目的本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性。材料与方法收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病...目的本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性。材料与方法收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病变480个。患者被分为建模组[n=310,数字乳腺X线摄影(digital mammography,DM)检查]、内部验证组(n=108,DM检查),和外部验证组[n=62,数字乳腺体层合成摄影(digital breast tomosynthesis,DBT)检查]。记录患者术前乳腺X线(DM或DBT),MRI以及临床特征。采用XGBoost算法和多因素逻辑回归分析,分别构建XGBoost模型和逻辑回归(logistic regression,LR)模型。使用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型的诊断效能。结果在建模组中,患者以7∶3随机分为训练集(n=217)和测试集(n=93)。训练集、测试集、训练集的内部验证组及训练集的外部验证组中,恶性非肿块病灶分别为159(73%)、58(62%)、73(68%)和43(69%)。XGBoost模型的诊断效能明显优于LR模型,在独立的训练集、测试集、训练集的内部验证组及训练集的外部验证组中均表现出良好的诊断效能,曲线下面积(area under the curve,AUC)在0.884~0.913之间。XGBoost模型在四个队列中也表现出良好的校准能力和临床净获益。结论XGBoost模型能够准确鉴别乳腺非肿块病变的良恶性,具有推广应用的潜力。展开更多
目的评估神经黑色素成像(neuromelanin magnetic resonance imaging,NM-MRI)联合影像组学对帕金森病(Parkinson's disease,PD)的诊断价值,并探索特异性影像标志物。材料与方法纳入57例PD患者与34例健康对照(healthy control,HC)组,...目的评估神经黑色素成像(neuromelanin magnetic resonance imaging,NM-MRI)联合影像组学对帕金森病(Parkinson's disease,PD)的诊断价值,并探索特异性影像标志物。材料与方法纳入57例PD患者与34例健康对照(healthy control,HC)组,基于改良的2D-T1-快速自旋回波序列(fast spin echo,FSE)获取中脑黑质(region of interest,ROI)特征。采用3D-Slicer 4.8.1进行ROI分割,经最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归筛选特征构建影像组学评分(Radscore),建立联合诊断模型。将受试者按7∶3比例分为训练组与测试组,比较影像组学模型、临床传统诊断模型及联合模型的诊断效能,并将权重高的特征与部分临床量表做相关性分析。结果筛选出10个显著性影像组学特征(P<0.05);训练组中联合模型、影像组学模型和临床传统诊断模型的曲线下面积(area under the curve,AUC)分别为0.90[95%置信区间(confidence interval,CI):0.83~0.98)、0.89(0.81~0.97)和0.70(0.56~0.83),测试组AUC分别为0.88(0.76~1.00)、0.88(0.81~1.00)和0.78(0.60~0.96);决策曲线显示影像组学显著提升了临床评估效能;临床传统诊断模型中黑质头部及整体对比噪声比(contrast-to-noise ratio,CNR)(Head_CNR、Whole_CNR)差异有统计学意义(P<0.01);LeastAxisLength、LargeAreaEmphasis、Head_CNR与H-Y分级成负相关,与统一帕金森病评定量表Ⅲ(Unified Parkinson's Disease Rating Scale Part III,UPDRS-Ⅲ)评分无明显相关性。结论NM-MRI影像组学联合模型可显著提高PD诊断准确性,筛选出的SurfaceVolumeRatio和Mean等影像组学特征具有成为PD特异性标志物的潜力,同时,Head_CNR及形态学参数(LeastAxisLength、LargeAreaEmphasis)对疾病严重程度的量化评估具有临床应用价值。展开更多
文摘目的本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性。材料与方法收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病变480个。患者被分为建模组[n=310,数字乳腺X线摄影(digital mammography,DM)检查]、内部验证组(n=108,DM检查),和外部验证组[n=62,数字乳腺体层合成摄影(digital breast tomosynthesis,DBT)检查]。记录患者术前乳腺X线(DM或DBT),MRI以及临床特征。采用XGBoost算法和多因素逻辑回归分析,分别构建XGBoost模型和逻辑回归(logistic regression,LR)模型。使用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型的诊断效能。结果在建模组中,患者以7∶3随机分为训练集(n=217)和测试集(n=93)。训练集、测试集、训练集的内部验证组及训练集的外部验证组中,恶性非肿块病灶分别为159(73%)、58(62%)、73(68%)和43(69%)。XGBoost模型的诊断效能明显优于LR模型,在独立的训练集、测试集、训练集的内部验证组及训练集的外部验证组中均表现出良好的诊断效能,曲线下面积(area under the curve,AUC)在0.884~0.913之间。XGBoost模型在四个队列中也表现出良好的校准能力和临床净获益。结论XGBoost模型能够准确鉴别乳腺非肿块病变的良恶性,具有推广应用的潜力。
文摘目的将颅内动脉责任斑块在3D-高分辨率血管壁成像(three-dimensional high-resolution vessel wall imaging,3D-HRVWI)的影像组学特征与斑块内出血(intraplaque hemorrhage,IPH)联合,构建颅内动脉粥样硬化性卒中患者复发的预测模型,从而帮助临床对高风险人群采取针对性的干预措施以降低未来卒中复发的风险。材料与方法回顾性分析2021年11月至2023年8月接受HRVWI检查的脑卒中患者病例296例,在296例患者的平扫序列T1WI和增强序列CE-T1WI图像中测量责任斑块的影像学特征,并勾画斑块、提取影像组学特征,通过特征相关性分析和基于L1正则化的特征筛选(linear models penalized with the L1norm,L1 Based)筛选组学特征,所有数据按7∶3比例随机分为训练组和测试组。在训练组中,将筛选出的责任斑块的放射组学特征用于构建用于预测卒中复发的影像组学模型,将斑块组学特征与IPH构建联合模型,并在测试组中评估其性能。使用受试者工作曲线(receiver operating curve,ROC)和曲线下面积(area under the curve,AUC)评估各模型的预测效能,采用DeLong检验比较AUC之间的差异,最后建立列线图可视化模型。结果参与者平均年龄为66岁,包括207例男性参与者(69.9%)和89例女性参与者(30.1%),其中卒中复发患者58例(19.6%)。单因素和多因素分析显示,临床特征和责任斑块的放射学特征中只有IPH[优势比(odds ratio,OR)=8.577,95%CI:4.374~16.818]是卒中复发的独立危险因素。在CE-T1WI序列和T1WI序列中分别提取了2153个责任斑块的放射组学特征,经过特征筛选后,CE-T1WI数据中保留了4个放射组学特征,T1WI数据中保留了6个放射组学特征。在训练组中,IPH的AUC为0.757(0.693~0.814),斑块组学特征的AUC为0.770(0.707~0.826),联合模型的AUC为0.866(0.811~0.909)。在测试组中,IPH的AUC为0.750(0.647~0.836),斑块组学特征的AUC为0.819(0.723~0.892),联合模型的AUC为0.880(0.794~0.939)。DeLong检验结果显示,在训练组和测试组中,联合模型的表现优于IPH模型(P<0.05)。结论颅内动脉责任斑块的3D-HRVWI影像组学特征联合IPH在预测颅内动脉粥样硬化性卒中患者复发中具有良好效能,优于独立的IPH模型。
文摘目的评估神经黑色素成像(neuromelanin magnetic resonance imaging,NM-MRI)联合影像组学对帕金森病(Parkinson's disease,PD)的诊断价值,并探索特异性影像标志物。材料与方法纳入57例PD患者与34例健康对照(healthy control,HC)组,基于改良的2D-T1-快速自旋回波序列(fast spin echo,FSE)获取中脑黑质(region of interest,ROI)特征。采用3D-Slicer 4.8.1进行ROI分割,经最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归筛选特征构建影像组学评分(Radscore),建立联合诊断模型。将受试者按7∶3比例分为训练组与测试组,比较影像组学模型、临床传统诊断模型及联合模型的诊断效能,并将权重高的特征与部分临床量表做相关性分析。结果筛选出10个显著性影像组学特征(P<0.05);训练组中联合模型、影像组学模型和临床传统诊断模型的曲线下面积(area under the curve,AUC)分别为0.90[95%置信区间(confidence interval,CI):0.83~0.98)、0.89(0.81~0.97)和0.70(0.56~0.83),测试组AUC分别为0.88(0.76~1.00)、0.88(0.81~1.00)和0.78(0.60~0.96);决策曲线显示影像组学显著提升了临床评估效能;临床传统诊断模型中黑质头部及整体对比噪声比(contrast-to-noise ratio,CNR)(Head_CNR、Whole_CNR)差异有统计学意义(P<0.01);LeastAxisLength、LargeAreaEmphasis、Head_CNR与H-Y分级成负相关,与统一帕金森病评定量表Ⅲ(Unified Parkinson's Disease Rating Scale Part III,UPDRS-Ⅲ)评分无明显相关性。结论NM-MRI影像组学联合模型可显著提高PD诊断准确性,筛选出的SurfaceVolumeRatio和Mean等影像组学特征具有成为PD特异性标志物的潜力,同时,Head_CNR及形态学参数(LeastAxisLength、LargeAreaEmphasis)对疾病严重程度的量化评估具有临床应用价值。
