背景:脑胶质瘤由于具有浸润性生长、肿瘤易侵及重要脑功能区等特点,手术往往难以完全切除病灶。为了治疗残余的肿瘤,目前国际上推荐的标准化治疗方案是手术后进行常规放疗或者同步放化疗。但有文献报道以及临床医疗实践过程中发现一部分患者在忍受巨大身心痛苦以及可能严重后遗症的情况下接受放化疗,其治疗效果并非都是有效的,有的甚至恶化(病灶进展),这也是胶质瘤传统标准化治疗的一个重要缺陷所在。因此,术后标准化治疗效果的无创预测将对临床治疗方案的选择起到重要的参考作用。本研究尝试利用基于MR影像组学的机器学习方法,提前预判胶质瘤患者术后残余病灶对标准放化疗的短期治疗效果,以利于临床医生提前优化和制定个体化治疗方案,同时避免或减少患者不必要的放化疗副反应。目的:基于临床风险因素、MR图像语义特征、术前和术后影像组学特征,构建脑胶质瘤患者术后残余病灶对标准放化疗治疗效果的预测模型,为临床医生治疗前疗效评估提供一种无创预测工具。材料与方法:回顾性收集五个医疗机构2015年1月至2021年12月期间经过手术治疗并取得组织病理学结果,2108例脑胶质瘤患者的临床和MR影像资料。根据纳排标准,最终将132例胶质瘤术后有残留病灶的患者纳入研究,其中3个机构作为训练集(95例),另外2个机构作为外部独立验证集(37例)。分别构建临床-语义模型、影像组学模型、联合预测模型;其中影像组学特征提取前采用三种不同的感兴趣区分割方法,即术前MR图像勾画肿瘤区+水肿区(ROI-1)、术前MR图像勾画肿瘤区(ROI-2)、术后第一次MR图像勾画肿Salmonella probiotic瘤区(ROI-3)。同时,每种ROI分割方法之下建立20个影像组学模型,分别基于selleck激酶抑制剂四种不同机器学习算法(支持向量机、决策树、Ada算法、逻辑回归算法)和五种不同的序列(T1WI平扫、T2WI平扫、T2-Flair平扫、T1WI增强序列和组合序列)。此外,基于临床-语义特征和影像组学特征,建立联合预测模型。不同模型建立之后进行模型校准、预测效能比较以及临床适用性评估。评价指标包括:受试者工作特征曲线下面积此网站(Area Under the receiver operating characteristic Curve,AUC)、灵敏度、特异度、准确度、净重新分类指数及综合判别改善指数等。结果:临床-语义模型的预测效能在训练集和验证集中表现良好,AUC值分别为:0.766[95%CI,0.669-0.864]、0.650[95%C…