目的:探讨基于增强CT影像组学模型和临床特征模型评估进展期胃癌浆膜侵犯的价值。方法:收集351例术前2周内行腹部增强CT检查进展期胃癌患者资料并以7:3比例随机分为训练组247例和验证组104例。基于动静脉期CT图像在A.K软件中共提取3190...目的:探讨基于增强CT影像组学模型和临床特征模型评估进展期胃癌浆膜侵犯的价值。方法:收集351例术前2周内行腹部增强CT检查进展期胃癌患者资料并以7:3比例随机分为训练组247例和验证组104例。基于动静脉期CT图像在A.K软件中共提取3190个影像组学特征,通过降维筛选后建立影像组学模型,比较进展期胃癌浆膜侵犯阳性和阴性组之间的临床特征差异,并构建临床模型。模型效能评估采用受试者工作特征曲线分析。结果:在训练组和验证组中,N、M分期在浆膜侵犯阳性组和阴性组间的差异有统计意义(P<0.05)。基于动静脉期图像最终筛选出14个影像组学特征。在验证组中,影像组学模型预测进展期胃癌浆膜侵犯的诊断效能高于基于联合N分期和M分期构建临床模型的诊断效能(AUC:0.854 vs 0.793)。结论:基于增强CT影像组模型和基于N、M分期的临床模型均能够成功预测进展期胃癌浆膜侵犯,前者诊断效能较优。展开更多
目的评估基于多参数MRI影像组学特征的机器学习方法对甲状腺乳头状癌(papillary thyroid carcinoma,PTC)患者术前预测颈部淋巴结状态的价值。材料与方法回顾性分析182例经手术病理确诊淋巴结状态的PTC患者的影像和临床资料,分为91例颈...目的评估基于多参数MRI影像组学特征的机器学习方法对甲状腺乳头状癌(papillary thyroid carcinoma,PTC)患者术前预测颈部淋巴结状态的价值。材料与方法回顾性分析182例经手术病理确诊淋巴结状态的PTC患者的影像和临床资料,分为91例颈部淋巴结转移组和91例非转移组。在多种MRI影像序列[轴位T1WI、T2WI、T2WI压脂、T1WI增强、T1WI压脂增强以及弥散加权成像(diffusion weighted imaging,DWI)]中勾画感兴趣区(region of interest,ROI)获得纹理特征和直方图特征。最后,使用多参数MRI纹理特征和直方图特征作为输入,构建了支持向量机(support vector machine,SVM)模型对颈部转移和非转移淋巴结进行分类。结果结合多种磁共振序列的多参数模型具有良好的分类性能,分类准确度高达79.61%,敏感度为75.00%,特异度为83.00%,曲线下面积(area under the curve,AUC)值为0.911。结论基于多参数MRI影像组学的机器学习方法可以有效地预测PTC患者术前的颈部淋巴结状态。展开更多
文摘目的:探讨基于增强CT影像组学模型和临床特征模型评估进展期胃癌浆膜侵犯的价值。方法:收集351例术前2周内行腹部增强CT检查进展期胃癌患者资料并以7:3比例随机分为训练组247例和验证组104例。基于动静脉期CT图像在A.K软件中共提取3190个影像组学特征,通过降维筛选后建立影像组学模型,比较进展期胃癌浆膜侵犯阳性和阴性组之间的临床特征差异,并构建临床模型。模型效能评估采用受试者工作特征曲线分析。结果:在训练组和验证组中,N、M分期在浆膜侵犯阳性组和阴性组间的差异有统计意义(P<0.05)。基于动静脉期图像最终筛选出14个影像组学特征。在验证组中,影像组学模型预测进展期胃癌浆膜侵犯的诊断效能高于基于联合N分期和M分期构建临床模型的诊断效能(AUC:0.854 vs 0.793)。结论:基于增强CT影像组模型和基于N、M分期的临床模型均能够成功预测进展期胃癌浆膜侵犯,前者诊断效能较优。
文摘目的评估基于多参数MRI影像组学特征的机器学习方法对甲状腺乳头状癌(papillary thyroid carcinoma,PTC)患者术前预测颈部淋巴结状态的价值。材料与方法回顾性分析182例经手术病理确诊淋巴结状态的PTC患者的影像和临床资料,分为91例颈部淋巴结转移组和91例非转移组。在多种MRI影像序列[轴位T1WI、T2WI、T2WI压脂、T1WI增强、T1WI压脂增强以及弥散加权成像(diffusion weighted imaging,DWI)]中勾画感兴趣区(region of interest,ROI)获得纹理特征和直方图特征。最后,使用多参数MRI纹理特征和直方图特征作为输入,构建了支持向量机(support vector machine,SVM)模型对颈部转移和非转移淋巴结进行分类。结果结合多种磁共振序列的多参数模型具有良好的分类性能,分类准确度高达79.61%,敏感度为75.00%,特异度为83.00%,曲线下面积(area under the curve,AUC)值为0.911。结论基于多参数MRI影像组学的机器学习方法可以有效地预测PTC患者术前的颈部淋巴结状态。