基于冠状动脉CT血管成像的影像组学列线图鉴别诊断易损斑块的价值

doi:10.3877/cma.j.issn.2095-655X.2024.01.001

目的

探讨基于冠状动脉CT血管成像(CCTA)的影像组学列线图鉴别诊断冠状动脉疾病(CAD)患者易损斑块的价值。

方法

回顾性分析2018年1月至2022年12月在山西医科大学附属心血管病医院接受CCTA检查的93例CAD患者资料，共95个非钙化斑块，其中包括43个易损斑块，52个稳定斑块。以8∶2的比例随机将数据划分为训练集(n＝76)及测试集(n＝19)。应用Mann-Whitney U检验、相关系数法和最小绝对收缩选择算子(LASSO)回归选择最优的影像组学特征，构建影像组学模型并计算影像组学评分(Radscore)。同时，根据临床资料建立临床模型。结合临床因素和Radscore，构建影像组学列线图。采用受试者工作特征(ROC)曲线、校准曲线及决策曲线分析评估模型的性能。

结果

最终筛选出13个具有非零系数的最优特征。结合Radscore和临床因素的列线图模型在训练集和测试集中的AUC分别为1.000，0.922，敏感度为1.000，1.000，特异度为1.000，0.800，准确度为1.000，0.895。校准曲线显示列线图预测结果与实际结果之间具有良好的一致性。决策曲线分析表明，列线图比临床模型更具有临床应用价值。

结论

结合临床因素和影像组学特征的影像组学列线图能够准确、客观地鉴别诊断易损斑块，具有良好的诊断性能，可用于指导临床决策。

关键词: 斑块，动脉粥样硬化, 冠状动脉CT血管成像, 影像组学, 列线图, 诊断，鉴别

Objective

To investigate the value of radiomics nomogram based on coronary CT angiography (CCTA) in differential diagnosis of vulnerable plaques in patients with coronary artery disease (CAD).

Methods

From January 2018 to December 2022, 93 CAD patients who had undergone CCTA scans at the Affiliated Cardiovascular Hospital of Shanxi Medical University with complete data were enrolled. There were 95 non-calcified plaques, including 43 vulnerable plaques and 52 stable plaques. In an 8: 2 ratio, the lesions were randomly separated into a training set (n=76) and a testing set (n=19). To choose radiomics features appropriate for a CCTA-image-based radiomics signature, the Mann-Whitney U test, the correlation coefficient approach, and least absolute shrinkage and selection operator (LASSO) were used, and a radiomics score (Radscore) was created. Using clinical data and CCTA findings, a clinical model was constructed. Subsequently, the separate clinical parameters and Radscore were integrated to create a radiomics nomogram. The receiver operating characteristics (ROC) curve, calibration curve, and decision curve analysis were used to evaluate the performance of the radiomics signature, clinical model, and nomogram.

Results

Finally, 13 best features with non-zero coefficients were selected. In the training and test sets, the AUC of the nomogram model combined with Radscore and clinical variables were 1.000 and 0.922, sensitivity were 1.000 and 1.000, specificity were 1.000 and 0.800, and accuracy were 1.000 and 0.895, respectively. The calibration curve demonstrated good agreement between expected and actual results. The decision curve analysis revealed that the nomogram had greater clinical application value compared to the clinical model.

Conclusion

Combined with clinical factors and imaging features, the radiomics nomogram can accurately and objectively identify vulnerable plaques, and has good diagnostic performance, which can be used to guide clinical decision-making.

Key words: Plaque, atherosclerotic, Coronary artery computed tomography angiography, Radiomics, Nomogram, Diagnosis, differential

图1 55岁男性冠状动脉疾病患者左冠状动脉前降支斑块勾画示意图注：a图为冠状动脉CT血管成像原始图像；b图为手动分割斑块(箭头所示)

表1 训练集和测试集CAD患者临床特征和CCTA征象分析结果

项目	训练集(n＝76)		统计量	P值	测试集(n＝19)		统计量	P值
项目	稳定斑块(n＝42)	易损斑块(n＝34)	统计量	P值	稳定斑块(n＝10)	易损斑块(n＝9)	统计量	P值
年龄(岁，±s)	55.83±9.73	57.03±11.30	t＝0.496	0.622	58.00±9.17	50.33±13.65	t＝－1.452	0.165
男[例(%)]	27(64.29)	31(91.18)	χ²＝7.517	0.006	6(60.00)	7(77.78)		0.628^*
BMI[kg/m²，M(Q₁，Q₃)，±s]	24.92(22.77，26.31)	24.66(22.27，27.52)	Z＝0.136	0.892	24.27±3.60	26.29±4.38	t＝－1.098	0.287
高血压病[例(%)]	23(54.76)	25(73.53)	χ²＝2.844	0.092	4(40.00)	5(55.56)		0.656^*
糖尿病[例(%)]	6(14.29)	8(23.53)	χ²＝1.068	0.301	2(20.00)	3(33.33)		0.628^*
高脂血症[例(%)]	26(61.90)	29(85.29)	χ²＝5.140	0.023	6(60.00)	7(77.78)		0.628^*
吸烟[例(%)]	16(38.10)	15(44.12)	χ²＝0.282	0.595	4(40.00)	5(55.56)		0.656^*
总胆固醇[mmol/L，M(Q₁，Q₃)，±s]	4.10(3.53，4.75)	4.03(3.41，4.79)	Z＝0.016	0.987	4.84±1.17	5.12±1.92	t＝－0.387	0.704
总甘油三酯[mmol/L，M(Q₁，Q₃)]	1.49(0.97，2.09)	1.53(0.99，2.09)	Z＝0.199	0.843	1.46(0.985，3.22)	1.96(1.64，3.28)	Z＝－1.061	0.288
HDL-C[mmol/L，M(Q₁，Q₃)，±s]	1.00(0.87，1.16)	0.97(0.74，1.13)	Z＝1.102	0.270	1.18±0.37	1.02±0.26	t＝－1.081	0.295
LDL-C[mmol/L，M(Q₁，Q₃)，±s]	2.61(1.93，2.87)	2.37(1.87，2.83)	Z＝1.008	0.313	2.77±0.62	3.05±1.24	t＝0.628	0.539
传统斑块特征
长度[mm，M(Q₁，Q₃)，±s]	13.72(12.18，16.60)	14.83(12.03，17.72)	Z＝0.757	0.449	15.04±1.86	16.87±2.68	t＝1.738	0.100
体积[mm³，M(Q₁，Q₃)]	68.60(54.30，88.19)	93.83(60.27，127.26)	Z＝2.659	0.008	61.66(33.06，80.61)	91.97(69.60，166.79)	Z＝－1.960	0.050
斑块位置[例(%)]				0.297^*				0.025^*
前降支	36(85.71)	25(73.53)			8(80.00)	5(55.56)
右冠状动脉	6(14.29)	8(23.53)			0	4(44.44)
回旋支	0	1(2.94)			2(20.00)	0
高危斑块特征[例(%)]
低密度斑块	23(54.76)	34(100.00)	χ²＝20.510	<0.001	4(40.00)	9(100.00)		0.011^*
正性重构	6(14.29)	27(79.41)	χ²＝32.439	<0.001	0	5(55.56)		0.011^*
"餐巾环"征	1(2.38)	14(41.18)	χ²＝17.850	<0.001	0	4(44.44)		0.033^*

表1 训练集和测试集CAD患者临床特征和CCTA征象分析结果

项目	训练集(n＝76)		统计量	P值	测试集(n＝19)		统计量	P值
项目	稳定斑块(n＝42)	易损斑块(n＝34)	统计量	P值	稳定斑块(n＝10)	易损斑块(n＝9)	统计量	P值
年龄(岁，±s)	55.83±9.73	57.03±11.30	t＝0.496	0.622	58.00±9.17	50.33±13.65	t＝－1.452	0.165
男[例(%)]	27(64.29)	31(91.18)	χ²＝7.517	0.006	6(60.00)	7(77.78)		0.628^*
BMI[kg/m²，M(Q₁，Q₃)，±s]	24.92(22.77，26.31)	24.66(22.27，27.52)	Z＝0.136	0.892	24.27±3.60	26.29±4.38	t＝－1.098	0.287
高血压病[例(%)]	23(54.76)	25(73.53)	χ²＝2.844	0.092	4(40.00)	5(55.56)		0.656^*
糖尿病[例(%)]	6(14.29)	8(23.53)	χ²＝1.068	0.301	2(20.00)	3(33.33)		0.628^*
高脂血症[例(%)]	26(61.90)	29(85.29)	χ²＝5.140	0.023	6(60.00)	7(77.78)		0.628^*
吸烟[例(%)]	16(38.10)	15(44.12)	χ²＝0.282	0.595	4(40.00)	5(55.56)		0.656^*
总胆固醇[mmol/L，M(Q₁，Q₃)，±s]	4.10(3.53，4.75)	4.03(3.41，4.79)	Z＝0.016	0.987	4.84±1.17	5.12±1.92	t＝－0.387	0.704
总甘油三酯[mmol/L，M(Q₁，Q₃)]	1.49(0.97，2.09)	1.53(0.99，2.09)	Z＝0.199	0.843	1.46(0.985，3.22)	1.96(1.64，3.28)	Z＝－1.061	0.288
HDL-C[mmol/L，M(Q₁，Q₃)，±s]	1.00(0.87，1.16)	0.97(0.74，1.13)	Z＝1.102	0.270	1.18±0.37	1.02±0.26	t＝－1.081	0.295
LDL-C[mmol/L，M(Q₁，Q₃)，±s]	2.61(1.93，2.87)	2.37(1.87，2.83)	Z＝1.008	0.313	2.77±0.62	3.05±1.24	t＝0.628	0.539
传统斑块特征
长度[mm，M(Q₁，Q₃)，±s]	13.72(12.18，16.60)	14.83(12.03，17.72)	Z＝0.757	0.449	15.04±1.86	16.87±2.68	t＝1.738	0.100
体积[mm³，M(Q₁，Q₃)]	68.60(54.30，88.19)	93.83(60.27，127.26)	Z＝2.659	0.008	61.66(33.06，80.61)	91.97(69.60，166.79)	Z＝－1.960	0.050
斑块位置[例(%)]				0.297^*				0.025^*
前降支	36(85.71)	25(73.53)			8(80.00)	5(55.56)
右冠状动脉	6(14.29)	8(23.53)			0	4(44.44)
回旋支	0	1(2.94)			2(20.00)	0
高危斑块特征[例(%)]
低密度斑块	23(54.76)	34(100.00)	χ²＝20.510	<0.001	4(40.00)	9(100.00)		0.011^*
正性重构	6(14.29)	27(79.41)	χ²＝32.439	<0.001	0	5(55.56)		0.011^*
"餐巾环"征	1(2.38)	14(41.18)	χ²＝17.850	<0.001	0	4(44.44)		0.033^*

图2 LASSO回归分析通过10折交叉验证的CAD患者基于CCTA的影像组学特征筛选过程图注：a图为基于CCTA提取的1 906个影像组学特征进行统计分析后的P值结果，以进行特征的初步筛选；firstorder为一阶统计特征；gldm为灰度依赖矩阵特征；glszm为灰度区域大小矩阵特征；shape为形状特征；b图为随参数λ变化的均方误差；c图为随参数λ变化的特征系数分布；d图为最终筛选的13个最优特征及其系数。a～d图通过10折交叉验证，不断调整超参数λ，以获取最优特征组合。LASSO为最小绝对收缩选择算子；CAD为冠状动脉疾病；CCTA为冠状动脉CT血管成像

表2 不同影像组学模型在训练集和测试集中鉴别诊断易损斑块的效能

ML模型	训练集(n＝76)				测试集(n＝19)
ML模型	AUC(95%CI)	敏感度	特异度	准确度	AUC(95%CI)	敏感度	特异度	准确度
K近邻	0.850(0.770～0.930)	0.882	0.714	0.789	0.856(0.693～1.000)	0.778	0.800	0.789
随机森林	1.000(0.999～1.000)	1.000	0.976	0.987	0.828(0.615～1.000)	0.889	0.778	0.789
轻量级梯度提升机	0.890(0.814～0.967)	0.912	0.762	0.829	0.794(0.569～1.000)	0.778	0.889	0.789
极端随机树	1.000(1.000～1.000)	1.000	1.000	1.000	0.856(0.678～1.000)	1.000	0.600	0.789
XGBoost	1.000(1.000～1.000)	1.000	1.000	1.000	0.894(0.725～1.000)	1.000	0.800	0.895

表2 不同影像组学模型在训练集和测试集中鉴别诊断易损斑块的效能

ML模型	训练集(n＝76)				测试集(n＝19)
ML模型	AUC(95%CI)	敏感度	特异度	准确度	AUC(95%CI)	敏感度	特异度	准确度
K近邻	0.850(0.770～0.930)	0.882	0.714	0.789	0.856(0.693～1.000)	0.778	0.800	0.789
随机森林	1.000(0.999～1.000)	1.000	0.976	0.987	0.828(0.615～1.000)	0.889	0.778	0.789
轻量级梯度提升机	0.890(0.814～0.967)	0.912	0.762	0.829	0.794(0.569～1.000)	0.778	0.889	0.789
极端随机树	1.000(1.000～1.000)	1.000	1.000	1.000	0.856(0.678～1.000)	1.000	0.600	0.789
XGBoost	1.000(1.000～1.000)	1.000	1.000	1.000	0.894(0.725～1.000)	1.000	0.800	0.895

图3 不同影像组学模型在测试集中鉴别诊断易损斑块的ROC曲线注：ROC为受试者工作特征；AUC为ROC曲线下面积

表3 临床模型、影像组学模型和列线图模型鉴别诊断易损斑块的ROC曲线结果

项目	AUC(95%CI)	敏感度	特异度	准确度
训练集
临床模型	0.937(0.883～0.992)	0.824	1.000	0.921
影像组学模型	1.000(1.000～1.000)	1.000	1.000	1.000
列线图	1.000(1.000～1.000)	1.000	1.000	1.000
测试集
临床模型	0.628(0.359～0.897)	0.444	1.000	0.684
影像组学模型	0.894(0.725～1.000)	1.000	0.800	0.895
列线图	0.922(0.785～1.000)	1.000	0.800	0.895

表3 临床模型、影像组学模型和列线图模型鉴别诊断易损斑块的ROC曲线结果

项目	AUC(95%CI)	敏感度	特异度	准确度
训练集
临床模型	0.937(0.883～0.992)	0.824	1.000	0.921
影像组学模型	1.000(1.000～1.000)	1.000	1.000	1.000
列线图	1.000(1.000～1.000)	1.000	1.000	1.000
测试集
临床模型	0.628(0.359～0.897)	0.444	1.000	0.684
影像组学模型	0.894(0.725～1.000)	1.000	0.800	0.895
列线图	0.922(0.785～1.000)	1.000	0.800	0.895

图4 基于影像组学评分与临床因素建立的列线图

图5 列线图、影像组学模型及临床模型鉴别诊断易损斑块的ROC曲线注：a图为训练集；b图为测试集；ROC为受试者工作特征；AUC为ROC曲线下面积

图6 列线图、影像组学及临床模型鉴别诊断易损斑块的校准曲线注：a图为训练集；b图为测试集

图7 列线图、影像组学及临床模型鉴别诊断易损斑块的决策曲线注：a图为训练集；b图为测试集

[1]	Bhatt DL, Lopes RD, Harrington RA.Diagnosis and treatment of acute coronary syndromes：a review[J].JAMA，2022，327(7)：662-675.DOI：10.1001/jama.2022.0358.
[2]	Khan MH, Rochlani Y, Yandrapalli S, et al.Vulnerable plaque：a review of current concepts in pathophysiology and imaging[J].Cardiol Rev，2020，28(1)：3-9.DOI：10.1097/CRD.0000000000000238.
[3]	Grodecki K, Cadet S, Staruch AD, et al.Noncalcified plaque burden quantified from coronary computed tomography angiography improves prediction of side branch occlusion after main vessel stenting in bifurcation lesions：results from the CT-PRECISION registry[J].Clin Res Cardiol，2021，110(1)：114-123.DOI：10.1007/s00392-020-01658-1.
[4]	Greenland P, Blaha MJ, Budoff MJ, et al.Coronary calcium score and cardiovascular risk[J].J Am Coll Cardiol，2018，72(4)：434-447.DOI：10.1016/j.jacc.2018.05.027.
[5]	van Veelen A, van der Sangen N, Delewi R, et al. Detection of vulnerable coronary plaques using invasive and non-invasive imaging modalities[J].J Clin Med，2022，11(5)：1361.DOI：10.3390/jcm11051361.
[6]	Masuda T, Nakaura T, Funama Y, et al.Deep learning with convolutional neural network for estimation of the characterisation of coronary plaques：validation using IB-IVUS[J].Radiography (Lond)，2022，28(3)：661-662.DOI：10.1016/j.radi.2022.05.002.
[7]	Lee JM, Choi KH, Koo BK, et al.Prognostic implications of plaque characteristics and stenosis severity in patients with coronary artery disease[J].J Am Coll Cardiol，2019，73(19)：2413-2424.DOI：10.1016/j.jacc.2019.02.060.
[8]	Motoyama S, Ito H, Sarai M, et al.Plaque characterization by coronary computed tomography angiography and the likelihood of acute coronary events in mid-term follow-up[J].J Am Coll Cardiol，2015，66(4)：337-346.DOI：10.1016/j.jacc.2015.05.069.
[9]	Kiriᶊli HA, Schaap M, Metz CT, et al.Standardized evaluation framework for evaluating coronary artery stenosis detection，stenosis quantification and lumen segmentation algorithms in computed tomography angiography[J].Med Image Anal，2013，17(8)：859-876.DOI：10.1016/j.media.2013.05.007.
[10]	Cury RC, Abbara S, Achenbach S, et al.CAD-RADS(TM) Coronary Artery Disease-Reporting and Data System.An expert consensus document of the Society of Cardiovascular Computed Tomography (SCCT)，the American College of Radiology (ACR) and the North American Society for Cardiovascular Imaging (NASCI).Endorsed by the American College of Cardiology[J].J Cardiovasc Comput Tomogr，2016，10(4)：269-281.DOI：10.1016/j.jcct.2016.04.005.
[11]	Xu P, Xue Y, Schoepf UJ, et al.Radiomics：the next frontier of cardiac computed tomography[J].Circ Cardiovasc Imaging，2021，14(3)：e011747.DOI：10.1161/CIRCIMAGING.120.011747.
[12]	Chen Q, Pan T, Yin X, et al.CT texture analysis of vulnerable plaques on optical coherence tomography[J].Eur J Radiol，2021(136)：109551.DOI：10.1016/j.ejrad.2021.109551.
[13]	Jiang XY, Shao ZQ, Chai YT, et al.Non-contrast CT-based radiomic signature of pericoronary adipose tissue for screening non-calcified plaque[J].Phys Med Biol，2022，67(10) DOI：10.1088/1361-6560/ac69a7.
[14]	Shaw LJ, Blankstein R, Bax JJ, et al.Society of Cardiovascular Computed Tomography/North American Society of Cardiovascular Imaging-expert consensus document on coronary CT imaging of atherosclerotic plaque[J].J Cardiovasc Comput Tomogr，2021，15(2)：93-109.DOI：10.1016/j.jcct.2020.11.002.
[15]	Roth GA, Mensah GA, Johnson CO, et al.Global burden of cardiovascular diseases and risk factors，1990-2019：update from the GBD 2019 study[J].J Am Coll Cardiol，2020，76(25)：2982-3021.DOI：10.1016/j.jacc.2020.11.010.
[16]	Khan MA, Hashim MJ, Mustafa H, et al.Global epidemiology of ischemic heart disease：results from the global burden of disease study[J].Cureus，2020，12(7)：e9349.DOI：10.7759/cureus.9349.
[17]	Rothwell PM, Eliasziw M, Gutnikov SA, et al.Analysis of pooled data from the randomised controlled trials of endarterectomy for symptomatic carotid stenosis[J].Lancet，2003，361(9352)：107-116.DOI：10.1016/s0140-6736(03)12228-3.
[18]	Hoffmann U, Ferencik M, Udelson JE, et al.Prognostic value of noninvasive cardiovascular testing in patients with stable chest pain：insights from the PROMISE trial (prospective multicenter imaging study for evaluation of chest pain)[J].Circulation，2017，135(24)：2320-2332.DOI：10.1161/CIRCULATIONAHA.116.024360.
[19]	Bittencourt MS, Hulten E, Ghoshhajra B, et al.Prognostic value of nonobstructive and obstructive coronary artery disease detected by coronary computed tomography angiography to identify cardiovascular events[J].Circ Cardiovasc Imaging，2014，7(2)：282-291.DOI：10.1161/CIRCIMAGING.113.001047.
[20]	Achenbach S, Ropers D, Hoffmann U, et al.Assessment of coronary remodeling in stenotic and nonstenotic coronary atherosclerotic lesions by multidetector spiral computed tomography[J].J Am Coll Cardiol，2004，43(5)：842-847.DOI：10.1016/j.jacc.2003.09.053.
[21]	Bittner DO, Mayrhofer T, Puchner SB, et al.Coronary computed tomography angiography-specific definitions of high-risk plaque features improve detection of acute coronary syndrome[J].Circ Cardiovasc Imaging，2018，11(8)：e007657.DOI：10.1161/CIRCIMAGING.118.007657.
[22]	Theofilis P, Sagris M, Antonopoulos AS, et al.Non-invasive modalities in the assessment of vulnerable coronary atherosclerotic plaques[J].Tomography，2022，8(4)：1742-1758.DOI：10.3390/tomography8040147.
[23]	Knuuti J, Wijns W, Saraste A, et al.2019 ESC guidelines for the diagnosis and management of chronic coronary syndromes[J].Eur Heart J，2020，41(3)：407-477.DOI：10.1093/eurheartj/ehz425.
[24]	Maroules CD, Hamilton-Craig C, Branch K, et al.Coronary Artery Disease Reporting and Data System (CAD-RADS(TM))：inter-observer agreement for assessment categories and modifiers[J].J Cardiovasc Comput Tomogr，2018，12(2)：125-130.DOI：10.1016/j.jcct.2017.11.014.
[25]	Kolossváry M, Kellermayer M, Merkely B, et al.Cardiac computed tomography radiomics：a comprehensive review on radiomic techniques[J].J Thorac Imaging，2018，33(1)：26-34.DOI：10.1097/RTI.0000000000000268.
[26]	Kolossváry M, Park J, Bang JI, et al.Identification of invasive and radionuclide imaging markers of coronary plaque vulnerability using radiomic analysis of coronary computed tomography angiography[J].Eur Heart J Cardiovasc Imaging，2019，20(11)：1250-1258.DOI：10.1093/ehjci/jez033.
[27]	Kolossváry M, Karády J, Szilveszter B, et al.Radiomic features are superior to conventional quantitative computed tomographic metrics to identify coronary plaques with napkin-ring sign[J].Circ Cardiovasc Imaging，2017，10(12)：e006843.DOI：10.1161/CIRCIMAGING.117.006843.
[28]	Lin A, Kolossváry M, Cadet S, et al.Radiomics-based precision phenotyping identifies unstable coronary plaques from computed tomography angiography[J].JACC Cardiovasc Imaging，2022，15(5)：859-871.DOI：10.1016/j.jcmg.2021.11.016.
[29]	Chen Q, Pan T, Wang YN, et al.A coronary CT angiography radiomics model to identify vulnerable plaque and predict cardiovascular events[J].Radiology，2023，307(2)：e221693.DOI：10.1148/radiol.221693.
[30]	Ebersberger U, Bauer MJ, Straube F, et al.Gender differences in epicardial adipose tissue and plaque composition by coronary CT angiography：association with cardiovascular outcome[J].Diagnostics(Basel)，2023，13(4)：624.DOI：10.3390/diagnostics13040624.
[31]	Andreini D, Magnoni M, Conte E, et al.Coronary plaque features on CTA can identify patients at increased risk of cardiovascular events[J].JACC Cardiovasc Imaging，2020，13(8)：1704-1717.DOI：10.1016/j.jcmg.2019.06.019.
[32]	Ridker PM, Bhatt DL, Pradhan AD, et al.Inflammation and cholesterol as predictors of cardiovascular events among patients receiving statin therapy：a collaborative analysis of three randomised trials[J].Lancet，2023，401(10384)：1293-1301.DOI：10.1016/S0140-6736(23)00215-5.

[1]	洪玮, 叶细容, 刘枝红, 杨银凤, 吕志红. 超声影像组学联合临床病理特征预测乳腺癌新辅助化疗完全病理缓解的价值[J/OL]. 中华医学超声杂志（电子版）, 2024, 21(06): 571-579.
[2]	胡可, 鲁蓉. 基于多参数超声特征的中老年女性压力性尿失禁诊断模型研究[J/OL]. 中华医学超声杂志（电子版）, 2024, 21(05): 477-483.
[3]	邱琳, 刘锦辉, 组木热提·吐尔洪, 马悦心, 冷晓玲. 超声影像组学对致密型乳腺背景中非肿块型乳腺癌的诊断价值[J/OL]. 中华乳腺病杂志(电子版), 2024, 18(06): 353-360.
[4]	蒲彦婷, 吴翠先, 兰玉梅. 类风湿关节炎患者骨质疏松症风险预测列线图模型构建[J/OL]. 中华关节外科杂志(电子版), 2024, 18(05): 596-603.
[5]	庄燕, 戴林峰, 张海东, 陈秋华, 聂清芳. 脓毒症患者早期生存影响因素及Cox 风险预测模型构建[J/OL]. 中华危重症医学杂志(电子版), 2024, 17(05): 372-378.
[6]	杜佳丽, 鲍睿, 乔春红, 韩伟. 中孕期宫颈功能不全孕妇经阴道紧急宫颈环扎术后不良妊娠结局预测模型构建[J/OL]. 中华妇幼临床医学杂志(电子版), 2024, 20(04): 403-409.
[7]	王雅楠, 刘丹, 曹正浓, 贾慧敏. 儿童迟发性先天性膈疝患儿的临床诊治特点分析[J/OL]. 中华妇幼临床医学杂志(电子版), 2024, 20(04): 410-419.
[8]	白香妮, 孙巨军, 谢鹤, 李宏斌. 急性胰腺炎患者血清微小RNA-142-3p和磷脂酰肌醇3-激酶水平变化及对并发腹腔感染风险预测[J/OL]. 中华实验和临床感染病杂志(电子版), 2024, 18(04): 222-228.
[9]	王淑贤, 张良灏, 王利君, 张慧, 郭源, 许传屾, 李志强, 蔡金贞, 解曼, 饶伟. 成人肝移植围手术期严重心血管事件危险因素分析及预测模型研究[J/OL]. 中华移植杂志(电子版), 2024, 18(04): 222-229.
[10]	屈勤芳, 束方莲. 盆腔器官脱垂患者盆底重建手术后压力性尿失禁发生的影响因素及列线图预测模型构建[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(06): 606-612.
[11]	陆镜明, 韩大为, 任耀星, 黄天笑, 向俊西, 张谞丰, 吕毅, 王傅民. 基于术前影像组学的肝内胆管细胞癌淋巴结转移预测的系统性分析[J/OL]. 中华肝脏外科手术学电子杂志, 2024, 13(06): 852-858.
[12]	张瑜, 姜梦妮. 基于DWI信号值构建局部进展期胰腺癌放化疗生存获益预测模型[J/OL]. 中华肝脏外科手术学电子杂志, 2024, 13(05): 657-664.
[13]	单良, 刘怡, 于涛, 徐丽. 老年股骨颈骨折术后患者心理弹性现状及影响因素分析[J/OL]. 中华老年骨科与康复电子杂志, 2024, 10(05): 294-300.
[14]	韦巧玲, 黄妍, 赵昌, 宋庆峰, 陈祖毅, 黄莹, 蒙嫦, 黄靖. 肝癌微波消融术后中重度疼痛风险预测列线图模型构建及验证[J/OL]. 中华临床医师杂志(电子版), 2024, 18(08): 715-721.
[15]	颜世锐, 熊辉. 感染性心内膜炎合并急性肾损伤患者的危险因素探索及死亡风险预测[J/OL]. 中华临床医师杂志(电子版), 2024, 18(07): 618-624.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

The value of radiomics nomogram based on coronary CT angiography in differential diagnosis of vulnerable plaques

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

The value of radiomics nomogram based on coronary CT angiography in differential diagnosis of vulnerable plaques