简介：摘要目的探讨基于CT的血栓强化（TE）特征及血栓渗透性预测急性大脑中动脉闭塞性卒中心源性血栓的价值。方法回顾性分析2020年1月至2022年7月苏州大学附属第一医院收治的发病时间小于12 h的93例急性大脑中动脉闭塞性卒中患者的临床及影像资料。根据TOAST标准将患者按血栓来源不同分为心源性血栓（CE）组43例、大动脉粥样硬化性血栓（LAA）组50例。所有患者均接受头颅CT平扫和CT血管成像，并对患者的血栓渗透性［血栓CT值的增加值（TAI）、血栓孔隙率（ε）］及TE特征进行评估。采用独立样本t检验、Mann-Whitney U检验及χ²检验对2组患者进行单因素分析，将差异有统计学意义的指标纳入二元logistic回归分析，评估心源性血栓的影响因素，并构建logistic模型。采用受试者操作特征（ROC）曲线及曲线下面积（AUC）评估TAI、ε、TE及logistic模型预测急性大脑中动脉闭塞性卒中心源性血栓的价值。结果CE组与LAA组患者性别、房颤史、高血压史、糖尿病史、吸烟史、基线美国国立卫生研究院卒中量表（NIHSS）、TAI、ε、TE特征阳性差异均有统计学意义（P<0.05）。二元logistic回归显示TAI（OR=1.300，95%CI 1.147~1.473，P<0.001）、高血压史（OR=0.116，95%CI 0.025~0.535，P=0.006）、基线NIHSS（OR=1.165，95%CI 1.040~1.304，P=0.008）是预测急性大脑中动脉闭塞性卒中心源性血栓的独立影响因素。ROC曲线分析显示logistic模型预测心源性血栓的AUC最大，为0.907（95%CI 0.848~0.966）；TE特征阳性预测心源性血栓的灵敏度最高，为90.7%。结论基于CT的TE特征及血栓渗透性预测急性大脑中动脉闭塞性卒中心源性血栓具有一定的应用价值。

简介：摘要目的探讨基于钆塞酸二钠增强MRI肝胆期影像组学特征的不同机器学习模型术前预测肝细胞癌（HCC）微血管侵犯（MVI）的价值。方法回顾性分析2015年6月至2020年6月在苏州大学附属第一医院经病理证实的132例HCC患者的资料，MVI阳性72例、阴性60例。按照7∶3的比例以随机种子法分为训练集和验证集。利用PyRadiomics软件提取肝胆期图像影像组学特征，采用最小绝对收缩和选择算子（LASSO）回归5折交叉验证法对训练集临床和影像组学特征进行筛选，得到最优特征子集，然后用6种机器学习方法（决策树、极端梯度提升、随机森林、支持向量机、广义线性模型和神经网络）构建预测模型，采用ROC曲线评估模型的预测能力，采用DeLong检验比较6种机器学习算法曲线下面积（AUC）的差异。结果经LASSO回归筛选后获得14个特征组成最优特征子集，包括2个临床特征（肿瘤最大径和甲胎蛋白）和12个影像组学特征。训练集中基于最优特征子集构建的决策树、极端梯度提升、随机森林、支持向量机、广义线性模型和神经网络模型预测HCC MVI的AUC值分别为0.969、1.000、1.000、0.991、0.966和1.000，验证集的AUC值分别为0.781、0.890、0.920、0.806、0.684和0.703。验证集中，极端梯度提升与广义线性模型、神经网络的AUC的差异有统计学意义（Z=2.857、3.220，P=0.004、0.001），随机森林与支持向量机、广义线性模型和神经网络AUC的差异有统计学意义（Z=2.371、3.190、3.967，P=0.018、0.001、<0.001），支持向量机与广义线性模型AUC的差异有统计学意义（Z=2.621，P=0.009），其余机器学习模型间AUC的差异均无统计学意义（P>0.05）。结论基于钆塞酸二钠增强MRI肝胆期图像的影像组学特征构建的机器学习模型可用于术前预测HCC MVI，其中，极端梯度提升和随机森林模型具有较高的预测效能。

简介：摘要目的开发基于基线平扫CT的放射组学列线图模型以鉴别动静脉畸形（AVM）脑出血与原发性脑出血。方法回顾性分析苏州大学附属第一医院2017年10月至2020年9月经手术证实的脑出血患者135例，其中AVM脑出血患者52例，原发性脑出血患者83例。从基线平扫CT提取放射组学特征，计算放射组学评分（Radscore）并构建放射组学模型；结合临床特征和CT征象的多元logistic回归分析用于建立临床模型，并结合Radscore建立列线图模型。使用ROC曲线和决策曲线分析（DCA）评估模型的判别性能。结果经筛选得到的6个特征用于建立放射组学模型。临床模型由年龄（OR 4.739，95%CI 1.382~16.250）和血肿位置（OR 0.111，95%CI 0.032~0.385）构成，列线图模型由年龄、血肿位置和Radscore构成。在训练组，列线图模型（曲线下面积为0.912）与临床模型（曲线下面积为0.816）、放射组学模型（曲线下面积为0.857）比较，差异有统计学意义（Z值分别为2.776、2.034，P值分别为0.006、0.042）；在验证组，列线图模型（曲线下面积为0.919）与临床模型（曲线下面积为0.788）和放射组学模型（曲线下面积为0.810）比较差异无统计学意义（Z值分别为1.796、1.788，P值分别为0.073、0.074）。DCA分析表明，列线图模型的临床价值优于临床模型和放射组学模型。结论列线图模型可有效鉴别AVM脑出血与原发性脑出血，有助于临床决策。

简介：摘要目的探讨能谱CT影像组学特征在鉴别肺癌结节与炎性结节中的价值。方法回顾性分析在苏州大学附属第一医院接受肺部能谱CT扫描的96例肺癌结节和45例炎性结节患者的资料。按照2∶1的比例随机分配为训练组（肺癌结节64例，炎性结节30例）和验证组（肺癌结节32例，炎性结节15例）。利用MaZda软件对训练组动脉期和静脉期70 keV单能量图像进行影像组学特征提取。采用费希尔参数法（Fisher）、分类错误率联合平均相关系数法（POE+ACC）和相关信息测度法（MI）对提取的特征进行筛选，得到3组最优特征子集。然后用线性（LDA）和非线性判别分析法（NDA）对最优特征子集进行分析，计算其鉴别肺癌结节和炎性结节的受试者操作特征（ROC）曲线下面积（AUC）、准确率、灵敏度、特异度、精准率和F1分数。利用人工神经网络（ANN）建立预测模型，并对验证组两种病变进行鉴别。使用Delong检验比较不同的最优特征子集AUC的差异。结果在动脉期，MI-NDA法选择的最优特征子集鉴别训练组肺癌结节和炎性结节的AUC最高，为0.888（95%可信区间0.806~0.943），其准确率、灵敏度和特异度分别为88.3%、87.5%和90.0%。MI-NDA法与Fisher-NDA、（POE+ACC）-NDA法的AUC差异无统计学意义（Z=1.941，P=0.052；Z=1.683，P=0.092）。在静脉期，（POE+ACC）-NDA法选择的最优特征子集的AUC最高，为0.846（95%可信区间0.757~0.912），其准确率、灵敏度和特异度分别为87.2%、92.2%和76.7%。（POE+ACC）-NDA与MI-NDA的AUC差异无统计学意义（Z=1.354，P=0.18），而与Fisher-NDA的AUC差异有统计学意义（Z=2.423，P=0.015）。MI-NDA法选择的动脉期最优特征子集在训练组和验证组的AUC最高，分别为0.888（95%可信区间0.806~0.943）和0.871（95%可信区间0.741~0.951）。结论能谱CT影像组学定量特征可用于鉴别肺癌结节与炎性结节，具有较高的诊断价值。

简介：摘要骨髓瘤和转移瘤均为脊柱常见的恶性病变，它们的临床症状和影像表现相似。当患者仅以腰痛就诊时，正确的诊断对患者的进一步检查和治疗尤为重要。作者从CT、PET-CT和MRI在多发性骨髓瘤及转移瘤鉴别中的应用进行综述。