| 张广兵，王娈鸾.基于CT小肠成像影像组学和深度学习特征预测克罗恩病活动性[J].放射学实践,2026,41(08):898-903 |
| 基于CT小肠成像影像组学和深度学习特征预测克罗恩病活动性 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2026.08.008 |
| 中文关键词: 克罗恩病 CT小肠成像 影像组学 深度学习 预测模型 |
| 英文关键词: |
| 基金项目: |
|
| 摘要点击次数: 15 |
| 全文下载次数: 12 |
| 中文摘要: |
| 【摘要】目的：探讨影像组学联合深度学习特征构建的机器学习模型对克罗恩病（CD）活动性的预测价值。方法：回顾性搜集2017年1月－2025年6月在本院行小肠CT成像（CTE）的90例CD患者的临床和CT资料。在横轴面静脉期薄层重建（层厚1mm）图像上选择206处病变肠段（肠壁厚度大于3mm且有异常强化），沿肠壁轮廓手动逐层勾画ROIs并生成VOIs。使用Pyradiomics软件提取VOIs的影像组学特征。分别选取病灶VOI的横轴面、冠状面和矢状面最大截面图像合成2.5D图像，并通过ResNet50网络训练并提取2.5D图像的深度学习特征。按照7∶3的比例将数据集随机划分为训练集（144例）和验证集（62例）。采用单因素Logistic回归筛选并构建临床模型。采用最小绝对收缩和选择算子（LASSO）对临床特征与影像组学特征进行筛选，依据最小均方误差1个标准差准则选取非零系数特征建立临床-影像组学（CR）模型；随后，采用同样方法对临床特征、影像组学特征及深度学习特征进行筛选并构建联合模型。利用ROC曲线和决策曲线分析（DCA）评估不同模型的预测效能。结果：单因素Logistic回归分析显示，病变段肠壁厚度、静脉期CT值和分层强化是CD活动性的独立预测因子，被纳入到临床模型中。经LASSO筛选，分别得到8个特征用于建立CR模型，9个特征用于建立联合模型。临床模型、CR模型和联合模型在验证集中预测CD活动性的AUC分别为0.738、0.843和0.898。联合模型的效能显著优于临床模型（P=0.036），但与CR模型间的差异不显著（P=0.240）。DCA结果显示在0.26~0.93阈值范围内联合模型具有更高的临床净获益。结论：联合联合临床、CR和深度学习特征建立的预测模型在预测CD活动性方面具有较高的价值。 |
| 英文摘要: |
| |
|
查看全文
下载PDF阅读器 HTML全文 |
| 关闭 |
