简介：摘要目的探讨基于影像的膝关节定量结构特征是否可以预测膝关节的症状，并评估这些特征在几种不同的膝关节症状中的预测价值。材料与方法首先从骨性关节炎公用数据库(osteoarthritis initiative，OAI)的美国国立卫生研究院生物标志物联盟基金会项目(Foundation for the National Institutes of Health，FNIH)纳入了551个志愿者数据，并将他们分为训练集和测试集。然后提取其中5个影像特征数据集中153个结构影像特征以及西安大略大学和麦克马斯特大学骨性关节炎指数(Western Ontario and McMaster Universities，WOMAC)，分别用于评估膝关节的结构特征和症状。接下来使用相关性分析和最小冗余最大相关性(minimum-redundancy maximum-relevance，mRMR)方法进行特征选择。最后，构建了基于随机森林(random forest，RF)回归的预测器模型，并评估了他们预测膝关节的症状评分的能力。结果影响膝关节不同症状(物理功能、疼痛、僵硬)的结构影像特征主要集中在股骨和胫骨的内侧位置。基于这些特征建立的预测器模型表现出了良好的可行性和准确性：4个预测器的R方值在训练和测试集中均高于0.9。疼痛和僵硬预测器的平均绝对误差(mean absolute errors，MAEs)和均方误差(mean squared errors，MSEs)在训练和测试集中均被限制在0.5以下，物理功能预测的MAEs和MSEs在训练/测试集分别为0.5296/2.2727、0.4449/7.8488，总分预测的MAEs和MSEs在训练/测试集分别为1.4167/3.3498、3.1651/16.3974。结论所建立的随机森林模型可以有效地用于预测和评估膝关节症状，筛选出来的结构特征可以在将来用作膝关节症状评估和指导治疗潜在的影像学标志物。

简介：摘要目的基于MRI平扫T2WI和增强T1WI的影像组学特征值，探讨机器学习模型随机森林(random forest，RF)对子宫内膜癌肌层浸润深度预测价值。材料与方法回顾性分析行盆腔MRI平扫及增强检查并经手术病理证实为子宫内膜癌患者的影像资料114例(ⅠA期86例，ⅠB期28例)，以4∶1的比例通过分层抽样的方法分为训练集和测试集。采用ITK-SNAP软件分别在矢状面平扫T2WI图像及多期增强T1WI图像第二时相进行手动逐层勾画ROI，分别对T2WI和增强T1WI数据集进行影像组学特征值提取(https://github.com/Radiomics/pyradiomics)，并对随机森林模型进行训练和测试(http://scikit-learn.org/)，采用ROC曲线评价预测效能。结果基于平扫T2WI图像特征值建立的RF模型预测子宫内膜癌肌层浸润深度在测试集的曲线下面积(AUC)为0.938，其准确度、敏感度、特异度分别为91.3%、87.5%、93.3%，模型中重要性排名前3位的特征分别为形状平坦度(shape flatness，SF)、灰度级带矩阵区域方差(GLSZM zone variance，GLSZM-ZV)、灰度级长矩阵运行方差(GLRLM run variance，GLRLM-RV)；基于增强T1WI图像建立的RF模型在测试集的AUC为0.818，准确度、敏感度、特异度分别为81.8%、100%、75.0%，模型中重要性排名前3位的特征分别为SF、灰度相关矩阵高灰度依赖程度(GLDM large dependence high gray level emphasis，GLDM-LDHGLE)、灰度共生矩阵相关性(GLCM correlation)。结论基于MRI影像组学的随机森林模型在预测子宫内膜癌肌层浸润深度中具有较大应用潜力，其中基于平扫T2WI图像建立模型较增强T1WI显示出更大的诊断价值。