简介：摘要目的基于肺癌患者放疗前的CT影像组学特征，综合临床信息与放疗剂量学特征，利用机器学习方法构建症状性放射性肺炎的预测模型。方法回顾性收集2018年11月至2020年4月在江南大学附属医院接受放疗的103例肺癌患者的临床与剂量学资料。获取这些患者放疗前胸部CT影像，勾画双侧正常肺组织结构，提取250种影像组学特征。用单因素分析研究临床、剂量学特征与放射性肺炎发生的相关性。收集所有影像组学特征、临床和剂量学特征作为潜在预测因子，通过LASSO回归机器学习方法筛选特征，并得到肺炎预测模型。然后根据筛选的特征建立放射性肺炎发生风险的列线图。结果单因素分析结果表明，症状性放射性肺炎与双侧正常肺组织的平均肺剂量(MLD)、V20 Gy和V30 Gy的相关性具有统计学意义(t＝2.20、2.34、2.93，P<0.05)。在综合所有影像组学特征、临床和放疗剂量学特征后，本研究共筛选出4个特征，为肺的剂量体积百分数V30 Gy，和3个影像组学特征，包括灰度共生矩阵类别的熵特征、小波变换直方图类别的均值及中位数特征。基于这些特征所构建的肺炎预测模型的曲线下面积(AUC)为0.757。绘制了可根据特征值给予个体化的风险预测与提前干预的列线图。结论放疗前的CT影像组学结合剂量学特征可用于预测症状性肺炎的发生，可望为临床提前干预提供帮助。

简介：摘要目的探讨基于动脉自旋标记（ASL）MRI灌注参数和临床病理特征构建的列线图对中晚期鼻咽癌（ANPC，Ⅲ和Ⅳ期）放化疗疗效的预测价值。方法前瞻性纳入2018年6月至2021年1月江南大学附属医院经病理证实的70例ANPC患者，在放化疗前行鼻咽MR平扫、ASL和增强扫描，放化疗疗程结束后1周内行常规MR复查。记录放化疗前的ASL灌注参数肿瘤血流量（TBF）和临床病理特征，并在T1WI图像上测量肿瘤最大径（MD）。根据实体瘤疗效评价标准将患者分为放化疗有效组（48例）和无效组（22例）。采用独立样本t检验比较有效组与无效组间TBF、年龄、MD的差异，以χ²检验比较两组间性别、临床分期、病理类型的差异；使用二元逻辑回归分析分别构建临床病理模型和TBF、临床病理联合模型，并建立联合模型的列线图。采用受试者操作特征（ROC）曲线获得模型的诊断效能，采用DeLong法比较模型间曲线下面积（AUC）的差异。建立列线图的校准曲线，并获得一致性指数（C指数）。结果放化疗有效组和无效组的TBF分别为（113±9）、（97±14）ml·100 g-1·min-1，差异有统计学意义（t=5.17，P<0.001），放化疗有效组的MD值小于无效组，差异有统计学意义（t=-2.24，P=0.028）。2组间临床分期和病理类型差异均有统计学意义（χ²值分别为12.21、12.95，P均<0.001）。通过逻辑回归分析纳入3个独立预测因子，包括TBF（OR值7.749）、临床分期（OR值0.129）及病理类型（OR值5.228）。TBF模型预测放化疗疗效的AUC为0.843，灵敏度为87.5%，特异度为72.7%；临床病理模型的AUC为0.822，灵敏度为80.2%，特异度为59.1%；联合模型列线图的AUC为0.893，灵敏度为81.2%，特异度为90.9%。联合模型列线图与TBF模型的AUC比较差异无统计学意义（Z=1.23，P=0.215），但高于临床病理模型的AUC，差异有统计学意义（Z=2.47，P=0.031）。校准曲线显示联合模型列线图预测值与临床实际观察值间具有较好的一致性，C指数为0.892。结论TBF、临床分期和病理类型是ANPC患者放化疗疗效的独立预测因子，基于此3项因素构建的列线图在预测放化疗疗效方面具有较高的效能。