目的探讨基于双能量CT图像的影像组学预测模型对甲状腺结节良恶性的鉴别诊断价值。方法回顾性分析我院经病理证实的55例甲状腺结节患者的临床和影像资料,其中良性结节28例,恶性结节27例。患者术前均行甲状腺双能量CT平扫和增强扫描。通...目的探讨基于双能量CT图像的影像组学预测模型对甲状腺结节良恶性的鉴别诊断价值。方法回顾性分析我院经病理证实的55例甲状腺结节患者的临床和影像资料,其中良性结节28例,恶性结节27例。患者术前均行甲状腺双能量CT平扫和增强扫描。通过双能量分析得到各期的Mixed图、VNC图及iodine图,分别对各期图像进行3D感兴趣区(Region of Interest,ROI)勾画及组学特征提取,采用单因素分析与最小绝对收缩算子(Least Absolute Shrinkage and Selection Operator,LASSO)算法进行特征筛选,使用多因素逻辑回归分别构建混合能量模型及双能量模型。应用受试者操作特征(Receiver Operating Characteristic,ROC)曲线及曲线下面积(Area Under Curve,AUC)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。结果经过特征筛选得到8个影像组学特征用于构建甲状腺结节良恶性鉴别模型。混合能量预测模型的AUC为0.86(95%CI:0.75~0.96),特异度和敏感度分别为72.4%、92.3%,诊断准确率为81.8%;双能量预测模型的AUC为0.95(95%CI:0.89~1),特异度和灵敏度分别为86.2%、100%,诊断准确率为92.7%。结论基于双能量CT的影像组学预测模型对良恶性甲状腺结节有较高的诊断效能。展开更多
文摘目的探讨基于双能量CT图像的影像组学预测模型对甲状腺结节良恶性的鉴别诊断价值。方法回顾性分析我院经病理证实的55例甲状腺结节患者的临床和影像资料,其中良性结节28例,恶性结节27例。患者术前均行甲状腺双能量CT平扫和增强扫描。通过双能量分析得到各期的Mixed图、VNC图及iodine图,分别对各期图像进行3D感兴趣区(Region of Interest,ROI)勾画及组学特征提取,采用单因素分析与最小绝对收缩算子(Least Absolute Shrinkage and Selection Operator,LASSO)算法进行特征筛选,使用多因素逻辑回归分别构建混合能量模型及双能量模型。应用受试者操作特征(Receiver Operating Characteristic,ROC)曲线及曲线下面积(Area Under Curve,AUC)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。结果经过特征筛选得到8个影像组学特征用于构建甲状腺结节良恶性鉴别模型。混合能量预测模型的AUC为0.86(95%CI:0.75~0.96),特异度和敏感度分别为72.4%、92.3%,诊断准确率为81.8%;双能量预测模型的AUC为0.95(95%CI:0.89~1),特异度和灵敏度分别为86.2%、100%,诊断准确率为92.7%。结论基于双能量CT的影像组学预测模型对良恶性甲状腺结节有较高的诊断效能。
