医院国产医学影像装备示范推广的作用机制研究

目的:探讨医院在国产医学影像装备示范推广中的作用与机制.方法:分析国产医学影像装备的应用现状,指出国产医学影像装备发展契机,建立多区域、多中心的医院国产影像设备发展帮扶示范点,探讨国产医学影像装备示范推广策略,统计策略实施后示范点国产医学影像装备的市场占有率变化.结果:通过医院的人员互动、技术下沉、帮扶培训及示范引领,...     

增强MRI列线图模型在预测双表型肝细胞癌中的应用价值

目的:探讨增强 MRI列线图模型在预测双表型肝细胞癌（DPHCC）中的应用价值。方法:回顾性分析2016年1月至2021年3月于苏州大学附属第一医院行增强MRI检查并经手术病理证实为肝细胞癌（HCC）的116例患者资料,男87例,女29例,年龄30~79（59±10）岁,其中DPHCC 31例,非双表型肝细胞癌（非DP...     

基于双参数MRI机器学习模型对前列腺癌和临床显著性前列腺癌的诊断价值

目的探讨基于双参数MRI机器学习模型对前列腺癌和临床显著性前列腺癌(csPCa)的诊断价值。方法回顾性收集2015年5月至2020年12月江苏省内3个医疗中心共1 368例行术前MRI且经病理证实的前列腺疾病患者的影像资料, 其中csPCa 412例, 无显著临床意义的前列腺癌(ciPCa)242例, 良性前列腺病变714例, 年龄30～92(69.4±8.2)岁。采用Python内嵌random工具包将中心一和中心二数据按照7∶3比例进行无放回随机数法采样划分为训练组和内部测试组, 中心三数据设为独立外部测试组, 其中训练组包括243例csPCa、135例ciPCa和384例良性病变, 内部测试组包括104例csPCa、58例ciPCa和165例良性病变, 外部测试组包括65例csPCa、49例ciPCa和165例良性病变。分别提取T2加权成像、弥散加权成像和表观扩散系数图的影像组学特征, 采用Pearson相关系数分析、方差分析筛选影像组学特征, 分别使用随机森林(RF)和支持向量机两种算法构建机器学习模型, 并在内部测试组和外部测试组对模型进行测试。最后, 选取诊断效能较高的机器...     

妇科癌肉瘤影像表现及临床病理特点

目的 探讨妇科癌肉瘤(CS)的影像特征及其临床价值。方法 回顾性分析经病理确诊的42例女性原发性生殖系统癌肉瘤患者的影像资料，观察并评估病灶的位置、形态、大小、数目、边缘以及强化方式，分析邻近器官受侵及转移情况，总结特征并与病理相对照。结果 15例卵巢癌肉瘤病灶呈囊实性巨大肿块，多类圆形或椭圆形，瘤体最大径为5.3～24.2 cm; 27例子宫癌肉瘤病灶多呈类圆形、椭圆形、类三角形，Ⅰ型瘤体最大径3.5～11.8cm,Ⅱ型子宫内膜厚度为1.3～2.8 cm。妇科CS密度、信号混杂，多边界欠清或不清，增强扫描多轻中度强化，可见包膜及迂曲增粗血管影，周围可见侵犯征象，腹盆腔可见淋巴结转移及少至大量腹腔积液。结论 妇科CS在影像表现上具有一定的特征，影像检查可以评估病变的位置、大小、数目、边缘、与邻近结构的关系、是否存在转移等，为临床诊治提供重要依据。     

重视影像人工智能在前列腺癌中的临床应用研究

随着人工智能技术的快速发展, 其在前列腺癌诊疗全过程中的应用成为目前的研究热点。人工智能在前列腺癌MRI病灶自动检出和分割、疾病精准诊断、危险分层和预后评估等方面具有极大优势和潜在价值, 但不可忽视的是人工智能技术也存在一定的局限性和挑战。笔者认为未来可以通过标准化数据参数、优化人工智能算法、提升模型可解释性、扩大多中心数据量以及构建循证医学证据更高的前瞻性数据库等方法来构建更加可靠、稳定的前列腺癌诊疗一体化的评估模型, 进而全面最大化人工智能技术在前列腺癌诊疗中的应用价值。     

钆塞酸二钠增强MRI影像组学在鉴别肝胆期等高信号肝细胞癌与局灶性结节增生中的应用价值

目的探讨钆塞酸二钠增强MRI影像组学模型在鉴别肝胆期等高信号肝细胞癌(HCC)与肝局灶性结节增生(FNH)中的应用价值。方法回顾性分析2015年1月至2023年2月于苏州大学附属第一医院和南通市第三人民医院行钆塞酸二钠增强MRI检查(所有病灶均表现为肝胆期等或高信号)并经手术或穿刺病理证实的HCC或FNH的88例患者资料, 男58例, 女30例, 年龄[M(Q1, Q3)]56(40, 67)岁, 其中HCC 61例, FNH 27例。利用随机种子法将纳入病例以7∶3的比例分为训练集(43例HCC, 19例FNH)和测试集(18例HCC, 8例FNH)。从钆塞酸二钠增强MRI动脉期、门静脉期及肝胆期图像中分别提取了1 781个影像组学特征, 使用自编码器(Auto-Encoder, AE)及朴素贝叶斯(Native Bayes, NB)分类器分别建立三期独立、三期联合及临床-影像组学联合模型。通过受试者工作特征(ROC)曲线评估模型的鉴别效能, 使用Delong检验比较各个模型间的ROC曲线下面积(AUC)。结果在测试集中, 临床-影像组学联合模型的AUC最高(AUC=0.938, 9...     

基于CT的血栓强化特征及渗透性预测急性大脑中动脉闭塞性卒中心源性血栓的价值

目的探讨基于CT的血栓强化(TE)特征及血栓渗透性预测急性大脑中动脉闭塞性卒中心源性血栓的价值。方法回顾性分析2020年1月至2022年7月苏州大学附属第一医院收治的发病时间小于12 h的93例急性大脑中动脉闭塞性卒中患者的临床及影像资料。根据TOAST标准将患者按血栓来源不同分为心源性血栓(CE)组43例、大动脉粥样硬化性血栓(LAA)组50例。所有患者均接受头颅CT平扫和CT血管成像, 并对患者的血栓渗透性[血栓CT值的增加值(TAI)、血栓孔隙率(ε)]及TE特征进行评估。采用独立样本t检验、Mann-WhitneyU检验及χ2检验对2组患者进行单因素分析, 将差异有统计学意义的指标纳入二元logistic回归分析, 评估心源性血栓的影响因素, 并构建logistic模型。采用受试者操作特征(ROC)曲线及曲线下面积(AUC)评估TAI、ε、TE及logistic模型预测急性大脑中动脉闭塞性卒中心源性血栓的价值。结果 CE组与LAA组患者性别、房颤史、高血压史、糖尿病史、吸烟史、基线美国国立卫生研究院卒中量表(NIHSS)、TAI、ε、TE特征阳性差异均有统计学意义(P<0...     

基于深度学习的冠状动脉钙化积分对2型糖尿病患者冠心病的预测价值

目的探究基于深度学习(DL)的冠状动脉钙化积分(CACS)对2型糖尿病(T2DM)患者阻塞性冠心病和非钙化斑块/混合斑块的预测价值。方法连续回顾性纳入2012年12月至2019年12月接受CACS扫描和冠状动脉CT血管成像(CCTA)的424例T2DM患者, 并收集临床风险因素和斑块特征。斑块成分分为钙化、非钙化和混合斑块。阻塞性冠心病定义为最大直径狭窄率≥50%。采用基于DL的自动化方法计算CACS。采用单因素和多因素逻辑回归筛选有统计学意义的因素, 并计算比值比(OR)。用受试者工作特征(ROC)曲线评价预测性能。结果 CACS增加与更高的CCTA阻塞性冠心病概率相关(与CACS=0对比, CACS为1～99、100～299、300～999调整后OR分别为2.22、6.18、16.98, P值分别为0.009、<0.001、<0.001)。CACS预测阻塞性冠心病的曲线下面积(AUC)为0.764。对比CACS=0, CACS增加与非钙化斑块/混合斑块风险增加有关(CACS为1～99、100～299、300～999调整后OR分别为2.75、4.76、5.29, P值分别...     

CT影像组学列线图模型预测胃肠道间质瘤危险度分级

目的:建立临床-CT影像组学列线图模型并验证其在术前预测胃肠道间质瘤(GIST)危险度分级的应用价值。方法:回顾性搜集266例经病理证实的GIST患者，并将其分为低恶性风险组和高恶性风险组。提取10个临床及CT图像特征(年龄、性别、肿瘤部位、大小、形态、边界、囊变或坏死、钙化、表面溃疡、强化方式)用于构建临床模型。对病例的CT图像分别特征提取，并分为平扫期(N)、动脉期(A)、静脉期(V)及影像3期(N+A+V)4组，对上述4组通过select percentile和最小绝对收缩与选择算子(LASSO)算法降维、筛选组学特征后，分别使用5种分类器(Random Forest、Logistic Regression、SVM、SGD、XGBoost)建立各期组学模型。采用受试者工作特征(ROC)曲线下面积(AUC)进行量化。使用Delong检验比较各模型间AUC值差异，得到最佳影像组学模型。然后组合临床模型和最佳影像组学模型建立临床-CT影像组学列线图模型。结果:肿瘤大小、部位、形态、边界、强化方式及有无囊变坏死在两组中有统计学差异(P<0.05),年龄、性别、有无钙化及溃疡在两组中...     

基于MRI的临床-影像组学模型对前列腺癌根治术后生化复发的预测价值

目的构建基于MRI的临床-影像组学模型, 并探讨其对前列腺癌根治术后生化复发(BCR)的预测价值。方法回顾性分析2015年1月至2018年12月在苏州大学附属第一医院接受根治性前列腺切除术并具有完整随访数据的212例前列腺癌患者, 采用Python语言的random工具包对患者以7∶3的比例进行无放回随机采样, 分为训练集(149例)和测试集(63例)。对患者进行术后随访, 随访终点为发生BCR或至少3年, 训练集中50例患者发生BCR, 测试集中21例患者发生BCR。提取训练集患者术前T2WI、扩散加权像和表观扩散系数图中主病灶区域的影像组学特征, 采用无监督的Kmeans聚类算法进行特征筛选, 筛选出的特征采用多变量Cox回归模型进行模型拟合, 构建影像组学模型。应用单因素Cox回归分析筛选与BCR相关的术前临床资料, 联合影像组学标签(RadScore)构建临床-影像组学模型。在测试集中以患者术后3年是否发生BCR为界, 构建时间依赖性受试者操作特征(ROC)曲线, 计算曲线下面积(AUC), 评估影像组学模型、临床-影像组学模型以及根治术后前列腺癌风险评估(CAPRA-S)评分...