CT影像组学鉴别脊柱骨岛与成骨型转移癌

目的观察CT影像组学鉴别脊柱骨岛(BI)与成骨型转移癌(OBM)的价值。方法回顾性分析来自3个医疗机构的98例BI患者109个病灶及158例OBM患者282个病灶(包括48例肺癌103个转移灶、52例乳腺癌86个转移灶及58例前列腺癌93个转移灶);以机构1数据为内部数据集并按7∶3比例分为内部训练集与内部验证集,以机构2、3数据作为外部数据集;并以性别分为女性数据子集(包括肺癌与乳腺癌OBM)及男性数据子集(包括肺癌与前列腺癌OBM)。基于CT图像提取、筛选影像组学特征并构建支持向量机(SVM)模型,包括模型1(鉴别BI与OBM)、模型2(鉴别女性肺癌与乳腺癌OBM)及模型3(鉴别男性肺癌与前列腺癌OBM)。绘制受试者工作特征曲线,计算曲线下面积(AUC),评估并比较模型1、单一CT值及3名医师(甲、乙、丙)鉴别BI与OBM的效能,以及模型2、3鉴别不同OBM的效能。结果模型1鉴别内部训练集、内部验证集及外部数据集脊柱OBM与BI的AUC分别为0.99、0.98及0.86。针对内部训练集,模型1鉴别BI与OBM的AUC高于医师甲(AUC=0.78)、乙(AUC=0.87)、丙(AUC=0.93)及单一平均CT值(AUC=0.78,P均<0.05)。模型2鉴别内部训练集、内部验证集及外部数据集女性肺癌与乳腺癌OBM的AUC分别为0.79、0.75及0.73;模型3鉴别各集男性肺癌与前列腺癌OBM的AUC分别为0.77、0.74和0.77。结论根据CT影像组学SVM模型能可靠鉴别BI与OBM。

基于CT影像组学及临床多因素回归分析预测肝细胞肝癌TACE术后中重度腹痛的模型构建

目的探讨肝细胞癌(HCC)病人肝动脉插管化疗栓塞(TACE)术后急性严重腹痛发生危险因素,并分别构建影像组学模型、Logistics回归模型。方法回顾性分析128例经病理证实为肝细胞肝癌并实行TACE术的患者,分别收集其影像学资料及临床资料。按照8:2分成训练集及验证集,按照BPI评分标准,“0~3”分无或轻度疼为阴性组,共计57例,“4~10”分中重度腹痛分为阳性组,共计71例,比较阳性组与阴性组患者的临床及影像资料,采用影像组学及多因素Logistics回归分析筛选危险因素,并建立预测模型;受试者工作(ROC)曲线分析预测效能。结果影像组学模型:对动脉期、门脉期、延迟期、动脉期+门脉期、动脉期+延迟期、门脉期+延迟期及动脉期+门脉期+延迟期的模型进行分析,结果显示动脉期+门脉期+延迟期的联合组学模型的训练集AUC值为0.79,验证集AUC值为0.78,其效能高于其它六组组学模型。临床因素Logistics回归分析显示TACE术史、TACE术后腹痛病史、肿瘤距肝包膜距离是否>1cm、肿瘤最大直径是否>5cm、肿瘤数目是否>2、有无血管侵犯及TACE术式是其独立危险因素,临床因素Logistics回归分析筛选独立因素建立的预测模型AUC值为0.85。结论影像组学中动脉期+门脉期+延迟期的联合模型对于预测肝细胞肝癌TACE术后腹痛的发生有一定的临床价值,为以后影像组学对于肝癌TACE术后腹痛预测研究提供一定的价值,临床多因素回归分析模型的可以提供更多的临床因素,具有较好的效能,组学模型与临床多因素回归模型两者之间互有补充,建立预测模型,为临床提供更好的个性化疼痛管理,减轻病人的痛苦。

多参数3D MRI影像组学模型预测结直肠癌肝转移及相关临床危险因素的分析

目的探讨多参数3D MRI影像组学模型对于结直肠癌肝转移(CCLM)的预测价值及相关临床危险因素的分析。方法收集2019-2022年在本院术前行MRI检查且术后病理证实的198例结直肠癌患者的临床及影像资料。按照8:2的比例随机分为训练集及验证集(n=159及39)。对T_(2)WI、DWI、e-THRIVE+序列分别逐层勾画,得到3D VOI,提取组学特征并降维处理、构建影像组学模型。采用逻辑回归分析,筛选出CCLM的独立危险因素并构建临床模型。结果三序列联合的影像组学模型预测CCLM的效能高于单一序列模型,其训练集与验证集AUC值分别为0.919及0.896。逻辑回归分析得到CCLM的独立危险因素分别为CEA、CA199及NLR(P<0.05)。三者联合的临床模型效能亦高于单一临床模型,训练集与验证集的AUC值分别为0.800及0.791。结论多参数3D MRI影像组学模型对于CCLM具有较高预测效能。基于CEA、CA199、NLR的临床模型对于CCLM具有一定预测效能。

高分辨率CT影像组学分类诊断类风湿关节炎相关间质性肺疾病的效能

目的探究高分辨率CT(high-resolution computed tomography,HRCT)影像组学用于分类诊断类风湿关节炎相关间质性肺疾病(rheumatoid arthritis associated interstitial lung disease,RA-ILD)的效能。方法筛选陆军军医大学第一附属医院中医与风湿免疫科2019年1月至2023年7月收治的RA-ILD患者病例261例,其中寻常型间质性肺炎(usual interstitial pneumonia,UIP)143例,非特异性间质性肺炎(nonspecific interstitial pneumonia,NSIP)118例,所有患者行HRCT,在HRCT图像上应用U-net深度学习肺分割模型进行自动肺分割,从每个肺分割中提取1688个影像组学特征。逐级使用方差阈值法、单变量特征选择法、最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)进行特征降维,采用多种机器学习算法构建RA-ILD分类诊断影像组学模型。分别采用受试者工作特性(receiver operating characteristic,ROC)曲线和曲线下面积(area under curve,AUC)比较各模型的诊断价值,同时对模型的准确度、敏感度和特异度进行评估。结果从RA-ILD患者HRCT图像中通过特征筛选法最终选定18个最佳特征。在训练集和测试集中UIP和NSIP的放射评分(radiomics score,Radscore)分布差异有统计学意义(P<0.01)。在5种影像组学模型中,支持向量机(the support vector machine,SVM)算法的训练集AUC为0.943(95%CI 0.916~0.966,灵敏度和特异度分别为0.787、0.912),测试集AUC为0.909(95%CI 0.849~0.969;灵敏度和特异度分别为0.625、0.897)。结论本研究构建的RA-ILD分类诊断模型性能良好,且基于SVM算法构建的模型在分类诊断RA-ILD中显示最佳潜能。

基于影像组学和机器学习的医学影像分析平台的研究与应用

目的 为解决临床研究人员在医学影像分析中数据标注、特征提取、算法选型等诸多技术难题,设计并构建了基于影像组学与机器学习技术的医学影像分析平台。方法 平台从数据获取、数据治理、数据分析、数据建模、数据管理等5个层面出发,提供了数据获取和标注、影像特征提取与特征降维、机器学习模型运行、结果验证、可视化分析以及自动生成报告等多项功能,生成了影像组学全流程分析的一体化解决方案。结果 临床研究人员可应用该平台对医学影像数据进行影像组学与机器学习的全流程分析,快速产出研究成果。结论平台极大地缩短了医学影像分析的研究时间,降低了临床研究人员的工作难度,显著提升了工作效率。

基于卷积神经网络的儿童病毒性脑炎磁共振影像分类与早期诊断研究

目的构建基于卷积神经网络的儿童病毒性脑炎MRI分类与早期诊断模型,探讨其对儿童病毒性脑炎早期诊断、精准治疗和改善患儿预后的价值。材料与方法收集浙江大学医学院附属儿童医院2020至2022年期间颅脑MRI影像数据1077例,其中病毒性脑炎患儿577例,非病毒性脑炎儿童500例。运用卷积神经网络中的Squeeze-and-Excitation Residual Networks(SE-ResNet)模型构建儿童病毒性脑炎MRI分类与早期诊断模型并与Convolutional Block Attention Module Residual Networks(CBAM-ResNet)、Mobile Networks(MobileNet)、Residual Networks(ResNet)、Shuffle Networks(ShuffleNet)模型进行了对比。结果所有模型在训练集上都达到了收敛。SE-ResNet、CBAM-ResNet、MobileNet和ShuffleNet模型在训练集训练100轮后准确率都达到90%以上,而只有CBAM-ResNet模型和本研究选用的SE-ResNet模型在验证集上同样取得了90%以上的准确率。在测试集上,CBAM-ResNet具有最高的准确率73.91%,ResNet具有最高的召回率75.45%,但只有本文所用SE-ResNet模型在准确率和召回率都达到较高水平,并且取得最好的F1得分和曲线下面积(area under the curve,AUC)值:准确率为70.83%,召回率为72.73%,AUC为0.77,F1得分为0.7183。结论运用人工智能技术结合MRI实现儿童病毒性脑炎早期诊断是可行的,本研究为进一步实现全面的儿童脑炎早期诊断、精准治疗和改善脑炎患儿预后提供了理论和应用基础。

以咳嗽为第一主诉的儿童疾病医疗数据共享模型构建

分析以咳嗽为第一主诉的儿童疾病背景及其医疗数据应用情况和发展困境,结合联邦学习技术提出多中心横向联邦学习的数据安全共享框架,介绍3类联邦学习基础概念,从框架实施目的、系统架构组成、应用流程以及系统优点等方面详细阐述模型框架及构建路径。

基于CT影像组学在非小细胞肺癌表皮生长因子受体突变中的预测价值

目的探讨基于CT影像组学模型在非小细胞肺癌表皮生长因子受体(epithelial growth factor receptor,EGFR)突变状态中的预测价值。方法回归性分析2018年8月-2022年3月蚌埠医学院第一附属医院确诊的125例有EGFR基因检测结果的肺腺癌患者临床及影像资料。其中EGFR突变型32人,野生型93人,将患者按照1:3的比例随机分为测试集和训练集。对所有病例进行临床资料及增强CT图像采集,用惠影软件对采集的CT图像进行高标准手动分割,并提取影像组学特征,应用最小绝对收缩和选择算子(least absolute shrink-age and selection ope rator,LASSO)算法及5折交叉验证筛选出最佳特征子集,并构建影像组学模型。通过绘制受试者操作特征曲线(receiver operating characteristic,ROC),计算ROC曲线下面积(AUC),评价影像组学特征在EGFR基因突变中的预测效能。结果非小细胞肺癌EGFR突变预测模型共提取1409个特征,筛选后得到5个最佳影像组学特征用于构建模型,构建的影像组学模型可有效预测肺腺癌EGFR基因突变状态。测试集和训练集在上述模型中ROC曲线下面积(AUC)分别为0.75(95%CI为0.53-0.97)0.80(95%CI为0.70-0.91)。结论基于CT影像组学模型在非小细胞肺癌表皮生长因子受体突变状态中拥有较好的预测价值。

基于3D MRI影像组学模型鉴别IA期宫颈癌与高级别鳞状上皮内瘤变的价值研究

目的探讨基于3D磁共振T2WI及动态对比增强DCE序列影像组学模型在鉴别ⅠA期宫颈癌与高级别鳞状上皮内瘤变(HSIL)中的价值。方法回顾性分析经手术病理证实的ⅠA期宫颈癌患者52例与HSIL患者35例,收集患者的临床资料及影像资料,利用汇医慧影平台将患者按10:3随机分成训练集和测试集,在矢状位T2WI和DCE上由三名放射科医生手动勾画宫颈,获得宫颈三维容积感兴趣区(VOI),提取影像组学特征。并进行数据降维。采用KNN算法建立模型并绘制受试者工作特性曲线(ROC曲线),对训练集和测试集ROC曲线下的总面积(AUC)、敏感度、特异度、准确率4个指标展开分析。结果T2WI模型、DCE模型以及T2WI联合DCE模型最终提取出的影像组学特征分别为23、11、28,训练集及测试集的AUC值分别为0.833、0.797,0.877、0.870,0.897,0.813。结论T2WI联合DCE图像影像组学模型比单一模型更具有临床价值,有助于评估病情,并针对病情所处阶段制定个体化治疗方案。

人工智能辅助机会性测量腰椎骨密度研究:与定量CT比较

目的本研究旨在比较人工智能(AI)定量CT辅助诊断系统与定量CT(QCT)在胸部低剂量CT检查时机会性测量腰椎骨密度的一致性。方法选择2022年6月至2022年12月在我院因各种临床适应症行胸部低剂量CT检查的受检者作为研究对象,应用AI定量CT辅助诊断系统与QCT分别在胸部低剂量CT图像上测量受检者腰椎平均体积骨密度(vBMD),绘制散点图、Bland-Altman图检验二者的关系,计算Pearson相关系数评价其一致性。结果AI定量CT辅助诊断系统测量vBMD平均值为116.38±36.07mg/cm^(3),QCT测量vBMD平均值为115.60±38.07mg/cm^(3),线性回归分析与Bland-Altman分析显示二者对腰椎骨密度的测量具有良好的一致性,二者呈显著正相关(相关系数r为0.977)。不同性别中,AI定量CT辅助诊断系统与QCT对腰椎骨密度的测量亦呈显著正相关。结论AI定量CT辅助诊断系统与QCT基于胸部低剂量CT机会性测量腰椎vBMD具有高度一致性。

基于常规MRI的影像组学预测脑胶质瘤IDH突变的效果分析

目的探讨基于常规MRI的影像组学分析预测脑胶质瘤IDH突变的效果。方法回顾性分析经术后病理证实的172例脑胶质瘤患者(82例突变型和90例野生型)的临床资料。所有患者术前均行增强MRI检查,术后病理对IDH进行分子检测。由2名神经影像医师在FLAIR和T1加权对比增强(CE-T1WI)序列上逐层勾画肿瘤实体及周围水肿病灶,采用组内相关系数(ICC)评价2名医师分别勾画的感兴趣区域组学特征一致性,然后提取影像特征。分别使用方差阈值法、单变量特征选择法、最小绝对收缩和选择算子(LASSO)对组学特征进行筛选和降维。采用χ^(2)检验或Fisher精确检验评价2组胶质瘤影像学特征的统计学差异。采用五折交叉验证法的分类方式,通过Logistic回归分析建立放射组学模型,采用诺莫图展示模型结果,采用校准曲线验证模型的可靠性。结果在CE-T1WI序列筛选出13个组学特征,在FLAIR序列筛选出7个组学特征。癫痫、WHO分级、影像所见强化和水肿对于IDH突变状态预测具有统计学意义(P<0.05)。影像组学模型在训练集中的AUC为0.833(95%CI0.778~0.889),在测试集中的AUC为0.753(95%CI0.628~0.895)。结论影像组学在预测脑胶质瘤IDH突变方面具有较好的性能。

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AI技术光谱CT非增强模式椎体松质骨无水碘图测量值与骨密度对比研究

目的:基于人工智能(Artificial intelligence, AI)技术提取光谱CT非增强模式无水碘图椎体松质骨测量值与骨密度测定的相关性对比研究,为骨密度测量提供新的方法和思路。方法:回顾性纳入317例接受了光谱CT腰椎平扫检查的健康体检者,分别使用AI骨密度测量系统和双能X线骨密度仪(dual x-ray absorptiometry, DXA)测量受检者第一腰椎到第四腰椎(L1~L4)椎体的骨密度(bone mineral density, BMD)值。采用线性回归方法分析非增强模式无水碘图测量值与上述两种方法测定骨密度值的相关性。以DXA结果为参考标准将受检者分为正常(T-score ≥ −1), 骨质减少症(−2.5 2为0.57~0.65。以DXA为诊断标准,AI系统与非增强模式无水碘图测量值在评估检测骨质疏松症上,二者均有较好的性能。结论:光谱CT非增强模式腰椎松质骨无水碘图测量值同椎体BMD值密切相关,非增强模式腰椎松质骨无水碘图测量值能很好体现椎体骨密度状态,有望成为椎体骨矿含量高低变化的敏感指标。

人工智能骨密度测量系统与QCT测量骨密度的一致性研究

目的:评估基于胸部低剂量CT的人工智能(AI)骨密度测量系统与定量CT (QCT)测定骨密度的相关性和一致性,并评估其诊断骨质疏松症的有效性。方法:回顾性纳入1 427名接受了低剂量胸部CT检查的健康体检者,分别使用AI骨密度测量系统和QCT测量T12、L1、L2椎体骨密度。采用线性回归分析和Bland-Altman法评价2种方法测定骨密度的相关性和一致性。以QCT结果为参考标准,绘制受试者工作特征(ROC)曲线评估AI骨密度测量系统诊断骨质疏松的准确性。结果:2种方法测量T12、L1和L2骨密度的相关系数分别为0.988、0.992、0.990;2种方法测量的骨密度差值分别为2.96 (95%CI 2.62~3.31)、1.46(95%CI 1.18~1.74)、1.61 (95%CI 1.30~1.92)mg/cm3,大部分位于均值±1.96SD范围内。AI系统预测骨密度用于诊断骨质疏松的ROC曲线下面积为0.996 (95%CI 0.994~0.998;P<0.001),灵敏度为0.989,特异度为0.905。结论:AI骨密度测量系统与QCT测定骨密度具有高度相关性及一致性,可有效诊断骨质疏松症。

基于FS-T2WI序列联合机器学习对布鲁氏菌性脊柱炎与结核性脊柱炎的鉴别诊断

目的探讨脂肪抑制(FS)-T2WI序列联合机器学习模型在布鲁氏菌性脊柱炎(BS)与结核性脊柱炎(TS)鉴别诊断中的效能。方法回顾性分析2017年1月至2022年1月在新疆医科大学第一附属医院经临床或术后病理确诊的74例BS与81例TS患者的临床及影像资料,所有患者治疗前均行脊柱磁共振成像(MRI)检查。以8∶2的分配比例将患者随机分成训练组(n=123)和测试组(n=32),对FS-T2WI序列图像进行影像组学特征提取及降维分析。采用4种机器学习算法[包括K邻近算法(KNN)、支持向量机(SVM)、随机森林(RF)及逻辑回归(LR)]构建影像组学模型,并使用受试者工作特征(ROC)曲线分析各模型对BS与TS的鉴别诊断效能。结果共提取出1409个影像组学特征,经筛选纳入了7个相关的特征用于鉴别BS和TS,其中Maximum2DDiameterColumn特征值表现出较强的相关性,BS与TS患者间比较差异有统计学意义(P<0.001)。在测试组中,SVM模型鉴别BS和TS的ROC曲线下面积(AUC)值为0.886,敏感度为0.53,特异度为0.88,模型诊断精确率为0.81;在训练组中,SVM模型鉴别BS和TS的AUC值为0.811,敏感度为0.68,特异度为0.72,模型诊断精确率为0.78。结论基于FS-T2WI序列联合机器学习建立的模型可用于鉴别BS与TS,其中SVM模型的诊断效能优且性能稳定。