简介：摘要目的探讨基于ADC图的影像组学模型在急性缺血性脑卒中（AIS）患者缺血半暗带（IP）判断中的价值。方法回顾性分析南通市第一人民医院2014年1月至2019年10月发病在24 h内的大脑前循环AIS患者241例。所有患者均接受常规T1WI、T2WI、DWI及动态磁敏感对比增强磁共振灌注成像（DSC-PWI）。以PWI-DWI错配模型作为判断IP是否存在的金标准，将患者分为存在IP（即存在PWI-DWI错配）患者（84例），不存在IP（即不存在PWI-DWI错配）患者（157例）。分别由两名医师在AIS患者ADC图像上病灶最大层面对ADC低信号区域及周围区域进行ROI的勾画，将图像导入AK分析软件，进行影像组学特征提取。先采用组间相关系数筛选出一致性较高的特征，再采用最大相关最小冗余（mRMR）及最小绝对收缩与选择算子算法（Lasso）回归分析对特征进行筛选，然后用所选特征构建各自的影像组学评分模型。采用ROC曲线对模型的性能进行评估，并采用Delong检验对两组模型的ROC曲线下面积（AUC）进行比较。结果经过筛选，12个特征（LongRunLowGreyLevelEmphasis_angle135_offset7、LongRunLowGreyLevelEmphasis_AllDirection_offset7、GLCMEntropy_AllDirection_offset4_SD、GLCMEnergy_angle45_offset1、ColGE_W11B25_16、ColGE_W11B25_24、HaraEntropy、SurfaceVolumeRatio、Sphericity、Quantile0.025、uniformity、Percentile75）用于构建基于ADC图低信号区域的影像组学模型，训练集中AUC为0.900，灵敏度、特异度、准确度分别为84.5%、81.4%、83.4%；验证集中AUC为0.870，灵敏度、特异度、准确度分别为80.9%、84.0%、81.9%。11个特征（RunLengthNonuniformity_AllDirection_offset1_SD、ShortRunLowGreyLevelEmphasis_angle45_offset1、HighGreyLevelRunEmphasis_AllDirection_offset1_SD、ShortRunLowGreyLevelEmphasis_AllDirection_offset7、HaralickCorrelation_AllDirection_offset4_SD、ClusterShade_angle45_offset7、InverseDifferenceMoment_AllDirection_offset7_SD、ColGE_W3B20_0、sumAverage、SurfaceVolumeRatio、VolumeMM）用于构建基于ADC图病灶周围区域的影像组学模型，训练集中AUC为0.820，灵敏度、特异度、准确度分别为80.5%、80.2%、80.4%；验证集中AUC为0.800，灵敏度、特异度、准确度分别为78.7%、80.0%、79.2%。基于ADC图低信号区域的影像组学模型的AUC大于基于ADC图病灶周围区域的影像组学模型（训练集：Z=3.017，P=0.003；验证集：Z=0.604，P=0.002）。结论基于ADC图的影像组学模型在判断缺血半暗带时有较好的诊断效能。

简介：摘要目的探讨基于冠状动脉CT血管成像（CTA）图像的冠状动脉周围脂肪组织直方图参数在鉴别急性冠状动脉综合征及稳定性冠心病中的价值。方法回顾性分析2013年至2018年苏州九龙医院的93例行冠状动脉CTA检查患者的临床资料及CTA图像。其中39例为急性冠状动脉综合征患者（急性冠状动脉综合征组），54例为稳定性冠心病患者（稳定性冠心病组）。在狭窄冠脉周围勾画感兴趣区（ROI），取CT值范围为-190~-30 HU以剔除非脂肪组织。测量剔除非脂肪后的ROI的CT值，行直方图分析，所获参数包括平均值、中位数和第5百分位数、第10百分位数、第45百分位数、第55百分位数、第70百分位数、第95百分位数。比较两组之间的直方图参数的差异，随后基于受试者操作特征（ROC）曲线分析，评价各参数鉴别急性冠状动脉综合征和稳定性冠心病的价值，并用逐步后退式的多元逻辑回归分析进行特征筛选并构建最终的预测模型，绘制最终模型的ROC曲线并分析其价值。结果急性冠状动脉综合征组与稳定性冠心病组间平均值、中位数和第5、10、45、55、70、95百分位数差异有统计学意义（P均<0.05）。其中中位数和第95百分位数的ROC曲线下面积均为0.73。通过多元逻辑回归构建的诊断模型的灵敏度为82.1%，特异度为89.1%，曲线下面积为0.90。结论冠状动脉周围脂肪组织直方图分析在鉴别急性冠状动脉综合征和稳定性冠心病中具有较高价值。

简介：摘要目的探讨CT影像组学模型对良恶性甲状腺结节的鉴别诊断价值。方法回顾性分析2017年5月至2018年8月间南京医科大学附属淮安第一医院经病理证实的179例甲状腺结节患者的临床和影像资料。良性结节89例，恶性结节90例。患者术前均行甲状腺结节CT平扫和增强扫描。采用分层随机抽样方法将患者按照8∶2的比例分为训练组（143例）与测试组（36例），采用A.K软件基于术前CT图像提取378个影像组学特征，后采用Spearman相关分析与最小绝对收缩和选择算子回归分析进行特征筛选与模型构建，在训练组与测试组中应用受试者操作特征（ROC）曲线对模型进行验证，评价影像组学特征预测良恶性甲状腺结节的效能。结果经过特征筛选，16个影像组学特征用于构建甲状腺结节良恶性鉴别模型。训练组中预测模型的ROC曲线下面积（AUC）为0.92（95%可信区间：0.88~0.97），灵敏度和特异度分别为88.7%、82.0%，诊断准确率91.1%；测试组中AUC为0.90（95%可信区间：0.81~0.98），灵敏度和特异度分别为88.5%、84.6%，诊断准确率88.2%。结论基于CT的影像组学模型对良恶性甲状腺结节有较高的诊断效能。

简介：摘要目的探讨基于MR T1WI的最优影像组学机器学习模型及其预测软组织肉瘤分级的价值。方法回顾性分析2009年5月至2018年11月青岛大学附属医院113例软组织肉瘤患者的术前MR T1WI资料，采用随机分层抽样的方法将患者随机分为训练组（n=80）和验证组（n=33）。根据法国国家癌症研究中心（FNCLCC）系统将软组织肉瘤病理分级分为Ⅰ~Ⅲ三个级别。Ⅰ级为低级别，Ⅱ、Ⅲ级为高级别。训练组中18例为低级别、62例为高级别病变，验证组中7例低级别、26例高级别病变。图像进行标准化后，采用A.K软件对肿瘤感兴趣区进行特征提取，并基于不同特征选择方法（加入和不加入递归式特征消除）、机器学习算法（随机森林和支持向量机算法）和采样技术（不进行过采样、使用少数样本合成过采样技术、使用随机过采样技术），组合成12种机器学习算法组合，应用弃一法交叉验证进行验证，建立分类模型。采用受试者操作特征（ROC）曲线评价模型预测软组织肉瘤病理级别的效能。结果在12种机器学习算法建立的软组织肉瘤分级预测模型中，联合使用递归式特征消除和少数样本合成过采样技术的随机森林分类算法效能最佳，其在验证组中预测软组织肉瘤分级的ROC曲线下面积为0.909 （95％可信区间为0.808~1.000），准确率、灵敏度和特异度分别为84.85%、86.21％和75.00%。结论基于影像组学的机器学习方法在预测软组织肉瘤病理分级方面有较大的应用价值。