简介：无

简介：摘要目的基于术前双序列(T2加权成像及增强T1加权成像) MRI图像进行影像组学分析，并联合临床特征，建立最大径小于4 cm的早期宫颈癌(ⅠB期及ⅡA期)中危因素预测模型，并对该模型进行验证。材料与方法回顾性分析我院2016年6月至2021年6月的宫颈癌患者病例170例，根据术后病理结果将病例分为中危因素组及非中危因素组。将病例按7∶3的比例随机分为训练组(n=119)、验证组(n=51)，采用Analysis Kinetics软件对图像特性进行特征提取，并采用多因素分析构建临床模型、影像组学模型及临床-影像组学组合模型，并通过受试者工作特征曲线、校准曲线和决策曲线分析比较并验证三种模型。结果临床-影像组学组合模型术前可以预测宫颈癌的中危因素(曲线下面积为0.853，P＜0.01)，敏感度为85.5%，特异度为78%，高于临床模型，与影像组学模型相比差异无统计学意义。结论对于小于4 cm的早期宫颈癌(ⅠB、ⅡA期)，以双序列MRI图像及临床特征建立的临床-影像组学组合模型有助于预测宫颈癌病理中危因素，有益于临床制订个体化诊疗决策。

简介：摘要目的探索基于多参数MRI的放射组学特征和神经网络模型在区分宫颈癌淋巴结转移的效能。材料与方法回顾性分析178例宫颈癌并提取9个临床及病理特征，经过方差分析进而提取3个特征进入模型。两位观察者分别用软件勾勒得到感兴趣容积，提取到428个放射组学特征。放射组学特征结合临床及病理特征建模：分别组成428维、437维、431维模型。通过Python库的torch和sklearn构建并评价神经网络模型和支持向量机模型。组内相关系数(intraclass correlation coefficient，ICC)来评估观察者之间的信度，使用分类准确率、敏感度、特异度和受试者特征曲线下面积(area under the receiver operating characteristics curve，AUC)用来衡量检测模型性能。使用sklearn中的metrics.roc_curve函数绘制ROC曲线，通过最大约登指数(Youden index)确定最佳界值，并进行诊断效能评估。结果两位观察者ICC为0.819、观察者内ICC为0.796。431维神经网络模型AUC为0.882，在测试集中该模型的分类准确率、敏感度和特异度分别为0.810、0.840和0.741，优于其他模型。结论基于多参数MRI的神经网络模型可有效地预测宫颈癌淋巴结转移。

简介：无