中华急诊医学杂志  2023, Vol. 32 Issue (11): 1578-1582   DOI: 10.3760/cma.j.issn.1671-0282.2023.11.031
影像组学在急重症非肿瘤性疾病中的研究应用与进展
余姗姗 , 张倩楠 , 严丽 , 方瑜     
华中科技大学同济医学院附属同济医院急诊科,武汉 430030

2012年荷兰Lambin首先提出“影像组学”的概念,是计算机深度分析结合大数据在临床中重要的应用研究,发展迅速。影像组学是对影像源文件经高通量提取深层次信息,分析图形纹理,量化处理,结合临床大数据分析,用于疾病预测与诊断治疗[1]。目前影像组学广泛运用于肿瘤良恶性的诊断(如肺部、脑、前列腺)及预后判断[2]。在非肿瘤性疾病领域的研究也日益增多,如阿尔兹海默病、肝硬化等疾病的鉴别诊断[3]。在急重症领域的研究应用也越来越广泛,例如在急性心脑血管疾病关键问题的临床研究日渐成熟。本文将重点讨论影像组学在急重症非肿瘤性疾病的应用与进展,为后续影像组学在临床研究和应用提供更多的依据。

1 影像组学研究方法

影像组学是将视觉影像信息通过计算机转化为可挖掘的数据来进行量化分析,进行深度的生物学信息研究。研究过程分为4个部分:(1)图像采集和重建:根据研究目的收集包含目标参数的数据集(CT、MRI、X光或者超声图像的原始文件);(2)图像分割与渲染:采用全自动分割、半自动分割以及手动分割3种方式选取兴趣区;(3)特征提取和筛选:从兴趣区内提取并定量影像特征,如形态学特征、一阶特征(如均数、标准差、峰值等)、二阶及高阶特征(灰度共生矩阵、灰度大小区域矩阵等);(4)建模及验证:根据实际问题建模,将收集的影像组学特征纳入诊断或治疗结果的预测模型进行风险评估,挖掘出有意义的影像组学特征,通过数据集验证模型的准确性及特异度,并分析其临床意义,从而实现对疾病的精准诊疗和预测。这是目前绝大部分影像组学研究所采用的研究模式。

2 影像组学在各系统中的应用与进展

目前在非肿瘤性急重症疾病中,影像组学在神经系统、呼吸系统、消化系统、泌尿系统、运动系统等领域已经有一定量具有应用前景的研究成果。

2.1 神经系统

在急性脑血管病的一些关键问题上,影像组学已表现出其临床应用前景。

在急性脑缺血性疾病中,影像组学主要用于预测急性脑卒中的发病时间、恶性大脑中动脉梗塞(malignant middle cerebral artery infarction,mMCAi)的预后、预测急性脑梗塞的脑水肿(malignant cerebral edema,MCE)及出血转化(hemorrhagic transformation,HT)、动脉取栓后的效果评价等关键问题。Wen等[4]分析急性大脑中动脉闭塞的CT图像,距发作时间4.5 h为界分两组,筛查放射组学特征结合临床特点预测模型的曲线下平均面积(Area Under Curve,AUC)为0.82,用于指导卒中时间不确定患者的溶栓治疗。郭静丽等[5]基于急性脑卒中DWI和FLAIR的影像,筛选10个与卒中时间密切相关的影像组学特征,能够较准确地预测急性脑卒中的发病时间(AUC 0.915),为发病时间不明患者的临床静脉溶栓治疗提供指导。mMCAi常提示不良预后,Wen等[6]分析发病24 h内大脑中动脉区脑梗死CT和CTA数据,建立模型预测mMCAi,在训练集和验证集的AUC分别为0.917和0.913,具有良好的预测效能。急性脑梗塞的MCE会导致不良结局,预测MCE有助于筛选从去骨瓣减压术中获益的患者。Fu等[7]提出一种新图像处理IP-NWU程序,分析CT图像不需病灶分割,对比缺血性和对侧正常区,最高的AUC为0.96,表明IP-NWU与放射组学模型能够精确预测MCE,为早期手术治疗提供依据。急性脑卒中治疗过程中严重的风险是HT,预测卒中后HT,以便采取适当的治疗方式。Kassner等[8]对卒中后(3.5±1.5)h的增强MR进行二阶纹理特征分析,发现灰度共生矩阵中对比度(f2)和相关度(f3)纹理特征是预测梗死后出血的重要预测因素,用于出血转化的预测。Zhai等[9]从大面积脑梗塞的DWI或T2/Flair的图像中提取定量纹理特征,5个预测参数中最高的AUC达到0.795,具有较好的HT预测性能,可早期指导溶栓治疗。影像组学对接受血管内治疗患者的预后同样具有指导意义,Ramos[10]对MR CLEAN研究中急性脑卒中患者接受血管内治疗的图像数据进行分析建模,发现深度学习图像特征与临床数据的结合可以显著提高再灌注患者的预后预测的准确性。缪丽琼等[11]对急性脑卒中血管内机械取栓切除术治疗前DWI高信号梗死区和灌注加权成像PWI灌注异常区进行分割,确定HT相关的最佳影像组学特征,测试集患者HT的AUC为0.921,对早期准确识别HT高风险患者具有较高的效能。

急性脑出血中需要对血肿扩大及周围水肿区进行预测,因为血肿变化对治疗方式的选择意义重大。Shen等[12]收集脑出血患者的基线及24 h随访CT,进行纹理分析,根据24小时血肿扩大≥33%进行二分法,建立预测模型,AUC在0.77~0.92之间,有效预测早期血肿扩大。杨光伟等[13]对基底节区脑出血血肿周围水肿区的CT进行影像组学研究,对血肿周围水肿与正常脑组织的鉴别,最高AUC达0.87。类似的杨俊等[14]构建一个可预测高血压脑出血早期血肿扩大的影像组学模型,根据入院后0.5 h内及24 h内头颅CT复查,判断有无血肿扩大,提取影像学特征,采用支持向量机分类器构建预测模型,AUC为0.928,敏感度和特异度分别为92.5%、83.5%,该模型有助于对高血压脑出血的早期血肿扩大进行预测。陈媛媛等[15]将临床评价指标与影像组学联合,以预测自发性脑出血后早期血肿扩大,联合预测模型的曲线下面积分别为0.870,具有良好校准度,有助于临床个体化评估脑出血患者发生早期血肿扩大的风险。

2.2 心血管重症

在心血管系统疾病中,影像组学可用于急性心肌梗塞的预后判断、急性心肌炎及主动脉夹层的早期诊断等。影像组学可运用于急性ST段抬高心肌梗死(ST-segment elevation myocardial infarction,STEMI)的诊断和预测,通过对心肌和心肌周围脂肪分析区分急性心肌梗死和不稳定型心绞痛。Chen等[16]对急性心肌梗塞心肌T2加权成像和钆增强图像确定梗死心肌和可挽救心肌,发现存在5个量化特征能够显著区分心肌梗死的程度,以鉴别可逆和不可逆性心肌损伤,AUC达0.91。马全美等[17]根据非增强T1的放射组学对STEMI的心肌损伤进行诊断和预测,结合放射组学特征和T1值对微血管闭塞诊断性能更高,为左心纵向收缩心肌收缩力恢复提供更高的预测效能。Si等[18]基于急性心肌梗死患者冠状动脉CTA,探索冠状动脉周围脂肪组织(pericoronary adipose tissue,PCAT)的放射组学分析是否可以区分心肌梗死(myocardial infarction,MI)和不稳定心绞痛,组合模型取得了优异的性能(AUC=0.97),提示PCAT通过放射组学可以进一步提高早期MI的诊断性能。同样Lin基于冠状动脉CTA的研究也发现,基于放射组学的模型在准确识别MI方面优于基于PCAT衰减的模型[19]。急性MI患者经皮冠状动脉介入可能会发生心律失常等不良心脏事件(major adverse cardiovascular event,MACE)。马全美[20]的研究显示接受PCI的STEMI患者,基于非对比T1的放射组线图可用于预测MACE和急性STEMI的风险分层。Tommaso等[21]利用放射组学在MRI晚期钆增强区分MI和心肌炎,以评估心脏MRI晚期钆增强区域的影像组学特征能否区分MI和心肌炎,结果显示磁共振钆增强的放射组学特征允许通过使用2D特征和递归特征消除技术或3D特征区分MI和心肌炎。

在主动脉夹层的诊断中,经常会先获得CT平扫图像,部分改变可提示主动脉夹层,Guo等[22]等利用非增强CT图像的放射组学特征可有效地预测胸主动脉夹层的发生,模型的AUC达0.92,可作为主动脉夹层潜在的筛查工具。Zhou等[23]基于非增强CT的放射组学模型对急性主动脉夹层的早期诊断,筛选14个非特征参数,验证组模型的准确度、敏感度、特异度和AUC分别为90.0%、94.1%、84.6%和0.952,基于CT平扫的模型能够较准确的进行急性主动脉夹层的早期诊断,放射组学可作为主动脉夹层重要的辅助诊断工具。

2.3 呼吸系统

影像组学在呼吸系统广泛应用于肺内小结节的良恶性鉴别和纤维化等的诊断[24]。在急性呼吸系统疾病中,研究初步应用于急性呼吸窘迫综合征的早期诊断以及各类感染性疾病的鉴别诊断。Röhrich等[25]基于创伤后首次胸部CT构建模型预测急性呼吸窘迫综合征的发生概率,放射组学评分的AUC为0.79,敏感度0.8和特异度0.76,其准确性超过常规评分,可作为急性呼吸窘迫综合征早期诊断的重要方法。Gong等[26]使用放射组学、临床和影像学特征的组合模型,用于区分局灶性肺炎样肺癌和肺部炎症性病变,最高AUC为0.915,表明基于CT的放射组学特征、临床因素和CT形态的组合模型可有效区分局灶性炎症或肺癌。Gao等[27]研究使用非增强CT区分肺栓塞和社区获得性肺炎的放射组学方法,综合模型取得最佳敏感度0.703,特异度0.867,优于临床模型和放射科医生的诊断,为临床实践提供更多的依据。Li等[28]研究用于支原体肺炎和细菌性肺炎的放射组学列线图的开发和验证,在放射组学—临床模型中,测试集的AUC为0.847,有助于临床决策。Wang等[29]用于区分肺炎和急性百草枯肺损伤的放射组学分析,验证集模型AUC为0.865,结合放射组学特征和临床危险因素,将不明中毒病史的患者区分百草枯肺损伤和肺炎,为临床医生采取恰当的治疗措施提供更充分的诊断依据。Yan等[30]分析非结核分枝杆菌肺部疾病和肺结核的腔体CT影像组学特征,验证集中6个模型的AUC值均大于0.84,表明CT中空腔的影像组学特征可以为区分两者提供有效依据,影像组学分析显示出比放射科医师更为准确的诊断效能。

2.4 消化重症

影像组学可用于急性胰腺炎(acute pancreatitis,AP)的诊断评估、预后及复发风险预测。目前影像学诊断中,急性胰腺炎的严重程度评估主要依据胰腺的形态学改变及CT评分。Lin等[31]基于对比增强T1WI预测AP的严重程度,AUC为0.848,相较于其他临床模型(AUC为0.725)显示出更高的预测效能,表明基于增强MRI的影像组学可用于早期评估AP的严重程度。Zhou等[32]从AP患者胰周液体积聚的T2WI和胰腺实质的MR动脉晚期影像中提取影像组学特征建模用于预测早期胰周坏死,其胰周液体积聚的影像组学模型的AUC为0.976,基于胰腺实质的模型AUC为0.921,预测效能均显著提高,对胰周坏死的更早期精准治疗提供依据。Chen等[33]从首次发生AP患者的动脉期和静脉期CT增强影像中提取影像组学特征,并随访确定是否存在复发性AP,从而建立了基于增强CT预测AP复发的影像组学模型,其AUC为0.929,准确度为89.0%,预测效能显著高于临床预测模型,该模型为首发AP的复发提供了一个较精准的预测方法,有利于更好的识别有急性并发症或复发风险的AP患者。

2.5 泌尿系统

影像组学在泌尿系统急诊中主要应用于肾结石的诊断及预后评估、感染性结石的判断及治疗策略的选择。在低剂量CT平扫中,静脉石与肾结石有时鉴别较困难,Thomas等[34]通过使用放射组学和机器学习在急性腰痛患者非增强低剂量CT扫描中区分肾结石和静脉石,建立的机器学习分类模型在独立测试集上的总体准确率达到了85.1%,AUC为0.90,能够准确区分急性腰痛患者的肾结石和静脉石。Zheng等[35]开发了一种使用机器学习来识别体内尿路感染结石的非侵入性放射组学模型,从结石中识别出感染性结石,验证集中AUC最高达到0.898,可作为一种非侵入性方式来识别体内尿路感染结石,优化尿石症的疾病管理,从而有效改善患者的预后。Payam等[36]通过CT图像的自动放射组学分析以预测有症状肾结石自发通过的可能性,多变量模型的AUC为0.82,与人工测量相比,尿结石的半自动放射组学分析在预测尿结石排出方面显示出相似的准确性。Fatemeh等[37]从全肾影像组学建模预测肾结石的预后及治疗策略,结果显示肾脏的自动分割和影像组学可以评估肾结石肾积水的存在以及结石的治疗策略(AUC > 0.85)。

2.6 运动系统

影像组学初步应用于脊柱感染和肌肉损伤的预后判断。Liu等[38]通过影像组学比较化脓性脊柱炎及结核性脊柱炎的CT图像,构建包括椎体宽度等六个预测因素的简化诊断模型,AUC为0.95,显示出较好的预测能力,简化模型能够准确识别骨质破坏并进行临床鉴别。Kang等[39]收集冈上肌腱撕裂患者术前T2图像,使用灰度共生矩阵进行纹理分析,根据术后肌腱状态分组,显示灰度共生矩阵等放射组学特征有助于预测肩袖修复术后肌腱状态,为运动损伤提供更多的预后信息。

3 影像组学在急重症应用中存在的问题与对策

目前影像组学在急重症疾病的临床研究较多,但广泛应用于临床还有一定的距离,主要面临两方面问题:第一,影像组学本身技术的局限性,缺乏统一标准,例如影像采集模式、重建参数及分割阈值、兴趣区选择受研究者经验和主观因素影响;纹理特征存在着可重复性差的问题;全自动分割图像尚未能完全推行,手动分割导致差异等[40]。不少研究正在逐步解决上述技术局限性问题,例如深度学习影像组学可以对全图像直接进行处理,避免繁重的特征提取过程,提升模型的效率和准确率[41]。第二,影像组学的临床应用需紧密结合急重症诊疗需求。在急重症工作中影像结果需快速获取,如急性脑梗塞发病在溶栓窗内,迫切需要能够全自动图像数据分析的影像组学程序以指导诊断和治疗,然而目前全自动分析还有一定距离。同时由于急危重症疾病的特点和客观情况的限制,如急诊MRI难以进行,更高质量的影像检查结果通常难以获得,因此影像组学在急重症的临床研究应用相对滞后。随着急诊影像学发展和临床数据库的增加,人工智能算法提高影像组学计算功效[41],势必会推进影像组学在急重症领域的研究与运用。

4 总结与展望

影像组学作为计算机技术、大数据分析与临床医学紧密结合的重要应用, 在急重症的研究方面仍处于初期阶段,但仍表现出强大的研究前景和应用潜力。如上文所述,影像组学在急性脑血管病、心血管病等多领域取得初步进展,提高了诊断效率并可改善预后。在某些疾病的诊治中潜力巨大,如在急性脑梗塞中指导溶栓治疗、非增强CT影像组学分析提高主动脉夹层的诊断和危急预警等,与急重症临床需求紧密契合。但目前影像组学仍面临诸多挑战,如影像组学特征的量化和标准化、研究设计如何更贴合急重症的治疗需求。

为了深度挖掘影像组学的应用潜力,需将影像组学与其他各学科相结合并进行充分融合,充分利用大数据及人工智能的发展,提高影像组学在急重症诊治中的技术创新和应用效率,使之在急重症领域的应用潜能得到充分彰显。

利益冲突  所有作者声明无利益冲突

参考文献
[1] Lubner MG, Smith AD, Sandrasegaran K, et al. CT texture analysis: definitions, applications, biologic correlates, and challenges[J]. Radiographics, 2017, 37(5): 1483-1503. DOI:10.1148/rg.2017170056
[2] Liu ZY, Wang S, Dong D, et al. The applications of radiomics in precision diagnosis and treatment of oncology: opportunities and challenges[J]. Theranostics, 2019, 9(5): 1303-1322. DOI:10.7150/thno.30309
[3] 胡杉, 梁长虹, 刘再毅, 等. 纹理分析及影像组学在非肿瘤病变的研究应用及进展[J]. 中华放射学杂志, 2019, 53(6): 526-529. DOI:10.3760/cma.j.issn.1005-1201.2019.06.018
[4] Wen XH, Shu ZY, Li YM, et al. Developing a model for estimating infarction onset time based on computed tomography radiomics in patients with acute middle cerebral artery occlusion[J]. BMC Med Imaging, 2021, 21(1): 147. DOI:10.1186/s12880-021-00678-1
[5] 郭静丽, 彭明洋, 王同兴, 等. 基于DWI和FLAIR的机器学习预测急性脑卒中发病时间的研究[J]. 磁共振成像, 2022, 13(3) 22-25, 42. DOI:10.12015/issn.1674-8034.2022.03.005
[6] Wen XH, Li YM, He XD, et al. Prediction of malignant acute middle cerebral artery infarction via computed tomography radiomics[J]. Front Neurosci, 2020, 14: 708. DOI:10.3389/fnins.2020.00708
[7] Fu BW, Qi SL, Tao L, et al. Image patch-based net water uptake and radiomics models predict malignant cerebral edema after ischemic stroke[J]. Front Neurol, 2020, 11: 609747. DOI:10.3389/fneur.2020.609747
[8] Kassner A, Liu F, Thornhill RE, et al. Prediction of hemorrhagic transformation in acute ischemic stroke using texture analysis of postcontrast T1-weighted MR images[J]. J Magn Reson Imaging, 2009, 30(5): 933-941. DOI:10.1002/jmri.21940
[9] Zhai H, Liu ZJ, Wu S, et al. Predictive value of magnetic resonance imaging-based texture analysis for hemorrhage transformation in large cerebral infarction[J]. Front Neurosci, 2022, 16: 923708. DOI:10.3389/fnins.2022.923708
[10] Ramos LA, van Os H, Hilbert A, et al. Combination of radiological and clinical baseline data for outcome prediction of patients with an acute ischemic stroke[J]. Front Neurol, 2022, 13: 809343. DOI:10.3389/fneur.2022.809343
[11] 缪丽琼, 彭明洋, 王同兴, 等. 基于MRI影像组学和机器学习预测急性脑卒中出血转化的研究[J]. 磁共振成像, 2022, 13(3) 18-21, 75. DOI:10.12015/issn.1674-8034.2022.03.004
[12] Shen QJ, Shan YN, Hu ZY, et al. Quantitative parameters of CT texture analysis as potential markersfor early prediction of spontaneous intracranial hemorrhage enlargement[J]. Eur Radiol, 2018, 28(10): 4389-4396. DOI:10.1007/s00330-018-5364-8
[13] 杨光伟, 肖华, 刘玉洲, 等. 基底节区脑出血血肿周围水肿区的CT影像组学研究[J]. 中华神经医学杂志, 2019, 18(12): 1248-1254. DOI:10.3760/cma.j.issn.1671-8925.2019.12.010
[14] 杨俊, 侯自明, 王浩, 等. 影像组学模型对高血压脑出血早期血肿扩大的预测作用研究[J]. 中华神经医学杂志, 2019, 18(1): 49-54. DOI:10.3760/cma.j.issn.1671-8925.2019.01.009
[15] 陈媛媛, 周治明, 王世科, 等. 临床-影像组学联合模型预测自发性脑出血后早期血肿扩大的研究[J]. 中华神经医学杂志, 2021, 20(11): 1117-1123. DOI:10.3760/cma.j.cn115354-20210402-00217,
[16] Chen BH, An DA, He J, et al. Myocardial extracellular volume fraction radiomics analysis for differentiation of reversible versus irreversible myocardial damage and prediction of left ventricular adverse remodeling after ST-elevation myocardial infarction[J]. Eur Radiol, 2021, 31(1): 504-514. DOI:10.1007/s00330-020-07117-9
[17] Ma QM, Ma Y, Yu TT, et al. Radiomics of non-contrast-enhanced T1 mapping: diagnostic and predictive performance for myocardial injury in acute ST-segment-elevation myocardial infarction[J]. Korean J Radiol, 2021, 22(4): 535-546. DOI:10.3348/kjr.2019.0969
[18] Si N, Shi K, Li N, et al. Identification of patients with acute myocardial infarction based on coronary CT angiography: the value of pericoronary adipose tissue radiomics[J]. Eur Radiol, 2022, 32(10): 6868-6877. DOI:10.1007/s00330-022-08812-5
[19] Lin A, Kolossváry M, Yuvaraj J, et al. Myocardial infarction associates with a distinct pericoronary adipose tissue radiomic phenotype: a prospective case-control study[J]. JACC Cardiovasc Imaging, 2020, 13(11): 2371-2383. DOI:10.1016/j.jcmg.2020.06.033
[20] Ma QM, Ma Y, Wang XN, et al. A radiomic nomogram for prediction of major adverse cardiac events in ST-segment elevation myocardial infarction[J]. Eur Radiol, 2021, 31(2): 1140-1150. DOI:10.1007/s00330-020-07176-y
[21] di Noto T, von Spiczak J, Mannil M, et al. Radiomics for distinguishing myocardial infarction from myocarditis at late gadolinium enhancement at MRI: comparison with subjective visual analysis[J]. Radiol Cardiothorac Imaging, 2019, 1(5): e180026. DOI:10.1148/ryct.2019180026
[22] Guo YF, Chen XJ, Lin XD, et al. Non-contrast CT-based radiomic signature for screening thoracic aortic dissections: a multicenter study[J]. Eur Radiol, 2021, 31(9): 7067-7076. DOI:10.1007/s00330-021-07768-2
[23] Zhou ZW, Yang JQ, Wang ST, et al. The diagnostic value of a non-contrast computed tomography scan-based radiomics model for acute aortic dissection[J]. Medicine (Baltimore), 2021, 100(22): e26212. DOI:10.1097/MD.0000000000026212
[24] Refaee T, Bondue B, van Simaeys G, et al. A handcrafted radiomics-based model for the diagnosis of usual interstitial pneumonia in patients with idiopathic pulmonary fibrosis[J]. J Pers Med, 2022, 12(3): 373. DOI:10.3390/jpm12030373
[25] Röhrich S, Hofmanninger J, Negrin L, et al. Radiomics score predicts acute respiratory distress syndrome based on the initial CT scan after trauma[J]. Eur Radiol, 2021, 31(8): 5443-5453. DOI:10.1007/s00330-020-07635-6
[26] Gong JW, Zhang Z, Luo TY, et al. Combined model of radiomics, clinical, and imaging features for differentiating focal pneumonia-like lung cancer from pulmonary inflammatory lesions: an exploratory study[J]. BMC Med Imaging, 2022, 22(1): 98. DOI:10.1186/s12880-022-00822-5
[27] Gao L, Li YZ, Zhai ZG, et al. Radiomics study on pulmonary infarction mimicking community-acquired pneumonia[J]. Clin Respir J, 2021, 15(6): 661-669. DOI:10.1111/crj.13341
[28] Li HL, Li T, Cai QX, et al. Development and validation of a radiomics nomogram for differentiating Mycoplasma pneumonia and bacterial pneumonia[J]. Diagnostics (Basel), 2021, 11(8): 1330. DOI:10.3390/diagnostics11081330
[29] Wang YL, Gao D, Geng ZJ, et al. Radiomics nomogram analyses for differentiating pneumonia and acute paraquat lung injury[J]. Sci Rep, 2019, 9(1): 15029. DOI:10.1038/s41598-019-50886-7
[30] Yan QH, Wang WZ, Zhao WL, et al. Differentiating nontuberculous mycobacterium pulmonary disease from pulmonary tuberculosis through the analysis of the cavity features in CT images using radiomics[J]. BMC Pulm Med, 2022, 22(1): 4. DOI:10.1186/s12890-021-01766-2
[31] Lin Q, Ji YF, Chen Y, et al. Radiomics model of contrast-enhanced MRI for early prediction of acute pancreatitis severity[J]. J Magn Reson Imaging, 2020, 51(2): 397-406. DOI:10.1002/jmri.26798
[32] Zhou T, Xie CL, Chen Y, et al. Magnetic resonance imaging-based radiomics models to predict early extrapancreatic necrosis in acute pancreatitis[J]. Pancreas, 2021, 50(10): 1368-1375. DOI:10.1097/MPA.0000000000001935
[33] Chen Y, Chen TW, Wu CQ, et al. Radiomics model of contrast-enhanced computed tomography for predicting the recurrence of acute pancreatitis[J]. Eur Radiol, 2019, 29(8): 4408-4417. DOI:10.1007/s00330-018-5824-1
[34] De Perrot T, Hofmeister J, Burgermeister S, et al. Differentiating kidney stones from phleboliths in unenhanced low-dose computed tomography using radiomics and machine learning[J]. Eur Radiol, 2019, 29(9): 4776-4782. DOI:10.1007/s00330-019-6004-7
[35] Zheng JJ, Yu H, Batur J, et al. A multicenter study to develop a non-invasive radiomic model to identify urinary infection stone in vivo using machine-learning[J]. Kidney Int, 2021, 100(4): 870-880. DOI:10.1016/j.kint.2021.05.031
[36] Mohammadinejad P, Ferrero A, Bartlett DJ, et al. Automated radiomic analysis of CT images to predict likelihood of spontaneous passage of symptomatic renal stones[J]. Emerg Radiol, 2021, 28(4): 781-788. DOI:10.1007/s10140-021-01915-4
[37] Homayounieh F, Doda Khera R, Bizzo BC, et al. Prediction of burden and management of renal calculi from whole kidney radiomics: a multicenter study[J]. Abdom Radiol (NY), 2021, 46(5): 2097-2106. DOI:10.1007/s00261-020-02865-0
[38] Liu XY, Zheng MM, Sun JM, et al. A diagnostic model for differentiating tuberculous spondylitis from pyogenic spondylitis on computed tomography images[J]. Eur Radiol, 2021, 31(10): 7626-7636. DOI:10.1007/s00330-021-07812-1
[39] Kang Y, Lee GY, Lee JW, et al. Texture analysis of torn rotator cuff on preoperative magnetic resonance arthrography as a predictor of postoperative tendon status[J]. Korean J Radiol, 2017, 18(4): 691-698. DOI:10.3348/kjr.2017.18.4.691
[40] Yip SSF, Aerts HJWL. Applications and limitations of radiomics[J]. Phys Med Biol, 2016, 61(13): R150-R166. DOI:10.1088/0031-9155/61/13/R150
[41] Avanzo M, Wei L, Stancanello J, et al. Machine and deep learning methods for radiomics[J]. Medical physics, 2020, 47(5): e185-e202. DOI:10.1002/mp.13678