目的:探讨CT影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中的价值。方法:回顾性分析84例甲状腺肿瘤(乳头状癌39例,腺瘤45例)术前CT平扫的特征,首先勾画感兴趣区(ROI),再采用A.K.软件进行图像预处理及特征筛选,最终得出最具特...目的:探讨CT影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中的价值。方法:回顾性分析84例甲状腺肿瘤(乳头状癌39例,腺瘤45例)术前CT平扫的特征,首先勾画感兴趣区(ROI),再采用A.K.软件进行图像预处理及特征筛选,最终得出最具特征的参数,随后分别构建随机森林(RF)、逻辑回归(LR)和支持向量机(SVM)机器学习模型进行分类训练,采用十折交叉验证方法结合受试者操作特征(ROC)法对上述模型的性能进行验证,并计算准确度、灵敏度和特异度。结果:Short Run Emphasisangle0offset1、Short Run High Grey Level EmphasisAllDirectionoffset1和Grey Level NonuniformityAllDirectionoffset1是最具特征的3个参数,且在甲状腺乳头状癌和甲状腺腺瘤之间的差异均有统计学意义(P<0.05)。对这3个特征参数使用3种机器算法(RF、LR和SVM)进行分类学习,并十折交叉验证,得出三者的ROC曲线下面积分别为0.77、0.74和0.72,最佳点的准确度分别为0.82、0.76和0.75,灵敏度分别为0.75、0.70和0.60,特异度分别为0.70、0.65和0.69。结论:影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中具有价值。展开更多
目的:探讨瘤内和瘤周CT影像组学特征对纯磨玻璃结节(pure ground glass nodules,pGGN)肺腺癌浸润性的预测价值。方法:回顾性分析2018年6月—2022年6月在苏北人民医院术前行胸部CT平扫的257例纯磨玻璃结节肺腺癌患者的临床和影像资料,包...目的:探讨瘤内和瘤周CT影像组学特征对纯磨玻璃结节(pure ground glass nodules,pGGN)肺腺癌浸润性的预测价值。方法:回顾性分析2018年6月—2022年6月在苏北人民医院术前行胸部CT平扫的257例纯磨玻璃结节肺腺癌患者的临床和影像资料,包括浸润前病变(pre-invasive lesion,PIL)48例,微浸润腺癌(minimally invasive adenocarcinomas,MIA)150例,浸润性腺癌(invasive adenocarcinoma,IA)59例,将样本设为PIL/MIA组(n=198)和IA组(n=59)。使用上海联影uAI软件绘制瘤内感兴趣区(ROI),使用膨胀算法沿结节边缘外扩3mm,依此提取瘤内ROI和瘤周ROI的影像组学特征,Lasso回归特征筛选,获得最优组学特征。使用五折交叉验证将样本量随机分为训练组和测试组,依此构建瘤内组、瘤周组和联合组影像组学模型。多因素logistic回归分析筛查出预估肺腺癌浸润性的单独危险要素,建立临床影像模型。最后,瘤内、瘤周最优组学特点结合临床影像特点构建临床影像组学模型。采用受试者工作特征(ROC)曲线评估各预测模型的诊断效能,Delong检验比较曲线下面积(AUC)值。结果:联合组学模型预测效能高于瘤内组学模型和瘤周组学模型以及临床影像模型(训练集AUC:0.867 vs 0.851 vs 0.826 vs 0.834;测试集AUC:0.854 vs 0.847 vs 0.802 vs 0.82),联合组学模型较瘤周组学模型在训练集中差异具有统计学意义(Z=2.760,P=0.005)。临床影像组学模型预测效能进一步提升(训练集AUC=0.882,测试集AUC=0.86),且临床影像组学模型较瘤内组学模型(Z=2.546,P=0.010),瘤周组学模型(Z=3.448,P<0.001)和临床影像模型(Z=2.596,P=0.009)在训练集中差异有统计学意义。结论:瘤内、瘤周影像组学特征在预测pGGN肺腺癌的浸润性方面具有重要价值;联合临床影像特征后的模型诊断效能进一步提升。展开更多
文摘目的:探讨CT影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中的价值。方法:回顾性分析84例甲状腺肿瘤(乳头状癌39例,腺瘤45例)术前CT平扫的特征,首先勾画感兴趣区(ROI),再采用A.K.软件进行图像预处理及特征筛选,最终得出最具特征的参数,随后分别构建随机森林(RF)、逻辑回归(LR)和支持向量机(SVM)机器学习模型进行分类训练,采用十折交叉验证方法结合受试者操作特征(ROC)法对上述模型的性能进行验证,并计算准确度、灵敏度和特异度。结果:Short Run Emphasisangle0offset1、Short Run High Grey Level EmphasisAllDirectionoffset1和Grey Level NonuniformityAllDirectionoffset1是最具特征的3个参数,且在甲状腺乳头状癌和甲状腺腺瘤之间的差异均有统计学意义(P<0.05)。对这3个特征参数使用3种机器算法(RF、LR和SVM)进行分类学习,并十折交叉验证,得出三者的ROC曲线下面积分别为0.77、0.74和0.72,最佳点的准确度分别为0.82、0.76和0.75,灵敏度分别为0.75、0.70和0.60,特异度分别为0.70、0.65和0.69。结论:影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中具有价值。
文摘目的:探讨瘤内和瘤周CT影像组学特征对纯磨玻璃结节(pure ground glass nodules,pGGN)肺腺癌浸润性的预测价值。方法:回顾性分析2018年6月—2022年6月在苏北人民医院术前行胸部CT平扫的257例纯磨玻璃结节肺腺癌患者的临床和影像资料,包括浸润前病变(pre-invasive lesion,PIL)48例,微浸润腺癌(minimally invasive adenocarcinomas,MIA)150例,浸润性腺癌(invasive adenocarcinoma,IA)59例,将样本设为PIL/MIA组(n=198)和IA组(n=59)。使用上海联影uAI软件绘制瘤内感兴趣区(ROI),使用膨胀算法沿结节边缘外扩3mm,依此提取瘤内ROI和瘤周ROI的影像组学特征,Lasso回归特征筛选,获得最优组学特征。使用五折交叉验证将样本量随机分为训练组和测试组,依此构建瘤内组、瘤周组和联合组影像组学模型。多因素logistic回归分析筛查出预估肺腺癌浸润性的单独危险要素,建立临床影像模型。最后,瘤内、瘤周最优组学特点结合临床影像特点构建临床影像组学模型。采用受试者工作特征(ROC)曲线评估各预测模型的诊断效能,Delong检验比较曲线下面积(AUC)值。结果:联合组学模型预测效能高于瘤内组学模型和瘤周组学模型以及临床影像模型(训练集AUC:0.867 vs 0.851 vs 0.826 vs 0.834;测试集AUC:0.854 vs 0.847 vs 0.802 vs 0.82),联合组学模型较瘤周组学模型在训练集中差异具有统计学意义(Z=2.760,P=0.005)。临床影像组学模型预测效能进一步提升(训练集AUC=0.882,测试集AUC=0.86),且临床影像组学模型较瘤内组学模型(Z=2.546,P=0.010),瘤周组学模型(Z=3.448,P<0.001)和临床影像模型(Z=2.596,P=0.009)在训练集中差异有统计学意义。结论:瘤内、瘤周影像组学特征在预测pGGN肺腺癌的浸润性方面具有重要价值;联合临床影像特征后的模型诊断效能进一步提升。
