基于CT平扫影像组学模型预测食管癌淋巴结转移

目的 评估术前基于胸部CT平扫影像组学模型预测食管癌患者淋巴结转移的价值。方法 回顾性分析368例经术前内镜活检及术后病理确诊的食管癌患者,其中100例淋巴结转移、268例无淋巴结转移,按比例3 ∶ 1将其分为训练组（包括201例无淋巴结转移和75例淋巴结转移）和验证组（67例无淋巴结转移和25例淋巴结转移）。自胸部CT中提取食管癌病灶的影像组学特征,并以最小绝对收缩和选择算子（LASSO）回归进行降维,筛选与食管癌淋巴结转移关联度高的特征;采用支持向量机构建预测淋巴结转移的影像组学模型,并以受试者工作特征（ROC）曲线分析模型的诊断效能。结果 共提取1 046个组学特征参数,经LASSO降维筛选出11个特征参数用于建立预测淋巴结转移模型。影像组学模型预测训练组淋巴结转移的曲线下面积（AUC）为0.84,敏感度为84.00%,特异度为75.12%,准确率为77.54%;于验证组的AUC为0.82,敏感度为80.00%,特异度为77.61%,准确率为78.26%。结论 术前基于胸部CT平扫影像组学模型预测食管癌患者淋巴结转移具有较高价值。     

基于机器学习的CT定量指标与新型冠状病毒肺炎临床分型及肺损伤严重程度的相关性研究

目的探讨胸部CT定量指标在新型冠状病毒肺炎(COVID-19)临床分型及肺损伤严重程度评价中的价值。方法回顾性分析华中科技大学同济医学院附属同济医院2020年1月1日至2020年4月1日COVID-19确诊的438例患者的临床及CT影像资料。临床分型为普通型146例、重型247例、危重型45例。使用人工智能(AI)深度学习定量分析所有患者胸部CT指标,包括全肺体积、全肺感染体积、磨玻璃密度体积(GGO体积,CT值<-300 HU)和实性密度体积(SO体积,CT值≥-300 HU)以及SO体积/GGO体积。采用Kruskal-Wallis检验对各临床分型之间定量参数的差异性进行统计学分析,采用多元有序logistic回归分析定量参数与临床分型之间的相关性。结果 438例COVID-19确诊患者中,重型及危重型患者的年龄较大(P<0.05),且危重型患者以男性为主(P<0.05)。各临床分型患者的临床表现均主要以发热为主,其次为咳嗽、乏力、胸闷、呼吸困难、消化道症状等。3种临床分型肺部病变的CT表现均以GGO为主;全肺感染体积、GGO体积、SO体积以及各自在全肺体积的比例均从普通型、重型到危重型患者逐渐增大(P<0.01);SO体积/GGO体积随临床分型严重程度增加逐渐增大[普通型为0.12(0.03,0.34),重型为0.29(0.11, 0.59),危重型为0.61(0.39,0.97),P<0.05]。多元有序logistic回归分析显示全肺感染体积(OR=1.009)、SO体积/GGO体积(OR=1.866)、GGO体积(OR=1.008)和SO体积(OR=1.016)对临床分型的严重程度产生显著的正向影响关系(P<0.01)。结论基于AI胸部CT定量指标(SO体积、GGO体积、SO体积/GGO体积)与COVID-19肺炎临床严重程度密切相关。     

新型冠状病毒肺炎不同临床分型间CT和临床表现的相关性研究

目的 探讨新型冠状病毒肺炎(COVID-19)不同临床分型的CT和临床表现的相关性。方法 回顾性分析2020年1月华中科技大学同济医学院附属同济医院确诊的103例COVID-19患者的胸部CT平扫图像和临床资料,根据COVID-19诊疗方案(试行第五版),将所有患者分为普通型(58例)、重型(36例)和危重型(9例),并分析其临床表现、实验室检查和CT表现。CT特征参数包括病灶分布、位置、大小、形态、边缘、数目、密度、肺炎病灶占整肺百分比和肺外表现。不同临床分型的CT特征之间的比较采用χ2或Fisher确切概率法。年龄、从发病到CT检查时间及肺炎病灶占整肺体积百分比之间的比较采用方差分析(正态分布)或Kruskal-Wallis秩和检验(非正态分布)。结果 临床表现方面,危重型COVID-19患者更常见于老年男性,中位年龄65岁。58例普通型COVID-19患者有49例(84%)以发热为首发症状,重型及危重型COVID-19患者均以发热为首发症状,重型(25/36, 69%)及危重型(6/9, 67%)COVID-19患者的咳嗽发生率高于普通型(20/58, 34%)。所有危重型患者存在呼吸困难。CT表现中,普通型COVID-19表现为双肺(41/58, 71%)、多发(40/58, 69%)、磨玻璃(31/58, 52%)或混合型(25/58, 43%)、斑片(56/58, 97%)灶;重型及危重型COVID-19均表现为双肺病灶,重型COVID-19以多发(34/36, 96%)、斑片(33/36, 92%)、混合密度灶(26/36, 72%)为主;9例危重型COVID-19病灶均为大于3 cm的多发混合密度病灶。肺炎病灶占整肺体积的百分比:普通型(12.5%±6.1%)明显低于重型(25.9%±10.7%)及危重型(47.2%±19.2%) COVID-19,两者差异具有统计学意义(P值分别为<0.001、0.002),重型COVID-19也显著低于危重型,差异具有统计学意义(P=0.032)。结论 COVID-19不同临床分型的CT和临床表现存在差异,胸部CT表现具有特征性,不仅能早期诊断,还能对其临床病程及严重程度进行评估。     

深度学习模型对纯磨玻璃结节肺腺癌病理亚型的预测分析

目的 利用深度学习对CT上表现为纯磨玻璃密度结节(pGGN)的肺腺癌进行分型,并与手术病理结果对比,探讨其对病理亚型的预测价值。方法 收集219例(共240个病灶)经病理证实且胸部CT上表现为pGGN的肺腺癌患者的CT影像与病理资料,根据病理分型,将其分为非浸润性腺癌组[包括浸润前病变(不典型腺瘤样增生和原位腺癌)以及微浸润腺癌]和浸润性腺癌组。首先对pGGN进行勾画与标记,然后将标记好的数据随机分为学习训练组(80%)及验证测试组(20%),其中验证测试组中的结果需与两位胸部影像专家的诊断结果进行对比。结果 深度学习模型对pGGN肺腺癌病理亚型的预测取得了较高的性能。深度学习模型对pGGN判断的准确率为0.8330,95%CI为0.7016~0.9157,专家1对pGGN诊断的准确率为0.5000,95%CI为0.3639~0.6361,专家2对pGGN诊断的准确率为0.5625,95%CI为0.4227~0.6931,两位专家联合对pGGN诊断的准确率为0.5417,95%CI为0.4029~0.6743,深度学习模型的准确率明显高于专家个人及专家组(P=0.002)。专家个人前后两次诊断的一致性Kappa值分别为0.939和0.799,专家个人前后两次的诊断一致性为良好;专家间的一致性Kappa值为0.667,专家间的诊断一致性为中等(P=0.000)。结论 深度学习模型能相对准确地判别pGGN的病理类型,诊断效能优于专家组判断。