简介：摘要目的探讨基于钆塞酸二钠增强MRI肝胆期影像组学特征的不同机器学习模型术前预测肝细胞癌（HCC）微血管侵犯（MVI）的价值。方法回顾性分析2015年6月至2020年6月在苏州大学附属第一医院经病理证实的132例HCC患者的资料，MVI阳性72例、阴性60例。按照7∶3的比例以随机种子法分为训练集和验证集。利用PyRadiomics软件提取肝胆期图像影像组学特征，采用最小绝对收缩和选择算子（LASSO）回归5折交叉验证法对训练集临床和影像组学特征进行筛选，得到最优特征子集，然后用6种机器学习方法（决策树、极端梯度提升、随机森林、支持向量机、广义线性模型和神经网络）构建预测模型，采用ROC曲线评估模型的预测能力，采用DeLong检验比较6种机器学习算法曲线下面积（AUC）的差异。结果经LASSO回归筛选后获得14个特征组成最优特征子集，包括2个临床特征（肿瘤最大径和甲胎蛋白）和12个影像组学特征。训练集中基于最优特征子集构建的决策树、极端梯度提升、随机森林、支持向量机、广义线性模型和神经网络模型预测HCC MVI的AUC值分别为0.969、1.000、1.000、0.991、0.966和1.000，验证集的AUC值分别为0.781、0.890、0.920、0.806、0.684和0.703。验证集中，极端梯度提升与广义线性模型、神经网络的AUC的差异有统计学意义（Z=2.857、3.220，P=0.004、0.001），随机森林与支持向量机、广义线性模型和神经网络AUC的差异有统计学意义（Z=2.371、3.190、3.967，P=0.018、0.001、<0.001），支持向量机与广义线性模型AUC的差异有统计学意义（Z=2.621，P=0.009），其余机器学习模型间AUC的差异均无统计学意义（P>0.05）。结论基于钆塞酸二钠增强MRI肝胆期图像的影像组学特征构建的机器学习模型可用于术前预测HCC MVI，其中，极端梯度提升和随机森林模型具有较高的预测效能。

简介：摘要目的探讨基于双期增强CT影像组学特征的机器学习模型术前预测肝细胞癌微血管侵犯（MVI）的价值。方法回顾性分析2015年1月至2020年5月在苏州大学附属第一医院经病理确诊的148例［男106例，女42例，年龄（58±11）岁］肝细胞癌患者的资料，其中MVI阳性88例，MVI阴性60例。按照约7∶3的比例随机分配为训练集和验证集。利用MaZda软件提取肝细胞癌动脉期和门静脉期3D影像组学特征，采用3种特征选择方法联合（FPM法）和Lasso回归进行特征筛选，得到最优特征子集。然后用6种机器学习算法构建预测模型，采用受试者工作特征（ROC）曲线评估模型的预测能力，并计算出曲线下面积（AUC）、准确度、灵敏度和特异度。结果MaZda软件提取肝细胞癌动脉期和门静脉期的影像组学特征，各239个。利用FPM法和Lasso 回归进行特征筛选可分别得到7个动脉期和14个门静脉期最优特征。基于动脉期的7个最优特征构建的决策树、极端梯度提升、随机森林、支持向量机、广义线性模型和神经网络等模型预测验证集肝细胞癌MVI的AUC值分别为0.736、0.910、0.913、0.915、0.897、0.648，其中支持向量机的AUC值最高，其准确度、灵敏度和特异度分别为95.35%、95.83%和94.74%。利用门静脉期的14个最优特征构建的上述机器学习模型预测验证集肝细胞癌MVI的AUC值分别为0.873、0.876、0.913、0.859、0.877、0.834，其差异均无统计学意义（均P>0.05），其中随机森林模型的AUC值最高，其准确度、灵敏度和特异度分别为90.70%、87.50%和94.74%。结论基于双期增强CT影像组学特征的机器学习模型可用于术前预测肝细胞癌微血管侵犯。其中，支持向量机和随机森林模型具有较高的预测效能。

简介：摘要目的探讨能谱CT影像组学特征在鉴别肺癌结节与炎性结节中的价值。方法回顾性分析在苏州大学附属第一医院接受肺部能谱CT扫描的96例肺癌结节和45例炎性结节患者的资料。按照2∶1的比例随机分配为训练组（肺癌结节64例，炎性结节30例）和验证组（肺癌结节32例，炎性结节15例）。利用MaZda软件对训练组动脉期和静脉期70 keV单能量图像进行影像组学特征提取。采用费希尔参数法（Fisher）、分类错误率联合平均相关系数法（POE+ACC）和相关信息测度法（MI）对提取的特征进行筛选，得到3组最优特征子集。然后用线性（LDA）和非线性判别分析法（NDA）对最优特征子集进行分析，计算其鉴别肺癌结节和炎性结节的受试者操作特征（ROC）曲线下面积（AUC）、准确率、灵敏度、特异度、精准率和F1分数。利用人工神经网络（ANN）建立预测模型，并对验证组两种病变进行鉴别。使用Delong检验比较不同的最优特征子集AUC的差异。结果在动脉期，MI-NDA法选择的最优特征子集鉴别训练组肺癌结节和炎性结节的AUC最高，为0.888（95%可信区间0.806~0.943），其准确率、灵敏度和特异度分别为88.3%、87.5%和90.0%。MI-NDA法与Fisher-NDA、（POE+ACC）-NDA法的AUC差异无统计学意义（Z=1.941，P=0.052；Z=1.683，P=0.092）。在静脉期，（POE+ACC）-NDA法选择的最优特征子集的AUC最高，为0.846（95%可信区间0.757~0.912），其准确率、灵敏度和特异度分别为87.2%、92.2%和76.7%。（POE+ACC）-NDA与MI-NDA的AUC差异无统计学意义（Z=1.354，P=0.18），而与Fisher-NDA的AUC差异有统计学意义（Z=2.423，P=0.015）。MI-NDA法选择的动脉期最优特征子集在训练组和验证组的AUC最高，分别为0.888（95%可信区间0.806~0.943）和0.871（95%可信区间0.741~0.951）。结论能谱CT影像组学定量特征可用于鉴别肺癌结节与炎性结节，具有较高的诊断价值。

简介：摘要目的探讨CT影像组学定量特征在预测肺癌表皮生长因子受体（EGFR）突变中的价值。方法回顾性分析2013年9月至2018年10月在苏州大学附属第一医院确诊的144例有EGFR基因检测结果的肺癌患者的资料，男75例、女69例，中位年龄54（25~68）岁。其中，EGFR突变型81例，男39例、女42例，中位年龄52（25~64）岁；EGFR野生型63例，男36例、女27例，中位年龄56（32~68）岁。按照2∶1的比例随机分配为训练组和验证组。利用MaZda软件提取影像组学特征包括灰度直方图（GLH）、绝对梯度（GRA）、灰度共生矩阵（GLCM）、灰度游程矩阵（GLRLM）、自回归模型（ARM）和小波变换（WAV）等特征。采用费希尔参数法（Fisher）、分类错误率联合平均相关系数法（POE+ACC）和相关信息测度法（MI）3种特征选择方法对提取的定量特征进行筛选，分别选择10个相关的最优特征，得到最优特征子集。然后用线性判别分析法（LDA）和非线性判别分析法（NDA）对三组最优特征子集进行分析，计算出其鉴别肺癌EGFR突变型与野生型的准确度、敏感度和特异度，利用人工神经网络（ANN）对训练组准确度最高的最优特征子集建立预测模型，并利用建立的预测模型，对验证组肺癌EGFR突变型与野生型进行鉴别诊断。结果MaZda软件提取训练组肺癌EGFR突变型与野生型图像定量特征，一共301个。Fisher-NDA和（POE+ACC）-NDA法选择的最优特征子集鉴别肺癌EGFR突变型与野生型的准确度最高，为93.8%。Fisher-NDA法最优特征子集预测模型鉴别验证组中肺癌EGFR突变型与野生型的准确度、敏感度和特异度分别为83.3%、86.7%和77.8%。结论CT影像组学最优特征子集在预测肺癌EGFR突变中有较高的准确度，为预测肺癌基因表达提供了一种新的方法。