目的 探討基于機器學習的影像組學模型在重度無癥狀性頸動脈狹窄危險分層中的應用價值。方法 回顧性收集2017—2021年中日友好醫院心臟血管外科188例重度頸動脈狹窄患者的病例資料及頭頸CT血管造影圖像，其中訓練集131例［男107例、女24例，平均年齡（68±8）歲］，驗證集57例［男 50 例、女 7 例，平均年齡（67±8）歲］。在橫斷面上沿頸動脈斑塊的邊緣逐層手動勾畫感興趣體積。使用Python軟件的Pyradiomics包提取影像組學特征。采用組內及組間相關系數、冗余性分析、最小絕對收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）回歸分析進行特征篩選。使用邏輯回歸、決策樹、隨機森林、支持向量機、樸素貝葉斯和K最鄰近6種不同的有監督機器學習算法將篩選出的影像組學特征用于構建預測模型。采用受試者工作特征（receiver operating characteristic，ROC）曲線和ROC曲線下面積（area under the curve，AUC）比較各預測模型的診斷效能，并通過驗證集進行驗證。使用校準曲線和決策曲線分析（decision curve analysis，DCA）評價預測模型的校準度和臨床實用性。結果 基于訓練集最終篩選出4個影像組學特征用于構建預測模型。在6種機器學習模型中，邏輯回歸模型表現出較高且穩定的診斷效能，在訓練集中的AUC為0.872，靈敏度為100.0%，特異性為66.2%；在驗證集中的AUC為0.867，靈敏度為83.3%，特異性為78.8%。校準曲線及DCA顯示，邏輯回歸模型具有良好的校準度及臨床應用價值。結論 基于機器學習的影像組學預測模型在重度無癥狀性頸動脈狹窄患者危險分層中具有一定的應用價值。
目的 構建識別臨床高風險頸動脈斑塊的影像組學模型。 方法 回顧性分析中日友好醫院2016年12月—2022年6月治療頸動脈狹窄患者的臨床資料。依據6個月內是否出現卒中、短暫性腦缺血發作及其他腦血管臨床癥狀將患者分類為臨床高風險頸動脈斑塊組和臨床低風險頸動脈斑塊組，納入關鍵變量建立極致梯度提升、支持向量機、高斯樸素貝葉斯、邏輯回歸、K最鄰近以及人工神經網絡6種機器學習模型，隨后結合logistic回歸分析臨床危險因素構建聯合預測模型。 結果 納入652例患者。分析結果顯示在6種影像組學機器學習模型中，極致梯度提升模型的表現最好，驗證集曲線下面積（area under the curve，AUC）為0.751，同時利用臨床病例資料以及頸動脈影像資料建立的極致梯度提升聯合預測模型驗證集AUC為0.823。 結論 影像組學特征聯合臨床特征構建模型可以有效預識別臨床高風險頸動脈斑塊。
目的 分析肺動脈血栓內膜剝脫術（pulmonary thromboendarterectomy，PTE）后機械通氣時間延長的危險因素。方法 回顧性分析中日友好醫院2016年12月—2021年8月行PTE患者的臨床資料。按術后機械通氣時間，將患者分為機械通氣時間≤48 h組與機械通氣時間＞48 h（機械通氣時間延長）組。采用單因素及二元logistic回歸分析影響患者術后機械通氣時間延長的術前危險因素。 結果 共納入90例患者，機械通氣時間≤48 h組40例，其中男30例、女10例，平均年齡（45.48±12.72）歲；機械通氣時間＞48 h組50例，其中男29例、女21例，平均年齡（55.50±10.42）歲。機械通氣時間≤48 h組術后中位ICU停留時間3.0 d，術后中位住院時間15.0 d；機械通氣時間＞48 h組術后中位ICU停留時間7.0 d，術后中位住院時間20.0 d。術后機械通氣時間延長與三尖瓣環收縮期位移（tricuspid annular plane systolic excursion，TAPSE）［OR=0.839，95%CI（0.716，0.983），P=0.030］、年齡［OR=1.082，95%CI（1.034，1.132），P=0.001］、肺血管阻力（pulmonary vascular resistance，PVR）［OR=1.001，95%CI（1.000，1.003），P=0.028］有顯著相關性。 結論 年齡及PVR是PTE術后機械通氣時間延長的術前危險因素；TAPSE是PTE術后機械通氣時間延長的術前保護因素。