目的本研究旨在开发一种基于多参数MRI的影像组学和深度学习技术的联合模型,以预测较低级别胶质瘤(lower-grade glioma,LGGs)患者的异柠檬酸脱氢酶基因(isocitrate dehydrogenase gene,IDH-1)突变状态。材料与方法回顾性纳入经病理确诊...目的本研究旨在开发一种基于多参数MRI的影像组学和深度学习技术的联合模型,以预测较低级别胶质瘤(lower-grade glioma,LGGs)患者的异柠檬酸脱氢酶基因(isocitrate dehydrogenase gene,IDH-1)突变状态。材料与方法回顾性纳入经病理确诊为LGGs的患者的临床、影像和病理资料。基于多参数MRI,结合影像组学特征和2.5D-CrossFormer深度学习模型提取的深度学习特征,构建IDH-1突变状态的预测模型。通过特征筛选、机器学习算法的应用,并结合临床变量,构建临床-影像组学-深度学习的nomogram模型。结果最终纳入186例患者,其中IDH-1阳性79例,阴性107例。提取10530个影像组学特征及32个深度学习特征。经过筛选和特征降维,保留了20个影像组学-深度学习特征。多种机器学习模型中,LightGBM构建的深度影像组学模型表现最佳,训练组和验证组的曲线下面积(area under the curve,AUC)分别为0.94和0.86。结合临床变量构建的nomogram模型在训练组中的AUC达到0.97,显著优于影像组学模型和临床模型,在验证组中也表现出良好的预测效能。结论本研究基于多参数MRI的影像组学和深度学习技术,成功构建了瘤内及瘤周水肿特征的联合模型,用于预测LGGs的IDH-1突变状态。该模型具有较高的诊断准确性,有望为LGGs患者治疗方案的制订及预后评估提供重要的影像学依据。展开更多
目的比较基于双参数MRI的深度学习模型和临床模型对临床显著性前列腺癌(clinical significant prostate cancer,csPCa)的诊断价值,并联合深度学习模型和临床指标建立混合模型,探讨混合模型对csPCa诊断效能的提升价值。材料与方法回顾性...目的比较基于双参数MRI的深度学习模型和临床模型对临床显著性前列腺癌(clinical significant prostate cancer,csPCa)的诊断价值,并联合深度学习模型和临床指标建立混合模型,探讨混合模型对csPCa诊断效能的提升价值。材料与方法回顾性分析本院2017年2月至2022年5月共531例因临床怀疑前列腺癌而行术前MRI并行后续穿刺和/或手术病理检查患者的临床及影像资料,其中csPCa 319例,非csPCa 212例。按照8∶2比例随机划分为训练集(425例)和测试集(106例)。手动勾画T2加权成像(T2-weighted imaging,T2WI)、扩散加权成像(diffusion-weighted imaging,DWI)及表观扩散系数(apparentdiffusion coefficient,ADC)图像的感兴趣区后采用DenseNet网络建立深度学习模型,采用单因素和多因素逻辑回归筛选出临床特征后建立临床模型,并使用逻辑回归联合深度学习模型和临床特征建立深度学习-临床混合模型。使用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型性能,使用DeLong检验比较曲线下面积(area under the curve,AUC)。结果逻辑回归分析显示年龄、前列腺特异性抗原(prostate specific antigen,PSA)及前列腺影像报告和数据系统(prostate imaging reporting and data system,PI-RADS)评分为csPCa的独立危险因素。在测试集中,深度学习模型的AUC值为0.90[95%置信区间(confidence interval,CI):0.85~0.96],临床模型的AUC值为0.85(95%CI:0.78~0.92),两者间差异无统计学意义(P=0.245)。深度学习-临床混合模型的AUC值为0.93(95%CI:0.88~0.98),优于临床模型(P=0.034)和深度学习模型(P=0.048)。结论深度学习模型对csPCa的诊断效能与临床模型相当;深度学习-临床混合模型对csPCa的诊断效能最高,具有良好的应用价值,可作为临床诊断csPCa的辅助工具。展开更多
文摘目的本研究旨在开发一种基于多参数MRI的影像组学和深度学习技术的联合模型,以预测较低级别胶质瘤(lower-grade glioma,LGGs)患者的异柠檬酸脱氢酶基因(isocitrate dehydrogenase gene,IDH-1)突变状态。材料与方法回顾性纳入经病理确诊为LGGs的患者的临床、影像和病理资料。基于多参数MRI,结合影像组学特征和2.5D-CrossFormer深度学习模型提取的深度学习特征,构建IDH-1突变状态的预测模型。通过特征筛选、机器学习算法的应用,并结合临床变量,构建临床-影像组学-深度学习的nomogram模型。结果最终纳入186例患者,其中IDH-1阳性79例,阴性107例。提取10530个影像组学特征及32个深度学习特征。经过筛选和特征降维,保留了20个影像组学-深度学习特征。多种机器学习模型中,LightGBM构建的深度影像组学模型表现最佳,训练组和验证组的曲线下面积(area under the curve,AUC)分别为0.94和0.86。结合临床变量构建的nomogram模型在训练组中的AUC达到0.97,显著优于影像组学模型和临床模型,在验证组中也表现出良好的预测效能。结论本研究基于多参数MRI的影像组学和深度学习技术,成功构建了瘤内及瘤周水肿特征的联合模型,用于预测LGGs的IDH-1突变状态。该模型具有较高的诊断准确性,有望为LGGs患者治疗方案的制订及预后评估提供重要的影像学依据。
文摘目的比较基于双参数MRI的深度学习模型和临床模型对临床显著性前列腺癌(clinical significant prostate cancer,csPCa)的诊断价值,并联合深度学习模型和临床指标建立混合模型,探讨混合模型对csPCa诊断效能的提升价值。材料与方法回顾性分析本院2017年2月至2022年5月共531例因临床怀疑前列腺癌而行术前MRI并行后续穿刺和/或手术病理检查患者的临床及影像资料,其中csPCa 319例,非csPCa 212例。按照8∶2比例随机划分为训练集(425例)和测试集(106例)。手动勾画T2加权成像(T2-weighted imaging,T2WI)、扩散加权成像(diffusion-weighted imaging,DWI)及表观扩散系数(apparentdiffusion coefficient,ADC)图像的感兴趣区后采用DenseNet网络建立深度学习模型,采用单因素和多因素逻辑回归筛选出临床特征后建立临床模型,并使用逻辑回归联合深度学习模型和临床特征建立深度学习-临床混合模型。使用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型性能,使用DeLong检验比较曲线下面积(area under the curve,AUC)。结果逻辑回归分析显示年龄、前列腺特异性抗原(prostate specific antigen,PSA)及前列腺影像报告和数据系统(prostate imaging reporting and data system,PI-RADS)评分为csPCa的独立危险因素。在测试集中,深度学习模型的AUC值为0.90[95%置信区间(confidence interval,CI):0.85~0.96],临床模型的AUC值为0.85(95%CI:0.78~0.92),两者间差异无统计学意义(P=0.245)。深度学习-临床混合模型的AUC值为0.93(95%CI:0.88~0.98),优于临床模型(P=0.034)和深度学习模型(P=0.048)。结论深度学习模型对csPCa的诊断效能与临床模型相当;深度学习-临床混合模型对csPCa的诊断效能最高,具有良好的应用价值,可作为临床诊断csPCa的辅助工具。
