HIF-1α与VEGF在乳腺癌组织中的表达及与放疗敏感性的相关性研究

目的探讨缺血诱导因子-1α(HIF-1α)与血管内皮生长因子(VEGF)蛋白在原发性乳腺癌组织中的表达及与放疗疗效的关系。方法采用SABC免疫组化方法,检测乳腺癌组织(88例)和正常乳腺组织(20例)中HIF-1α与VEGF蛋白的表达。并分析HIF-1α或VEGF蛋白表达与原发性乳腺癌组织临床病理学特征和预后的关系。结果 HIF-1α与VEGF蛋白在原发性乳腺癌组织中的阳性表达率分别为69.32%(61/88)、78.40%(69/88),两者存在显著正相关性(r=0.68,P=0.006)。二者均与癌组织的临床病理学特征有关;27例HIF-1α阴性表达患者的生存时间明显长于61例阳性表达患者(P=0.008);19例阴性VEGF患者的生存时间明显长于69例阳性VEGF患者(P=0.006)。HIF-1α阳性表达患者中,VEGF表达强度及放疗后局部未控率均高于HIF-1α阴性组(P=0.01);其中16例VEGF阴性表达患者的生存时间明显长于42例VEGF阳性表达患者的生存时间(P=0.01)。结论 HIF-1α与VEGF蛋白表达可能与原发性乳腺癌的发生、浸润、转移有关,二者高表达与乳腺癌放射抗拒性有密切关系。     

基于PQM脚本进行直肠癌放疗计划定量评价的研究与应用

目的:建立一个计划质量评估脚本，用于量化评估放疗计划，并验证该程序的临床可行性。方法:建立直肠癌计划质量测度标准（plan quality metrics,PQM），其中包含18个子测度（submetrics），使用C#语言在Visual Studio编辑器中构建脚本评估程序，对20例采用不同辐照技术的治疗计划分别通过脚本程序和Plan IQ软件（参照对象）进行评价打分，首先分析两种评估方法所得评分的差异然后进行两种辐照技术的得分对比，从而验证脚本程序的临床可行性。结果:使用脚本程序、Plan IQ这两种评估方法得出VMAT组和IMRT组靶区得分为（73.2±16.6）分和（56.8±14.9）分、（70.7±19.3）分和（63.1±11.5）分,差异具有统计学意义（P＜0.05）；危及器官(organ at risk，OAR)得分为（91.9±3.2）分和（80.4±8.5）分、（89.9±5.1）分和（75.1±11.0）分，差异具有统计学意义（P＜0.05）；总分得分为（84.1±8.1）分和（70.2±10.0）分、（84.6±5.9）分和（71.8±10.0）分，差异具有统计学意义（P＜0.05）。对数据使用Bland-Altman分析，处于特定区间外的数据在数据总量中占比小于5%。结论:脚本评估程序可以针对计划质量进行客观的评估，可作为计划系统的评估应用程序。     

治疗前CT影像组学结合机器学习预测非小细胞肺癌患者EGFR突变亚型

目的探讨基于治疗前胸部平扫CT影像组学特征和临床特征结合机器学习算法预测非小细胞肺癌(NSCLC)患者表皮生长因子受体(EGFR)突变状态和突变亚型(19Del/21L858R)的可行性和价值。方法回顾性分析南华大学附属第一医院和附属第二医院经活检病理证实和接受EGFR基因检测的280例NSCLC患者的治疗前胸部平扫CT和临床特征数据, 其中EFGR突变患者为136例。由两位高年资影像和肿瘤医师勾画原发肺部大体肿瘤区域(GTV), 然后提取851个影像组学特征, 采用Spearman相关分析和RELIEFF算法筛选具有预测性的特征, 两家医院分别为训练组和验证组。经特征选择的影像组学特征和临床特征构建临床-影像组学模型, 并与单独采用影像组学特征和临床特征模型进行比较。采用序贯建模流程, 使用支持向量机(SVM)建立机器学习模型预测EGFR突变状态和突变亚型。受试者工作曲线下面积(AUC-ROC)评估预测模型的诊断效能。结果经特征筛选各有21个影像组学特征在预测EGFR突变和突变亚型时具有预测效能并用于建立影像组学模型。临床-影像组学模型表现出最好的预测效能, 预测EGFR突变状态的模...     

中国医学物理学科的建设与探索专家共识

本共识围绕医学物理学科的教育现状、专业方向建设、课程设计、实习要求及研究生毕业标准等方面探讨了中国医学物理学科的建设与发展,以应对社会对健康与医疗服务需求的增长及医疗设备国产化的挑战。目前,中国医学物理教育面临教育途径多样性、课程设计差异性、师资短缺等问题,在此,讨论了整合国际经验,构建全面、规范化的医学物理学科体系的策略,体系涵盖放射治疗物理、医学影像物理、核医学物理、放射防护物理、放射生物物理及放射工程物理等方向,并强调人工智能技术的融合,以提高诊疗的准确性和效率。此外,还探讨了医学物理研究生教育的改进,包括师资和教学环境建设、专业课程设置等;还需建立教学质量评估机构,确保教育内容与国际标准一致,反馈学生和雇主的需求。本共识提倡全面提升医学物理学科的规模和影响力,提升教育质量和专业水平,实现教育的精细化和精英化,并加强国内外合作,以期达到国际先进水平,支撑“健康中国2030”政策目标。     

基于机器学习的鼻咽癌转移淋巴结鉴别模型

目的:研究使用机器学习与影像组学建立用于鼻咽癌CT图像中鉴别转移淋巴结的模型。方法:选择50例鼻咽癌患者初诊CT平扫及静脉灌注增强图像及18F-FGD-PET图像,患者均经病理及PET检查证实为鼻咽癌伴局部淋巴结转移。手动勾画患者CT图像中体积＞1 cm3的淋巴结,由18F-FGD-PET图像中对应区域SUVmax＞2.5及现行影像学标准作为转移与否的分类标准。研究中共获得143枚淋巴结,其中转移淋巴结103枚。使用机器学习方法对上述分类结果进行训练,其中列入训练组淋巴结100枚,验证组43枚,分组方式为随机分组以避免特定的分组方式造成的系统误差。结果:机器学习过程中获得由淋巴结体积、最大横截面短轴及数个影像组学特征构建模型,模型对转移淋巴结的鉴别准确率可达86%。特征选择结果得出:最大横截面直径、平均宽度、灰度强度能量、像素数量、频度、形态密实度等可作为诊断转移淋巴结的重要特征。结论:研究中建立的鉴别模型可在CT图像中实现辅助诊断转移淋巴结,为影像检查中快速判定鼻咽癌患者淋巴结是否转移提供一种新思路,有利于个体化放疗中靶区的精准勾画。