影像组学在预测非小细胞肺癌分子标志物P63中的应用价值（英文）

目的:建立基于非小细胞肺癌(non-small cell lung cancer,NSCLC)肿瘤CT图像的影像组学模型,预测NSCLC分子标志物P63的表达状态。方法:回顾性分析2014年1月至2018年3月接受CT扫描的245例NSCLC患者。患者均经组织病理学检查确诊,并在CT检查后2周内进行P63表达状态检测。通过MaZda软件提取CT平扫图像的影像组学特征,并且定义肿瘤CT图像的主观影像征象。使用Lasso-logistic回归模型进行特征筛选并分别建立影像组学模型、主观影像征象模型及融合诊断模型。通过受试者操作特征(receiver operato rcharacteristic,ROC)曲线评估每个模型的预测性能,并采用Delong检验进行比较。结果:在245例患者中,P63阳性96例,P63阴性149例。主观影像征象模型由6个影像征象组成。通过特征选择,影像组学模型包括8个影像组学特征。主观影像征象模型和影像组学模型预测P63表达状态的ROC曲线下面积分别为0.700和0.755,二者差异无统计学意义(P>0.05)。融合诊断模型较另2种模型具有最佳预测能力,ROC曲线下面积为0.817(P<0.01)。结论:基于CT图像的影像组学模型可以预测NSCLC分子标志物P63的表达状态;融合影像组学特征和主观影像征象的诊断模型可以显著提高模型的预测性能,有助于无创性了解肺癌细胞分子水平信息。

影像组学及其在肝癌中的进展（英文）

肝癌(hepatocellular carcinoma,HCC)是全球癌症相关死亡的第二大原因,因此早期发现和治疗反应的预测对HCC患者有很大益处。目前,穿刺活检和常规医学成像在HCC患者的管理中发挥重要且基础的作用,而这两种方法分别存在样本误差和操作者依赖性的不足。影像组学是一种新兴的非侵入性技术,可以突破时空限制来获取肿瘤的综合信息,用以反映肿瘤的情况,从而弥补上述方法的不足。影像组学的基本步骤包括图像的获取,感兴趣区的划分与重建,特征的提取、划分与分类,模型的建立与效能评价。影像组学在HCC的诊断、治疗和评价方面取得了一定的进展,具有应用前景。