简介：摘要卵巢肿瘤是常见的妇科肿瘤之一，其病理类型多样，发病率居高不下，传统的影像诊断往往基于影像图像的定性分析，缺乏客观性。近年来，随着人工智能的发展，影像组学的方法逐渐应用于肿瘤类疾病的研究中。这一方法从磁共振、计算机体层摄影及超声医学图像中提取大量定量特征进行客观分析，进而对卵巢肿瘤良恶性进行鉴别，对卵巢癌进行分型和分级以及对卵巢肿瘤预后进行预测，从而为进一步了解卵巢肿瘤的生物学特性提供了新的线索。作者从影像组学的概念、研究步骤、以及在卵巢肿瘤中的进展和面临的挑战和前景这几方面进行综述。

简介：摘要目的建立基于MRI-T2WI影像组学列线图并评价其鉴别卵巢交界性上皮源性肿瘤（boderline epithelial ovarian tumors, BEOTs）及恶性上皮源性肿瘤（malignant epithelial ovarian tumors, MEOTs）的效能及临床应用价值。材料与方法回顾性分析2016年1月至2021年5月间南京医科大学附属淮安第一医院经病理证实的上皮源性卵巢肿瘤患者的临床及影像资料，共计192例，其中BEOTs 72例，MEOTs 120例，按8∶2比例随机分为训练集（n=153）及测试集（n=39），从每个患者的轴位T2WI图像中手动勾画感兴趣区并提取影像组学特征。使用Mann-Whitney U检验、相关性分析及最小绝对收缩选择算子（least absolute shrinkage and selection operator, LASSO）回归进行特征选择，并构建影像组学模型及计算影像组学评分Radscore。结合临床因素及Radscore，采用多元logistic回归模型构建影像组学列线图模型。最后通过ROC曲线、校准曲线及决策曲线分析评价列线图模型的临床应用价值。结果经特征筛选后最终保留10个影像组学特征。结合HE4和Radscore的影像组学列线图在训练集及测试集中的曲线下面积值（area under the cure, AUC)（训练集：0.947，测试集：0.914）均大于单一的影像组学模型（训练集：0.925，测试集：0.819）。ROC曲线及决策曲线分析结果显示，影像组学列线图模型更具优势。结论结合MRI-T2WI影像组学特征和临床因素的影像组学列线图模型可直观、准确地鉴别BEOTs及MEOTs，并为下一步的临床决策提供指导。