目的:评估基于注射用全氟丁烷微球[商品名示卓安(Sonazoid)]超声造影Kupffer期的深度学习模型预测肝细胞癌(hepatocellular carcinoma,HCC)微血管侵犯(microvascular invasion,MVI)的效能,并将其与影像组学模型及临床模型进行比较。方法...目的:评估基于注射用全氟丁烷微球[商品名示卓安(Sonazoid)]超声造影Kupffer期的深度学习模型预测肝细胞癌(hepatocellular carcinoma,HCC)微血管侵犯(microvascular invasion,MVI)的效能,并将其与影像组学模型及临床模型进行比较。方法:回顾并纳入2020年7月—2022年9月于广西医科大学第一附属医院接受Sonazoid超声造影检查的146例原发性HCC患者,以7∶3随机划分为训练集102例和验证集44例。基于肿瘤感兴趣区,使用ResNet101模型通过迁移学习提取深度学习特征,使用PyRadiomics提取影像组学特征。采用Mann-Whitney U检验、最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法进行特征降维。LASSO回归用于构建深度学习模型和影像组学模型,同时还基于临床特征构建一个临床模型。采用受试者工作特征曲线的曲线下面积(area under the curve,AUC)、灵敏度、特异度和准确度评估模型的诊断效能。DeLong检验用于比较模型间的诊断效能。结果:在训练集中,深度学习模型、影像组学模型、临床模型的AUC(95%CI)分别为0.931(0.880~0.981)、0.823(0.744~0.903)、0.719(0.614~0.824)。在验证集中,深度学习模型、影像组学模型、临床模型的AUC(95%CI)分别为0.895(0.757~1.000)、0.711(0.514~0.909)、0.606(0.390~0.822)。DeLong检验表明在训练集和验证集中,深度学习模型的诊断效能均优于影像组学模型及临床模型(P<0.05)。单因素及多因素logistic回归分析示甲胎蛋白和巴塞罗那临床肝癌分期可作为HCC患者MVI的独立预测因子(P<0.01)。结论:基于Sonazoid超声造影Kupffer期的深度学习模型在预测HCC患者MVI方面表现出优异的性能,有望成为预测MVI的无创影像学生物标志物。展开更多
目的探讨基于超声的影像组学结合临床参数预测子宫内膜癌淋巴结转移的价值。方法回顾性分析2017年1月至2021年2月在广西医科大学第一附属医院255例术后确诊为子宫内膜癌患者的临床资料及术前超声图像。采用ITK-SNAP软件手动勾勒肿瘤的...目的探讨基于超声的影像组学结合临床参数预测子宫内膜癌淋巴结转移的价值。方法回顾性分析2017年1月至2021年2月在广西医科大学第一附属医院255例术后确诊为子宫内膜癌患者的临床资料及术前超声图像。采用ITK-SNAP软件手动勾勒肿瘤的边界即感兴趣区(region of interest,ROI),并从中提取特征。通过随机抽样将数据以7∶3的比例分为用于构建模型的训练组和用于评估模型可靠性的验证组(例数比177∶78)。训练组采用Spearman相关系数以0.95为阈值去除相关性高的特征,决策树模型对特征进行重要性排序,选择重要性前6%的特征建立逻辑回归模型,计算每例患者的影像组学评分。在逻辑回归分析的基础上,建立综合预测模型,绘制列线图,并通过ROC曲线下面积(AUC)、校准曲线及决策曲线分析对其预测效果进行评价。结果经降维及逻辑回归分析后最终获得20项特征和2项临床参数(CA125、CA153)用于构建模型。影像组学模型和综合预测模型中训练组和验证组的AUC分别为0.81、0.78和0.89、0.85。临床决策曲线显示两者均有较好的临床实用性。结论基于超声图像构建的影像组学模型及结合相关临床参数构建的综合模型对子宫内膜癌淋巴结转移均有较好的预测效能。展开更多
文摘目的:评估基于注射用全氟丁烷微球[商品名示卓安(Sonazoid)]超声造影Kupffer期的深度学习模型预测肝细胞癌(hepatocellular carcinoma,HCC)微血管侵犯(microvascular invasion,MVI)的效能,并将其与影像组学模型及临床模型进行比较。方法:回顾并纳入2020年7月—2022年9月于广西医科大学第一附属医院接受Sonazoid超声造影检查的146例原发性HCC患者,以7∶3随机划分为训练集102例和验证集44例。基于肿瘤感兴趣区,使用ResNet101模型通过迁移学习提取深度学习特征,使用PyRadiomics提取影像组学特征。采用Mann-Whitney U检验、最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法进行特征降维。LASSO回归用于构建深度学习模型和影像组学模型,同时还基于临床特征构建一个临床模型。采用受试者工作特征曲线的曲线下面积(area under the curve,AUC)、灵敏度、特异度和准确度评估模型的诊断效能。DeLong检验用于比较模型间的诊断效能。结果:在训练集中,深度学习模型、影像组学模型、临床模型的AUC(95%CI)分别为0.931(0.880~0.981)、0.823(0.744~0.903)、0.719(0.614~0.824)。在验证集中,深度学习模型、影像组学模型、临床模型的AUC(95%CI)分别为0.895(0.757~1.000)、0.711(0.514~0.909)、0.606(0.390~0.822)。DeLong检验表明在训练集和验证集中,深度学习模型的诊断效能均优于影像组学模型及临床模型(P<0.05)。单因素及多因素logistic回归分析示甲胎蛋白和巴塞罗那临床肝癌分期可作为HCC患者MVI的独立预测因子(P<0.01)。结论:基于Sonazoid超声造影Kupffer期的深度学习模型在预测HCC患者MVI方面表现出优异的性能,有望成为预测MVI的无创影像学生物标志物。
文摘目的探讨基于超声的影像组学结合临床参数预测子宫内膜癌淋巴结转移的价值。方法回顾性分析2017年1月至2021年2月在广西医科大学第一附属医院255例术后确诊为子宫内膜癌患者的临床资料及术前超声图像。采用ITK-SNAP软件手动勾勒肿瘤的边界即感兴趣区(region of interest,ROI),并从中提取特征。通过随机抽样将数据以7∶3的比例分为用于构建模型的训练组和用于评估模型可靠性的验证组(例数比177∶78)。训练组采用Spearman相关系数以0.95为阈值去除相关性高的特征,决策树模型对特征进行重要性排序,选择重要性前6%的特征建立逻辑回归模型,计算每例患者的影像组学评分。在逻辑回归分析的基础上,建立综合预测模型,绘制列线图,并通过ROC曲线下面积(AUC)、校准曲线及决策曲线分析对其预测效果进行评价。结果经降维及逻辑回归分析后最终获得20项特征和2项临床参数(CA125、CA153)用于构建模型。影像组学模型和综合预测模型中训练组和验证组的AUC分别为0.81、0.78和0.89、0.85。临床决策曲线显示两者均有较好的临床实用性。结论基于超声图像构建的影像组学模型及结合相关临床参数构建的综合模型对子宫内膜癌淋巴结转移均有较好的预测效能。
