基于多参数MR的影像组学融合模型术前预测宫颈鳞癌脉管浸润的应用价值

目的 探讨基于多参数MR的影像组学融合模型术前预测宫颈鳞癌脉管间隙浸润（LVSI）的应用价值。方法 回顾性研究。纳入2016年6月—2019年3月山西省肿瘤医院宫颈鳞癌患者168例。患者年龄22~76（52.0±10.1）岁,临床分期为国际妇产联盟（FIGO）ⅠB期127例、ⅡA期41例。所有患者术前行多参数盆腔MR扫描,均接受根治性子宫切除术联合盆腔淋巴结清扫术治疗。收集其临床病理资料和多参数MRI数据,以7∶3的比例按照随机抽样法分为训练集117例和验证集51例。在T₂加权像（T₂WI）、表观弥散系数[ADC,由2个b值的弥散加权成像数据自动生成]及增强T₁加权像（cT₁WI）3个序列的MRI上,对病灶进行手动分割勾画肿瘤轮廓感兴趣区（ROI）,得到三维感兴趣区（VOI）并提取特征,通过以最大相关最小冗余和最小绝对收缩与选择算子回归为主的三步降维法筛选特征并构建影像组学模型。多因素logistic回归分析筛选临床特征并联合影像组学模型建立融合模型,制作列线图。受试者操作特征曲线（ROC 曲线）、校正曲线、决策分析曲线评估列线图的效能及临床效益。结果 术后病理检查确诊LVSI阳性42例,阴性126例。训练集与验证集患者的年龄、FIGO分期、肿瘤最大径、肿瘤分化程度、LVSI状态等临床病理特征比较,差异均无统计学意义（P值均>0.05）。基于T₂WI、ADC及cT₁WI多参数MRI提取的影像组学特征,经特征筛选后得到7个关键特征,均与宫颈癌LVSI相关（P值均<0.05）,并构建影像组学模型。训练集T₂WI、ADC及cT₁WI 3个序列独立构建的影像组学模型预测宫颈癌LVSI的ROC曲线下面积（AUC）分别为0.630[95%可信区间（CI）0.557~0.698]、0.686（95%CI 0.563~0.694）、0.761（95%CI 0.702~0.818）,3个序列共同构建的联合影像组学模型对应的AUC为0.887（95%CI 0.842~0.925）,诊断效能最优,并在验证集中得到验证。联合影像组学模型与肿瘤分化程度构建的融合模型列线图预测宫颈癌LVSI,在训练集与验证集中的AUC分别为0.893（95%CI 0.851~0.929）、0.854（95%CI 0.749~0.943）,校正曲线显示出列线图有良好的校正性能;决策曲线表明当风险阈值概率范围在0.50~0.96时,采用影像组学融合模型预测宫颈癌LVSI的净收益优于“将所有患者视为宫颈癌LVSI阳性或阴性”。结论 基于多参数MRI影像组学特征与临床特征的融合模型对宫颈癌LVSI状态有良好的预测价值。     

基于影像组学的肺癌分型预测

目的 基于影像组学特征对肺癌中的两大亚型分类（小细胞肺癌与非小细胞肺癌）进行分型预测。 方法 在131名小细胞肺癌与非小细胞肺癌患者中(其中训练集包含119人,测试集中包含12人),从手动分割的病灶区域提取107维组学特征,使用R统计学软件中的FSelector包对影像组学特征进行关键特征筛选,构建支持向量机模型和k折交叉验证模型对肺癌患者的病理进行表型分类和验证,通过绘制受试者工作特征曲线（ROC曲线）图和计算曲线下面积（AUC）数值来对训练集和测试集中的肺癌分型预测效果进行评估。 结果 挑选出20个主要的影像组学特征用于小细胞肺癌与非小细胞肺癌的分型鉴别,这些特征对于训练集和测试集中的小细胞肺癌与非小细胞肺癌均有较好的区分能力。在测试集中,预肺癌亚型分类的准确率为75%,组学特征的AUC结果为0.69。 结论 通过构建独特的影像组学特征,以用作区分小细胞肺癌与非小细胞肺癌的诊断因素。这对实现非侵入性的肺癌病理有效分型预测,指导肺癌患者后续治疗方案的选择具有重要指导意义。     

基于增强CT的影像组学模型对肾嗜酸细胞腺瘤与肾透明细胞癌的鉴别诊断

目的探讨基于增强CT影像组学模型在肾透明细胞癌(ccRCC)和肾嗜酸细胞腺瘤(RO)鉴别诊断中的价值。方法回顾性队列研究。纳入山西省肿瘤医院2013年6月—2022年7月收治的经病理确诊的肾肿瘤患者100例, 其中男63例、女37例, 年龄42～81(60.8±8.7)岁。100例中, ccRCC患者75例(ccRCC组), 其中男52例、女23例, 年龄42～79(59.9±8.5)岁;RO患者25例(RO组), 其中男11例、女14例, 年龄46～81(63.5±8.8)岁。将入组患者按照3∶7随机分为测试集(30例)和训练集(70例)。患者均行增强CT检查。从门静脉期CT图像中提取1 409个影像组学特征, 使用Variance Threshold、SelectKBest以及最小绝对收缩与选择算子算法进行特征筛选, 构建影像组学模型;绘制受试者操作特征曲线(ROC曲线), 计算曲线下面积(AUC)。用灵敏度、特异度、精确度以及F1-score来评估不同影像组学模型诊断效果。结果 ccRCC组和RO组患者的年龄比较, 差异无统计学意义(t=1.82, P=0.072);2组患者的性...     

多序列MR影像组学融合模型预测胶质瘤分级的价值

目的:探讨多序列MR影像组学特征及融合模型预测胶质瘤分级的价值。方法:回顾性分析2016年1月~2021年6月间梅州市人民医院经病理证实且行MR检查的胶质瘤病人资料。将多序列MR DICOM格式的原始图像导入ITK-SNAP软件进行VOI勾画，采用GE A.K分析软件进行影像组学特征提取，用ANOVA+Mann-Whiney、Spearman相关分析和LASSO模型进行特征筛选。选择Logistic回归（LR）算法构建单序列模型，选择LR、线性判别分析（LDA）、支持向量机（SVM）3种机器学习算法构建融合序列模型。通过受试者操作特征曲线评估不同模型的预测效能，并计算其曲线下面积（AUC）。结果:共有150例患者纳入本研究，其中低级别胶质瘤（LGG）41例，高级别胶质瘤（HGG）组109例。LGG组与HGG组病人间的性别、年龄差异无统计学意义（P>0.05）。共获得5个最优特征集，其中T1WI特征集包含15个特征，T2WI特征集包含31个特征，Flair特征集包含25个特征，DWI特征集包含12个特征，T1C包含4个特征，融合序列集包含44个特征。基于T1WI、T2WI、Flair、DWI及T1C各序列MR影像组学预测模型在训练集和测试集中的AUC分别为0.719 0、0.651 4，0.769 5、0.711 4，0.7410、0.610 2，0.721 9、0.747 0，0.815 7、0.754 5。基于LR、LDA、SVM算法的融合模型在训练集和测试集中的AUC分别为0.952 4、0.767 0，0.894 8、0.688 1，0.928 6、0.704 5。结论:基于多序列MRI影像组学特征的单序列模型中，T1C单序列预测模型对胶质瘤分级诊断效能最高；相较于单序列预测模型，多序列融合预测模型具有更高的诊断效能，且基于LR算法构建的融合模型较LDA算法及SVM算法构建的融合模型显示出更高的预测效能。     

基于18F-FDG PET/CT影像组学的非小细胞肺癌病理亚型分类

目的：旨在建立一种基于¹⁸F-FDG PET/CT的临床—影像组学相结合的综合模型用于区分非小细胞肺癌中的腺癌和鳞癌。方法：回顾性收集上海交通大学附属胸科医院120例经病理学验证为腺癌(65例)和鳞癌(55例)的患者,从预处理的CT图像和PET图像中分别提取1218、108个影像组学特征,并纳入10个临床特征因素;卡方检验和Wilcoxon检验用于对临床特征进行筛选,并使用Relief算法和最小绝对收缩和选择算子(LASSO)对影像组学特征进行筛选;通过6种机器学习分类器分别建立临床、影像组学、综合模型。通过受试者工作特征(ROC)曲线及曲线下面积(AUC)来评价模型的分类能力。结果：综合模型在训练集和测试集中均表现出最高的AUC值和准确率,其中随机森林(RF)和Bagging分类器表现出的分类效果最佳。经五折交叉验证后,训练集中RF和Bagging的AUC值和准确率分别为0.92±0.03、0.86±0.06和0.92±0.02、0.83±0.02;测试集中RF和Bagging的AUC值和准确率分别为0.92、0.81和0.91、0.86。结论：结合^1...     

多参数MRI的影像组学融合模型在术前预测宫颈癌淋巴结转移的应用价值

目的 探讨基于多参数MRI及临床特征的融合模型在术前预测宫颈癌患者淋巴结转移的价值。方法 回顾性分析山西省肿瘤医院2016年6月-2019年3月经病理证实为宫颈鳞癌并于术前行MRI检查的168例患者的资料。按照7∶3的比例,采用完全随机法将所有患者分为训练组115例和验证组53例。由两名影像科医师在MRI图像上手动勾画三维容积感兴趣区(VOI),并进行一致性分析。根据临床手术病理结果将所有患者分为淋巴结转移阴性(LN-)和阳性(LN+),临床及影像资料也对应分组。分别基于每例患者的T₂WI、表观扩散系数(ADC)和增强T₁WI(cT₁WI)序列图像上均提取3 111个影像组学特征,然后对训练组采用以最大相关最小冗余(MRMR)和最小绝对收缩与选择(LASSO)回归为主的四步法进行特征选择和影像组学标签的构建,并进行分层分析。通过多变量逻辑回归筛选独立临床危险因素并联合影像组学标签构建影像组学融合模型,并制作列线图。采用ROC曲线、校正曲线、决策分析曲线(DCA)评估列线图的预测性能及临床效益。结果 训练组和验证组患者基线资料差异均无统计学意义(P值均>0.05)。基于T₂WI、ADC和cT₁WI合并特征降维后共得到6个影像组学特征(P值均＜0.05),其中包括3个小波类特征参数和3个LoG类特征参数,均与淋巴结转移显著相关。单序列影像组学标签在训练组中ROC曲线下面积(AUC)值为0.763和0.829,显示具有良好的预测效能,合并上述序列构建的影像组学标签对应的AUC值0.859,其诊断效能优于其中任意单一序列,并在验证组得到验证。联合影像组学标签和MRI评价淋巴结状态构建的列线图在训练组和验证组中均显示出良好的鉴别能力和校正性能,对应的AUC分别为 0.865和0.861。在独立验证组中的决策曲线示,当风险阈值＞10%时,采用影像组学方法预测LN+的净收益优于将所有患者都看作LN+或LN-,也优于MRI评价淋巴结状态。结论 通过联合基于多参数MRI的影像组学标签和MRI评价淋巴结状态建立的融合模型可作为术前评估宫颈癌淋巴结转移的一种辅助方法。     

18F-FDG PET/CT影像组学预测晚期非小细胞肺癌预后的价值

目的 探讨基于¹⁸F-FDG PET/CT的影像组学模型预测晚期非小细胞肺癌预后的价值。方法 186例治疗前接受¹⁸F-FDG PET/CT的NSCLC患者按照7∶3比例随机分配到训练组(n=134)和验证组(n=52)。使用LIFEx软件获取PET和CT图像的影像组学特征，然后基于PFS和OS选择最优参数构建临床和复杂模型并进行验证。结果 以PFS为研究终点，单因素分析显示PD-L1 50%、TNM分期、病理类型、吸烟史、远处转移、淋巴结转移、SUVmax、Rad-score是影响患者PFS的因素(均P<0.05)。Cox多因素分析显示，TNM分期、吸烟史、Rad-score是影响PFS的独立预后因素(均P<0.05)。以OS为研究终点，单因素分析显示TNM分期、病理类型、SUVmax、吸烟史、远处转移、Rad-score等因素影响患者OS(均P<0.05)。Cox多因素分析显示TNM分期、SUVmax、吸烟史、Rad-score是影响患者OS的因素(均P<0.05)。训练组中影像组学模型、临床模型及复杂模型3种模型...     

基于密度分布特征的深度神经网络模型诊断COVID-19的价值

目的:评价基于密度分布特征（CDD）的深度神经网络（DNN）模型对新型冠状病毒肺炎（COVID-19）的诊断价值。方法:收集42例COVID-19病例和43例非COVID-19肺炎病例。将所有患者的211份胸部CT图像分为训练集（n=128）和验证集（n=83）。参考北美放射学会发布的COVID-19相关性肺炎的CT结构化报告，构建基于CT影像特征的DNN模型（DNN-CTIF）。根据胸部CT图像上肺炎CDD建立DNN-CDD模型。采用ROC曲线分析和决策曲线分析对两种模型进行评价。结果:DNN-CTIF模型的AUC在训练集为0.927，在验证集为0.829。DNN-CDD模型的AUC在训练集为0.965，在验证集为0.929。DNN-CDD模型在验证集的AUC高于DNN-CTIF模型（P=0.047）。决策曲线分析表明在0.04~1.00概率阈值范围内，DNN-CDD模型相比DNN-CTIF模型使患者的净获益更高。结论:DNN-CTIF和DNN-CDD模型对COVID-19均具有较好的诊断性能，其中DNN-CDD模型优于DNN-CTIF模型。     

基于多参数MRI的影像组学融合模型对直肠癌脉管侵袭的术前预测价值

目的探讨基于多参数MRI的影像组学融合模型术前预测直肠癌脉管侵袭(LVI)的应用价值。方法回顾性队列研究。纳入2016年1月—2019年12月在山西省肿瘤医院行直肠癌根治性切除术的224例直肠癌患者的临床病理资料和多参数MRI数据, 其中男129例、女95例, 年龄28～83(61.3±9.7)岁。按7∶3的比例随机分为训练集157例和验证集67例。使用ITK-SNAP图像分割软件, 在高分辨率T2加权像(T2WI)、弥散加权成像(DWI)及增强T1加权像(cT1WI)上, 逐层手动勾画肿瘤感兴趣区得到全容积感兴趣区(VOI), 将DWI的勾画信息复制到表观弥散系数(ADC)图像(由2个不同b值的DWI图像自动计算生成)。采用最小冗余最大相关(mRMR)、最小绝对收缩与选择算子(LASSO)算法及多因素logistic回归的三步降维法, 筛选影像组学特征并构建影像组学标签。通过多因素logistic回归分析筛选出临床病理特征和MRI表现特征中的独立预测因子。分别构建基于T2WI、ADC、cT1WI单一序列和联合序列的影像组学模型及纳入临床病理特征后的融合模型并制作列线图。采用受试者操作...     

新型冠状病毒肺炎的影像组学研究

【摘要】为了识别新型冠状病毒肺炎（COVID-19）和非COVID-19肺炎（其他肺炎）的患者,提出一种基于胸部CT图像影像组学特征的分类方法。分别收集COVID-19患者和其他肺炎患者各90例的胸部CT图像,并手动勾勒肺炎病变区域;然后,利用影像组学方法提取病变区域的纹理特征和直方图特征,获得每个样本对应的一阶影像组学特征向量;最后,使用纹理特征和直方图特征作为输入,构建线性支持向量机（linear SVM）模型,对COVID-19患者和其他肺炎患者进行分类。该模型使用20次10折交叉验证进行训练和测试。对于COVID-19患者,还进行了相关分析（多次比较校正-Bonferroni校正,p<0.05/7）,以确定纹理和直方图特征是否与血液的实验室测试指标相关。结果表明本研究提出的方法具有良好的分类性能,分类准确度高达87.56％,敏感度为82.78％,特异性为92.33％,受试者工作特性曲线下面积为0.939,这也证明了两组人群的影像组学特征是高度可区分的,此模型可以有效地识别和诊断COVID-19患者和其他肺炎患者。相关分析结果显示某些纹理特征与白细胞、中性粒细胞和C反应蛋白正相关,而也有某些纹理特征与血氧和中性粒细胞负相关。     

基于MR T2加权成像的影像组学标签预测直肠癌KRAS基因突变的价值

目的 探讨基于MR T₂加权成像(T₂WI)的影像组学标签预测直肠癌KRAS基因突变的潜在价值。方法 回顾性研究。纳入山西省肿瘤医院2017年4月—2019年4月行盆腔MR检查并具有KRAS基因检测结果的304例直肠癌患者的临床和影像资料,其中男175例、女129例,中位年龄59.6岁。按7∶3比例将患者随机分为训练组(213例)和验证组(91例)。选取每例患者的高分辨率T₂WI进行图像分割及影像组学特征提取,使用单变量统计分析为主的“五步法”进行特征降维,并分别采用多变量logistic回归、决策树(DT)以及支持向量机(SVM)三种分类算法构建影像组学标签,用于预测直肠癌KRAS基因状态。受试者操作特征(ROC)曲线、校正曲线、决策曲线分析(DCA)评估影像组学标签的预测性能及临床效益。结果 训练组和验证组患者的基线资料比较以及两组中KRAS突变型与野生型患者的临床特征比较,差异均无统计学意义(P值均＞0.05)。从每位患者的T₂WI中提取960个影像组学特征,经特征筛选后得到7个与直肠癌KRAS基因相关的特征(P值均＜0.05)。采用多变量logistic回归、DT及SVM构建的三个预测模型的ROC曲线下面积,训练组分别为0.677、0.604和0.722,验证组分别为0.626、0.600和0.682,其中SVM模型在预测KRAS基因状态方面效能最好。DCA曲线示三种预测模型均有一定的临床效益,其中SVM预测模型净收益值最大。结论 基于MR T₂WI的影像组学标签在预测直肠癌KRAS基因状态方面有一定的价值。     

143例晚期喉癌患者的临床特征及生存分析

目的 总结143例晚期喉癌患者的临床特征,分析预后的影响因素。方法 回顾性分析2010年1月-2016年12月经中国人民解放军总医院治疗的143例晚期喉癌患者的临床资料。其中,男135例(94.4%),女8例(5.6%);年龄35~79岁,中位年龄58岁。依据患者治疗方案不同分为2组:手术联合术后放化疗组106例和非手术综合治疗组37例。收集患者基本临床情况、治疗、随访及生存情况;生存率及单因素生存分析采用Kaplan-Meier法和log-rank检验,多因素生存分析采用Cox比例风险回归模型。结果 143例晚期喉癌患者的5年总体生存率为67.9%。单因素分析显示,影响晚期喉癌患者预后的临床因素有年龄、临床分期、T分期及肿瘤分化程度等(P值均<0.05);Cox模型多因素分析显示,患者年龄、临床分期、肿瘤分化程度及治疗方式是影响预后的独立危险因素(P值均<0.05)。T₄期、临床Ⅳ期患者采用手术联合术后放化疗5年生存率分别为62.2%和59.5%,明显好于非手术综合治疗的18.2%和41.4%,差异均有统计学意义(P值均<0.05)。结论 晚期喉癌患者预后相对较差,影响患者预后的因素包括患者年龄、临床分期、肿瘤分化程度及治疗方式等。对于临床Ⅳ期、尤其是T₄期患者,采取手术联合术后放化疗可以获得相对较好的预后。     

基于增强CT影像组学及形态学征象对非小细胞肺癌脏层胸膜侵犯的预测价值研究

目的:探讨基于增强CT影像组学方法及形态学征象在术前预测非小细胞肺癌患者脏层胸膜侵犯（VPI）的效能。方法:回顾性研究。纳入2019年1月—2021年1月蚌埠医学院第一附属医院收治的肺癌患者220例,其中男145例、女75例,年龄43~89（62.6±10.0）岁,均行根治性手术治疗。按照术后病理检查确诊有VPI 90...     

A nomogram for predicting lymph node metastasis in superficial esophageal squamous cell carcinoma

Superficial esophageal squamous cell carcinoma (SESCC) is defined as carcinoma with mucosal or submucosal invasion, regardless of regional lymph node metastasis (LNM). The lymph node status is not only a key factor to determine the training strategy, but also the most important prognostic factor in esophageal cancer. In this study, we establish a clinical nomogram for predicting LNM in patients with SESCC. A predictive model was established based on the training cohort composed of 711 patients who underwent esophagectomy for SESCC from December 2009 to June 2018. A prospective cohort of 203 patients from June 2018 to January 2019 was used for validation. Favorable calibration and well-fitted decision curve analysis were conducted and good discrimination was observed (concordance index [C-index], 0.860; 95% confidence interval [CI], 0.825–0.894) through internal validation. The external validation cohort presented good discrimination (C-index, 0.916; 95% CI, 0.860–0.971). This model may facilitate the prediction of LNM in patients with SESCCs.     

Rictor is an independent prognostic factor for endometrial carcinoma

Early-stage endometrial carcinoma (EC) patients have a high cure rate; however, those with high-risk factors may have poor prognosis. Thus, there is an urgent need for searching for new prognostic molecules to more accurately predict survival of patients. We detected the Rictor mRNA expression level in 30 fresh EC tissue and 17 normal endometrial tissue samples with real-time quantitative RT-PCR and Rictor protein expression level in 134 (test cohort) and 115 (validation cohort) paraffin tissue samples by immunohistochemistry, analyzed the correlation between variables and overall survival (OS) using Cox proportional hazards regression, compared the prognostic accuracy of Rictor with other clinicopathological risk factors by logistic regression. The results showed that Rictor mRNA expression of EC is higher than that of normal endometrium; Rictor protein expression level was closely correlated with FIGO stage, grade and vascular invasion in both cohorts; a univariate analysis showed that the pathological type, stage, grade, vascular invasion, lymphatic metastasis and Rictor were predictors of OS in both cohorts; furthermore, multivariate Cox proportional hazards regression analysis indicated that vascular invasion and Rictor were independent prognostic factors for EC in both cohorts; an ROX curve comparison showed that the area under the curve (AUC) for Rictor combined with other clinicopathological prognostic factors was higher than any individual factor or other clinicopathological prognostic factors’ combination. Based on the above data, we concluded that Rictor is an independent prognostic factor for EC. It combined with other clinicopathological risk factors was a stronger prognostic model than individual risk factor or their combination.     

基于高分辨率CT扫描的孤立性肺结节高危预测模型的建立与验证

目的：筛选孤立性肺结节（SPN）高危病变的高分辨率CT危险特征因素,建立SPN高危预测模型,并对模型进行内部验证。方法：回顾性分析317例SPN患者的胸部影像学征象,采用随机分组的方法按约6:4比例分为训练集和验证集,通过单因素及多因素分析Logistic逐步回归法筛选出与高危SPN相关的独立危险因素,建立预测模型;通过验证集数据对建立的模型进行验证,绘制受试者工作特征曲线（ROC）,评估模型预测价值。结果：单因素分析显示影像学征象位置、结节最大径、CT值、毛刺征、空泡征、分叶征与SPN是否高危存在统计学差异（P<0.05）,边界与SPN是否高危无统计学差异（P>0.05）。多因素分析显示位置、结节最大径、CT值、分叶征4个因素是SPN高危的独立预测因子（P<0.05）。通过训练集构建的预测模型为P=ex/（1+ex）,其中e为自然对数,x=-7.767+(2.821×位置)+（0.391×结节最大径）-（0.003×CT值）+（3.576×分叶）。训练集受试者工作特征曲线下面积（AUC）为0.932,95%CI为0.892～0.973,最佳截点值为T=0.208,敏...     

弥散峰度成像对局部进展期直肠癌新辅助放化疗疗效的评估价值

目的 探讨弥散峰度成像 (DKI) 定量参数和表观扩散系数(ADC)对局部进展期直肠癌患者新辅助放化疗疗效的应用价值。方法 回顾性分析。纳入2016年12月—2018年5月山西省肿瘤医院直肠癌患者108例,其中女42例、男86例,年龄42~81岁,均行新辅助放化疗,并于新辅助放化疗后4~8周接受手术治疗。根据病理结果按肿瘤退缩评级系统(TRG)进行评分分级,TRG1~2级为新辅助放化疗疗效好,TRG 3~5级为新辅助放化疗疗效差。然后利用Matlab软件测得两组治疗前后的平均弥散系数(MD)、平均峰度系数(MK)和ADC,并通过配对样本t检验、独立样本t检验、受试者操作特征(ROC)曲线和组内相关系数进行统计分析。结果 108例患者术后评估疗效好者27例(25%),其中肿瘤退缩分级评分(TRG)1级5例,TRG 2级22例;疗效差者81例(75%),其中TRG 3级41例,TRG 4级26例,TRG 5级12例。新辅助放化疗前,疗效好者ADC与MD值均低于疗效差者,MK值高于疗效差者,但差异均无统计学意义 (P值均＞0.05)。新辅助放化疗后,疗效好患者的MK值低于疗效差者,ADC与MD值显著高于疗效差者,差异均有统计学意义(P值均＜0.05),并且两组间的MD、ADC和MK比值比较差异均有统计学意义(P值均＜0.05)。ROC曲线结果提示,新辅助放化疗后的治疗后MK值较其他参数在评估新辅助放化疗疗效好的曲线下面积大(0.823),诊断效能最高,当其最佳阈值为0.635时,敏感度为76.5%,特异度为63.0%。结论 直肠癌DKI的MK、MD定量参数值和ADC值,尤其治疗后MK值,对于预测局部进展期直肠癌患者新辅助放化疗疗效有一定意义。