目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic str...目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。展开更多
目的观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法回顾性分析178例经术...目的观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法回顾性分析178例经术后病理证实为宫颈癌的患者病例,其中70例LVSI(+)、108例LVSI(-),按照8∶2划分为训练集[142例,54例LVSI(+)、88例LVSI(-)]和测试集[36例,16例LVSI(+)、20例LVSI(-)]。对临床因素行单因素logistic分析,筛选出LVSI(+)独立预测因素。使用DTL方法和传统影像组学方法提取矢状位T2WI图像中病灶的DTL特征和影像组学特征,构建DTL特征数据集、影像组学特征数据集和DTL特征与影像组学特征融合的数据集,分别以t检验、Pearson分析和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归对训练集各特征数据集进行特征降维,以其最佳者构建影像组学(radiomics,Rad)模型、DTL模型、融合模型(Rad+DTL模型),并筛选最佳影像组学模型;基于上述最佳影像组学模型评分与临床独立因子构建联合模型,并绘制列线图。以校准曲线评估模型校准度,以决策曲线分析评价模型的应用价值。结果淋巴结转移、粒细胞比率均为LVSI(+)的独立预测因子(P<0.05)。Rad+DTL模型为最佳影像组学模型。联合模型在训练集和测试集中的受试者工作特征曲线下面积(area under the curve,AUC)高于Rad+DTL模型(0.984 vs.0.966,P<0.05;0.912 vs.0.759,P=0.05)。联合模型的校准度较高,临床净收益更大。结论基于MR-T2WI的DTL特征、影像组学特征联合临床特征构建的联合模型可有效预测宫颈癌LVSI。展开更多
文摘目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。
文摘目的观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法回顾性分析178例经术后病理证实为宫颈癌的患者病例,其中70例LVSI(+)、108例LVSI(-),按照8∶2划分为训练集[142例,54例LVSI(+)、88例LVSI(-)]和测试集[36例,16例LVSI(+)、20例LVSI(-)]。对临床因素行单因素logistic分析,筛选出LVSI(+)独立预测因素。使用DTL方法和传统影像组学方法提取矢状位T2WI图像中病灶的DTL特征和影像组学特征,构建DTL特征数据集、影像组学特征数据集和DTL特征与影像组学特征融合的数据集,分别以t检验、Pearson分析和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归对训练集各特征数据集进行特征降维,以其最佳者构建影像组学(radiomics,Rad)模型、DTL模型、融合模型(Rad+DTL模型),并筛选最佳影像组学模型;基于上述最佳影像组学模型评分与临床独立因子构建联合模型,并绘制列线图。以校准曲线评估模型校准度,以决策曲线分析评价模型的应用价值。结果淋巴结转移、粒细胞比率均为LVSI(+)的独立预测因子(P<0.05)。Rad+DTL模型为最佳影像组学模型。联合模型在训练集和测试集中的受试者工作特征曲线下面积(area under the curve,AUC)高于Rad+DTL模型(0.984 vs.0.966,P<0.05;0.912 vs.0.759,P=0.05)。联合模型的校准度较高,临床净收益更大。结论基于MR-T2WI的DTL特征、影像组学特征联合临床特征构建的联合模型可有效预测宫颈癌LVSI。
