摘要
第一部分基于CT平扫的2D影像组学模型对卵巢病变良恶性鉴别诊断效能初探 目的： 基于治疗前二维（2D）卵巢肿瘤计算机断层扫描（CT）影像组学特征，构建影像组学模型，来区分良性和恶性卵巢肿瘤。 方法： 回顾性分析江西省人民医院2017年7月至2020年8月行腹部或者盆腔CT检查并经手术病理证实为卵巢肿瘤的患者140例，依据病理结果分为良性组和恶性组，在每位患者CT平扫图像上勾画2D肿瘤感兴趣区并提取图像特征。按照7：3的比例随机分层分为训练组（n＝99）与验证组（n＝41），采用最大相关最小冗余(mRMR)准则及最小绝对收缩选择算子(LASSO)算法对训练集进行最佳特征筛选以确定最佳特征集。运用多元逻辑回归对训练组的关键特征进行训练，得到可用于鉴别卵巢良恶性病变的2D影像组学模型，采用受试者工作特征(ROC)曲线的曲线下面积（AUC）评估其对良性与恶性卵巢肿瘤诊断效能。 结果： 最终筛选出6个特征以创建影像组学模型，其中影像组学模型训练组及验证组AUC为0.87、0.85，具有较好的判别效能。影像组学诺模图训练组的AUC为0.96，验证组的AUC为0.97，显示了良好的鉴别能力。决策曲线明确（DCA）表明了诺模图模型的临床应用价值，表现为对主要的临床事件，如其是否进行下一步检验、治疗或侵入性手术等的影响。 结论： 基于CT平扫的二维影像组学模型具有较高的诊断效能，有助于卵巢良、恶性肿瘤的识别和预测。 第二部分基于CT平扫的3D影像组学模型对卵巢偶发肿瘤性质诊断效能价值分析 目的： 评价三维（3D）的CT平扫影像组学模型在预测卵巢肿瘤良恶性病变诊断中的应用价值，并比较2D影像组学模型及3D影像组学模型的诊断效能差异。 方法： 纳入与第一部分相同的140例卵巢肿瘤病灶，其中良性64例，恶性76例，按7:3的比例随机分成训练组和验证组，采用ITK-SNAP软件在每位患者CT平扫图像上勾画3D肿瘤感兴趣区，最大相关最小冗余(mRMR)准则及最小绝对收缩选择算子(LASSO)算法对训练集进行最佳特征筛选以确定最佳特征集。运用多元逻辑回归对训练组的关键特征进行训练，得到3D影像组学模型，采用AUC评估模型在卵巢肿瘤良恶性诊断中的应用价值。运用DeLong’s检验比较2D与3D影像组学模型的诊断性能。 结果： 从3D感兴趣区域中提取396个纹理特征，并将其缩减为7个特征以构建影像组学模型。影像组学特征训练组AUC为0.86，验证组AUC为0.84，影像组学诺模图训练组的AUC为0.96，验证组的AUC为0.99。训练集和测试集中，2D模型和3D模型的AUC值无统计学差异(Plt;0.05)。决策曲线分析显示，2D模型与3D模型的临床实用性相当。 结论： 在对卵巢肿瘤的良恶性鉴别诊断中，2D与3D影像组学诺模图模型诊断性能与临床实用性相当。并且节省时间的2D模型可能可以作为更好的选择应用于未来研究。
NETL