学治疗的反应评估其临床危险度,以采用受试者工作特征(ROC)曲线及曲线下面积(AUC)评估模型预测效能。结果低-中危组52例、高危组25例。训练集含44例低-中危及17例高危,测试集含8例低-中危及8例高危患儿。共获得12个最佳影像组学特征,以之建立的RF模型在训练集中的敏感度及准确率均为100%,在测试集的敏感度(50.00%)及准确率(75.00%)均较低,提示存在过拟合;LR模型在测试集AUC(0.95)稍高于SVM模型(0.92)但差异无统计学意义(P>0.05),而其准确率一致。结论腰椎骨髓T1 mapping LR及SVM影像组学模型均可用于预测儿童ALL临床危险度;LR模型预测效能较佳。

T2WI影像组学鉴别卵巢成人型颗粒细胞瘤与DWI高信号纤维-卵泡膜细胞肿瘤

目的 探讨基于T2WI影像组学列线图鉴别诊断卵巢成人型颗粒细胞瘤与扩散加权成像(diffusion weighted imaging,DWI)高信号纤维-卵泡膜细胞肿瘤的效能。材料与方法 回顾性收集北京大学第三医院2019年1月至2023年10月经手术病理确诊的卵巢成人型颗粒细胞瘤29例和DWI呈高信号的纤维-卵泡膜细胞肿瘤61例。所有肿瘤按7:3的比例随机分为训练集和验证集。应用单因素分析和多因素logistic回归筛选出临床和常规MRI征象,建立临床模型。基于T2WI提取影像组学特征,应用K最佳和最小绝对收缩和选择算法进行特征筛选,构建影像组学模型并计算影像组学评分(radiomics score,Rad-score)。联合临床模型和Rad-score构建列线图模型。应用受试者工作特征曲线(receiver operating characteristic,ROC)分析各模型诊断效能,应用决策曲线分析(decision curve analysis,DCA)评价模型的临床价值。结果 经logistic回归分析,将“蜂窝样”小囊变[比值比(odds ratio,OR)值=0.20,95%置信区间(confidence interval,CI)=0.05~0.79,P=0.022]和肿瘤内出血(OR值=0.16,95%CI=0.03~0.98,P=0.048)用于构建临床模型。基于T2WI筛选保留了9个组学特征用于构建影像组学模型。由“蜂窝样”小囊变、肿瘤内出血和Rad-score构建列线图模型。影像组学模型和列线图模型的ROC曲线下面积(area under the curve,AUC)均高于临床模型(训练集:0.983 vs.0.742,Z=-4.058,P<0.001;0.969 vs.0.742,Z=-3.817,P<0.001。验证集:0.858 vs.0.731,Z=-1.388,P=0.165;0.883 vs.0.731,Z=-1.612,P=0.107),列线图和影像组学模型的AUC差异无统计学意义(训练集:Z=-1.040,P=0.298;验证集:Z=0.822,P=0.411)。DCA显示列线图和影像组学模型明显优于临床模型。结论 本研究所构建的基于T2WI的影像组学模型和列线图模型能有效鉴别卵巢颗粒细胞瘤和DWI高信号纤维-卵泡膜细胞肿瘤,且效能优于基于常规MRI征象的临床模型。

超声影像组学在肾炎组织学分型中的应用价值

目的探讨基于灰阶超声图像的超声影像组学技术对肾小球肾炎组织学分型的鉴别诊断价值。方法纳入204例患者的肾穿刺活检病理结果和超声资料,根据病理结果分为膜性肾病组133例和系膜增生性肾小球肾炎组71例。由2位医师对超声影像进行勾画并提取影像组学特征,对获得的全部组学特征数据通过最大相关和最小冗余算法(m RMR)初步筛选超声影像组学特征,然后利用经最小绝对收缩和选择算子(LASSO)算法从已筛选特征中选择最优有效特征,并利用随机森林(RF)、支持向量机(SVM)、逻辑回归(LR)、K近邻(KNN)法4种分类器建立预测模型。所有病例按照7︰3比例随机分为训练集和验证集,4种模型分别利用训练集训练后,在验证集中验证,通过比较受试者工作特征(ROC)曲线、Delong检验、GiViTI校准曲线,选择最佳预测模型。采用决策曲线分析评估模型的临床实用性。结果从每幅图像提取837个影像组学特征,经m RMR+LASSO算法共筛选出16个有意义的特征。RF、SVM、LR、KNN 4种预测模型中表现最好的是LR模型,其ROC曲线下面积为0.944,特异度为0.867,敏感度为0.878。GiViTI校准曲线提示模型具有较好的准确度(P>0.05),决策曲线显示预测模型具有较好的临床实用价值。结论超声影像组学对较为常见的肾小球肾炎组织学类型具有较好的鉴别能力,具有良好的应用前景。

基于增强CT影像组学预测食管鳞癌淋巴血管侵犯状态的价值

目的:探讨基于增强CT影像组学预测食管鳞癌(ESCC)淋巴血管侵犯(LVI)的价值。方法:回顾性搜集行根治性切除术并经术后病理证实的224例食管鳞癌患者,其中包括66例LVI阳性和158例LVI阴性患者。所有患者均在术前2周内进行胸部增强CT扫描。将入组的患者按照7:3的比例随机分为训练集和测试集。使用3D Slicer软件逐层勾画全肿瘤感兴趣区(ROI),采用Python软件的Pyradiomics包提取肿瘤组织的影像组学特征,建立影像组学模型用于预测食管鳞癌的LVI状态并进行验证。采用受试者工作特征(ROC)曲线的曲线下面积(AUC)、敏感度、特异度、准确度、阳性预测值和阴性预测值来评价影像组学模型的诊断效能,使用校准曲线评价影像组学模型在训练集和测试集中的拟合程度。使用决策曲线分析(DCA)评价影像组学模型的临床应用价值。结果:从全肿瘤ROI中提取了1130个组学特征,经过筛选最终保留了7个影像组学特征,并使用多因素logistic回归建立影像组学预测模型。在训练集中,影像组学模型预测LVI的AUC值为0.930,敏感度为0.851,特异度为0.919,准确度为0.899,阳性预测值为0.816,阴性预测值为0.936;在测试集中,AUC值为0.897,敏感度为0.789,特异度为0.787,准确度为0.788,阳性预测值为0.600,阴性预测值为0.902。校准曲线显示影像组学模型在训练集及测试集中的预测概率与实际概率的一致性良好。DCA曲线显示影像组学模型具有良好的临床应用价值。结论:基于增强CT构建的影像组学模型,能够在术前有效预测食管鳞癌的LVI状态。

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。

基于对比增强CT的影像组学模型可预测乳腺癌患者的肿瘤浸润淋巴细胞水平

目的:基于对比增强CT开发用于预测乳腺癌(BC)患者肿瘤浸润淋巴细胞(TIL)水平的新型影像组学模型。方法:回顾性纳入210名非特殊浸润性BC患者(训练集:147名,验证集:63名),使用Pyradiomics软件包提取患者对比增强CT图像中的高维影像组学特征,然后利用Mann-Whitney U检验、斯皮尔曼相关系数和最小绝对值收敛和选择算子(LASSO)算法进行特征逐步筛选。筛选后的最优特征通过非线性支持向量机(NLSVM)方法在训练集中开发了影像组学模型,并在验证集中对模型的判别能力进行验证。之后利用沙普利加和解释(SHAP)算法对模型进行全局解释与特征重要性排序。结果:模型训练组和验证组的曲线下面积(AUC)分别为0.824(95%CI:0.762~0.886)和0.766(95%CI:0.624~0.909),影像组学模型有3个正向影响特征与4个负向影响特征,其中log-sigma-5-0-mm-3D_firstorder_Maximum对模型的影响力最大,其值越大时,模型输出SHAP值越小。结论:基于对比增强CT的影像组学模型可以帮助临床医生在治疗前准确预测BC患者的肿瘤浸润淋巴细胞水平,促进BC患者的个性化治疗。

基于MR超分重建图像的影像组学模型术前预测早期宫颈癌淋巴血管浸润的价值

目的:探讨基于MR深度迁移学习超分重建图像的影像组学模型术前预测早期宫颈癌(CC)淋巴血管间隙浸润(LVSI)的价值。方法:回顾性分析经术后病理证实的100例早期CC患者的MRI及临床资料,对矢状面T 2WI抑脂非增强序列原始图像(OI)进行深度迁移学习超分重建图像(SRI),并采用ITK-SNAP软件在OI及SRI上对全肿瘤区域进行3D标注,根据病理结果分为LVSI阳性与LVSI阴性组,并按照8:2比例随机分为训练集(80例)和验证集(20例)。对OI、SRI标注图像3D VOI进行特征提取及最小绝对收缩与选择算子(LASSO)回归筛选影像组学特征,并分别建立LightGBM影像组学模型,使用AUC评估模型的诊断效能,使用决策曲线分析(DCA)评估模型的临床价值。结果:基于OI影像组学模型预测宫颈鳞癌LVSI状态,训练集AUC=0.795(95%CI:0.696~0.894),敏感度为0.533,特异度为0.920;验证集AUC=0.637(95%CI:0.350~0.924),敏感度为0.429,特异度为0.923。基于SRI影像组学模型预测宫颈鳞癌LVSI状态,训练集AUC=0.817(95%CI:0.722~0.913),敏感度为0.920,特异度为0.717;验证集AUC=0.815(95%CI:0.625~1.000),敏感度为0.667,特异度为0.786。两组图像训练集和验证集中均显示出良好的校准和区分能力,SRI较OI影像组学模型的诊断效能明显提高,DCA结果表明模型具有较高的临床价值。结论:基于MR深度迁移学习SRI影像组学模型对术前预测宫颈癌LVSI状态具有良好的应用价值,较OI影像组学模型的诊断效能有所提高,有助于更好地指导临床治疗决策。

基于超声的影像组学在甲状腺结节诊断中的研究进展

近几年甲状腺结节的检出率显著提高,虽然公认甲状腺乳头状癌的侵袭性低,但仍有部分患者在术后复发或远处转移,2015年美国甲状腺协会指南中明确提出其主要目标是:减小对大多数与疾病相关的死亡、复发的风险,并降低对患者的过度治疗带来的潜在危害,而给予高危险患者恰当的治疗和监控。因此良恶性的鉴别诊断十分重要,但甲状腺结节良恶性之间存在重叠甚至完全相同,给常规超声诊断带来巨大的困难及挑战。甲状腺影像报告和数据系统分类国内外版本较多,不同医师之间使用一致性差异较大。目前超声引导下甲状腺结节穿刺活检术仍是术前诊断的金标准,但是仍有部分结节不能定性,尤其对于<1 cm结节也难以成功穿刺成功或取得准确的病理结果。BRAFV600E基因检测的特异度较高,但是敏感度较低。基于超声的影像组学是一门新兴的技术,它从超声图像中高通量提取和定量分析成像特征,可以获得肿瘤的形状、纹理和小波等特征,用机器学习方法来构建或预测模型客观地评估肿瘤良恶性与临床、病理、基因及蛋白质的关系,为临床医生提供有价值的信息。本文旨在综述多模态超声及基于超声的影像组学在甲状腺结节诊断中的研究进展。

基于超声影像组学对痛风性关节炎急性发作的预测及与炎症因子水平的关系

目的:探讨基于超声影像组学对痛风性关节炎急性发作的预测,并分析其与炎症因子水平的关系。方法:回顾性收集2022年7月至2023年10月于本院就诊的138名痛风性关节炎患者的超声影像学数据和血清炎症因子水平,采用计算机产生随机数法以7∶3比例分为训练集(96例)和测试集(42例),并根据是否急性发作将训练集患者分为急性发作组(39例)和非急性发作组(57例)。对比两组患者一般资料,通过影像组学方法,从超声图像中提取特征,进一步利用机器学习算法建立预测模型。并利用受试者操作特性(ROC)曲线、校准曲线以及临床决策曲线,对模型的预测效能进行评估和衡量。同时检测患者炎症因子水平。通过相关性分析,探讨炎症因子水平与超声影像特征的关系。结果:单因素分析表明,年龄、总胆红素、血糖、高尿酸水平、γ-干扰素(IFN-γ)、转化生长因子β(TGF-β)、肌酐、肿瘤坏死因子α(TNF-α)、血尿素氮、三酰甘油、总胆固醇、血小板计数、超声表现及超声评分方面具有显著差异性,差异有统计学意义(P<0.05);多因素分析结果表明,年龄、总胆红素、血糖、高尿酸水平、TGF-β、IFN-γ、TNF-α、超声表现(双轨征、滑膜炎)、超声评分(滑膜病损、滑膜内血流信号、骨侵蚀、关节囊物质沉积)均是痛风性关节炎患者急性发作的影响因素(P<0.05)。筛选出影像组学标签5个特征(ICC及95%CI均>0.800),在未急性发作组和急性发作组中差异性显著(P<0.05)。训练集和测试集模型的ROC曲线、校准曲线及临床决策曲线提示该模型区分度及临床净收益良好。Pearson相关性分析显示,3个炎症因子(TGF-β、IFN-γ和TNF-α)与45项特征呈极强相关,与33项特征呈强相关。结论:超声影像组学可以作为预测痛风性关节炎急性发作的有效工具,并且与炎症因子水平密切相关。

影像组学在肝细胞癌研究中的应用进展

肝细胞癌(HCC)是全球范围内最常见的原发性肝癌类型,也是导致肝癌相关死亡的主要原因之一。传统的HCC诊断和鉴别方法存在一定的局限性,而影像组学作为一种新兴的技术手段,为HCC的识别检测、准确诊断、个体化治疗决策和预后预测提供了新的可能性。本文旨在对影像组学在HCC研究领域的最新应用进展进行综述。

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。

基于影像组学和自动机器学习的PA患者肾上腺静脉取血结果的研究

目的建立基于高分辨率增强CT影像和自动机器学习技术的原发性醛固酮增多症(Primary Aldosteronism,PA)亚型术前预测模型。方法回顾性研究经肾上腺静脉取血(Adrenal Venous Sampling,AVS)结果亚型诊断的PA患者312例,其中,207例诊断为单侧优势(AVS-右∶AVS-左=93∶114),105例诊断为双侧优势。纳入患者初诊CT影像,基于薄层静脉期图像提取双侧肾上腺影像组学特征,并定义影像组学商值特征为双侧肾上腺对应影像组学特征的比值,再将特征向量输入自动机器学习进行模型训练。结果根据自动模型筛选,随机森林分类器在预测AVS结果方面取得了较好的整体性能,其中准确度为0.7500,召回率为0.7466,受试者工作特征曲线下面积为0.8792。结论本系统在预测PA患者的AVS结果方面展示出了一定的潜力,因此,机器学习模型可以在常规临床实践中辅助预测PA的亚型诊断。

基于增强CT的影像组学模型预测肺癌Ki-67指数的价值

目的探讨基于增强CT图像的影像组学模型在预测肺癌肿瘤增殖抗原Ki-67表达水平中的价值。方法收集2014年1月—2018年12月接受胸部CT增强扫描并在检查后2周内经病理证实、行Ki-67表达水平检测的282例肺癌病人影像与临床相关资料。按7∶3比例将病人分成训练组(n=197)和验证组(n=85)。Ki-67指数≤40%为低表达,>40%为高表达。使用影像组学与人工智能整体解决方案应用平台A.K软件进行影像特征提取。采用logistic回归建立基于影像组学标签与临床因素预测肺癌病人Ki-67低、高表达的列线图模型。结果列线图模型在训练组和验证组的受试者工作特征曲线下面积为0.89和0.87;校准曲线和临床决策曲线均显示模型预测效果良好。结论基于增强CT影像组学标签的列线图模型可用于预测肺癌病人Ki-67的表达水平。