Diffusion-weighted magnetic resonance imaging in rat kidney using two-dimensional navigated,interleaved echo-planar imaging at 7.0 T

The purpose of this study was to investigate the feasibility of two-dimensional (2D) navigated, interleaved multishot echo-planar imaging (EPI) to enhance kidney diffusion-weighted imaging (DWI) in rats at 7.0 T. Fully sampled interleaved four-shot EPI with 2D navigators was tailored for kidney DWI (Sprague–Dawley rats, n = 7) on a 7.0-T small bore preclinical scanner. The image quality of four-shot EPI was compared with T₂-weighted rapid acquisition with relaxation enhancement (RARE) (reference) and single-shot EPI (ss-EPI) without and with parallel imaging (PI). The contrast-to-noise ratio (CNR) was examined to assess the image quality for the EPI approaches. The Dice similarity coefficient and the Hausdorff distance were used for evaluation of image distortion. Mean diffusivity (MD) and fractional anisotropy (FA) were calculated for renal cortex and medulla for all DWI approaches. The corticomedullary difference of MD and FA were assessed by Wilcoxon signed-rank test. Four-shot EPI showed the highest CNR among the three EPI variants and lowest geometric distortion versus T₂-weighted RARE (mean Dice: 0.77 for ss-EPI without PI, 0.88 for ss-EPI with twofold undersampling, and 0.92 for four-shot EPI). The FA map derived from four-shot EPI clearly identified a highly anisotropic region corresponding to the inner stripe of the outer medulla. Four-shot EPI successfully discerned differences in both MD and FA between renal cortex and medulla. In conclusion, 2D navigated, interleaved multishot EPI facilitates high-quality rat kidney DWI with clearly depicted intralayer and interlayer structure and substantially reduced image distortion. This approach enables the anatomic integrity of DWI-MRI in small rodents and has the potential to benefit the characterization of renal microstructure in preclinical studies.     

儿童肺炎克雷伯菌血流感染临床特征及菌株药物敏感性分析

摘要：目的 探讨儿童肺炎克雷伯菌血流感染(Klebsiella pneumoniae bloodstream infection, KPBSI)临床特征及肺炎克雷伯 菌(Klebsiella pneumoniae, KP)对常用抗菌药物的敏感性，为儿童KPBSI合理治疗提供参考。方法 回顾性分析2014年1月至2019 年12月在重庆医科大学附属儿童医院住院的KPBSI患儿临床资料。结果 共纳入110例患儿，64例(58.2%)为院内感染，72例 (65.5%)有基础疾病，以血液系统肿瘤最多见。110例患儿PRISM Ⅲ评分为16.0(7.0~20.8)，其中74例(67.3%)发生脓毒症，15例 (13.6%)发生脓毒性休克，18例(16.4%)发生呼吸衰竭，15例(13.6%)需有创机械通气，院内死亡共13例(11.8%)。KP菌株对阿米卡 星、碳青霉烯类抗菌药物敏感率＞90%，对头孢噻肟、头孢曲松和头孢他啶的敏感率分别为58.3%、60.9%和70.9%，对头孢哌 酮/舒巴坦和哌拉西林/他唑巴坦的敏感率分别为59.5%和82.7%。检出ESBLs+菌株39株(39/86，45.3%)，耐碳青霉烯类肺炎克雷 伯菌(CRKP)菌株10株(10/110，9.1%)，ESBLs+KP菌株和CRKP在各年龄组间分布无统计学差异。结论 儿童KPBSI多见于有基 础疾病的患儿，脓毒症、脓毒性休克和呼吸衰竭发生率高；KP菌株对头孢他啶和哌拉西林/他唑巴坦敏感性较高，可经验性治 疗轻症KPBSI患儿。     

Progranulin correlated with rapid progressive interstitial lung disease in dermatomyositis with anti-melanoma differentiation-associated gene 5 antibody

Clinical Rheumatology - This study aimed to detect the expression of progranulin (PGRN) and elucidate associations with clinical features in dermatomyositis (DM) patients with anti-melanoma...     

以宫腔积液为首发症状的胃型宫颈腺癌1例报道并文献复习

宫腔积液指宫腔内液体积存(积水、积血或积脓),是绝经后女性常见体征之一,常于超声检查时发现。持续宫腔积液患者,需宫腔镜检查寻找病因。本文报道1例以宫腔积液为首发症状,经宫腔镜检查确诊为胃型宫颈腺癌的患者。通过病例回顾并文献复习,以期为更多绝经后宫腔积液及宫颈病变的诊断提供参考,避免漏诊及误诊。1病例资料患者67岁,女,主因"绝经18年,不规则阴道出血2月"于2020年5月就诊于首都医科大学附属北京妇产医院妇科微创中心。     

下一代诊断病理学

随着人类基因组测序、生物大数据信息分析、分子病理检测和人工智能辅助病理诊断等技术进步及其应用, 临床医学发展迈向精准诊疗时代。这一时代背景下, 传统诊断病理学迎来前所未有的历史机遇, 正在向"下一代诊断病理学(next-generation diagnostic pathology)"迈进。下一代诊断病理学以病理形态和临床信息为诊断基础, 以分子检测与生物信息分析、智慧制样与流程质控、智能诊断与远程会诊、病灶活体可视化与"无创"病理诊断等创新前沿交叉技术为主要特征, 以多组学和跨尺度整合诊断为病理报告内容, 实现对疾病的"最后诊断", 并预测疾病演进和结局、建议治疗方案和评估治疗反应, 形成新的疾病诊断"金标准"。未来, 需要激发病理学科创新活力, 加快下一代诊断病理学成熟和应用, 重塑病理学科理论和技术体系, 发挥诊断病理学在疾病"防、诊、治、养"等过程中的重要作用, 促进临床医学进一步发展, 服务健康中国战略。     

基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。 方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例，以2018年8月31日为节点将其分为训练集（526例）和验证集（302例），提取肿块的超声影像组学特征并进行特征筛选，运用k最近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）5种机器学习算法分别建立预测模型，使用重复交叉验证方法做内部验证，计算比较各模型的敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV），并实施外部验证，绘制ROC曲线并比较ROC曲线下面积（AUC）以评价模型的鉴别诊断性能，绘制校准曲线评价模型校准度。 结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中，5种模型的敏感度、特异度、PPV、NPV比较，总体差异均有统计学意义（P均＜0.001）。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778，3项指标均高于其他4种模型；敏感度中位数为0.824，高于kNN、RF和SVM模型。此外，SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759，虽均低于LR模型，但均高于其他3种模型。在外部验证中，LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703，其中LR与SVM的AUC差异有统计学意义（P=0.012）；此外，各模型在校准性能上表现并不一致，LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。 结论以超声影像组学特征为基础，运用不同机器学习算法建立的乳腺癌超声预测模型，均表现出较高的诊断性能，其中LR模型表现最为突出；选择合适的机器学习算法有助于进一步提高预测模型的诊断性能，提供更加准确的量化预测结果。