动态增强MRI鉴别诊断前列腺中央腺体T2WI低信号病变

目的 观察动态增强MRI （DCE-MRI）定量及半定量参数鉴别诊断前列腺中央腺体T2WI低信号病变的价值。方法 收集59例存在前列腺中央腺体T2WI低信号病变患者,其中前列腺癌患者32例（前列腺癌组）,前列腺增生伴慢性炎症患者15例（增生伴慢性炎症组）,高级别上皮内瘤变（HGPIN）患者12例（HGPIN组）,测量并比较其DCE-MRI定量及半定量参数：容积转运常数（K^trans）、速率常数（K_ep）、血管外细胞外容积分数（V_e）、对比剂血浆容积（V_p）、达峰时间（TTP）、最大浓度（Conc_max）、最大斜率（Slope_max）和时间-浓度曲线下面积（AUTC）,绘制ROC曲线,分析各参数诊断前列腺癌的效能。结果 前列腺癌组、增生伴慢性炎症组与HGPIN组间K_trans、K_ep、V_e、V_p、TTP及Slope_max差异均有统计学意义（P均<0.05）,其中前列腺癌组与HGPIN组间K^trans、K_ep、V_e、Slope_max及TTP差异均有统计学意义（P均<0.05）,前列腺癌组与增生伴慢性炎症组间V_p及TTP差异有统计学意义（P均<0.05）,HGPIN组与增生伴慢性炎症组间K^trans、K_ep、V_p及TTP差异均有统计学意义（P均<0.05）。ROC曲线显示TTP、K^trans及K_ep值诊断前列腺癌的曲线下面积（AUC）分别为0.743、0.735和0.721,两两比较差异均无统计学意义（P均>0.05）,但均大于V_e值诊断前列腺癌的AUC （P均<0.05）。结论 DCE-MRI参数TTP、K^trans和K_ep可于前列腺中央腺体T2WI低信号病变中有效鉴别诊断前列腺癌。     

基于前列腺影像报告和数据系统第2版的机器学习模型诊断高级别前列腺癌

目的 建立基于前列腺影像报告和数据系统第2版（PI-RADS v2）的支持向量机（SVM）、决策树（DT）和Logistic回归3种机器学习模型,评价上述模型对高级别前列腺癌的诊断价值。方法 回顾性分析于我院接受前列腺多参数MR扫描并取得病理结果的194例患者的资料,其中高级别癌63例,非高级别癌131例。将评价因素（PI-RADS v2评分、年龄、游离前列腺特异抗原、前列腺特异性抗原比值、前列腺特异抗原密度）录入SVM、DT和Logistic回归3种机器学习模型进行诊断,通过ROC曲线评价PI-RADS v2评分和3种机器学习模型诊断高级别前列腺癌的价值。结果 PI-RADS v2、SVM、DT和Logistic回归模型诊断高级别前列腺癌的敏感度分别为72.73%、69.09%、87.27%和70.91%;特异度分别为87.29%、93.22%、93.22%和95.76%。DT模型诊断高级别前列腺癌ROC的AUC（AUC=0.90,P<0.01）最大,且与PI-RADS v2评分、SVM、Logistic回归比较差异均有统计学意义（P均<0.05）。结论 PI-RADS v2评分、SVM、DT和Logistic回归模型诊断高级别前列腺癌的价值均较好。     

miR-21对类风湿关节炎滑膜成纤维细胞增殖与凋亡的影响

探讨miR-21对类风湿关节炎（RA）滑膜成纤维细胞（FLS）增殖与凋亡的影响。方法 Realtime PCR方法检测正常和RA-FLS中miR-21表达差异。RA-FLS分成Control组、miR-NC组（转染mimics control）、miR-21组（转染miR-21 mimics）、miR-21+IGF-1组（转染miR-21 mimics,PI3K/Akt信号通路特异性激活剂IGF-1处理）,CCK-8实验分析细胞增殖活性变化,流式细胞术分析细胞凋亡水平变化,Western blot方法分析细胞中C-Caspase-3、Bax、Bcl-2、PI3K、p-PI3K、Akt、p-Akt蛋白表达变化。结果 与正常-FLS比较,RA-FLS中miR-21表达水平降低（P＜0.05）。与Control组、miR-NC组比较,miR-21组RA-FLS细胞中miR-21表达水平升高,细胞增殖活性降低,细胞凋亡率增加,细胞中C-Caspase-3、Bax蛋白表达增多,Bcl-2蛋白表达减少,p-PI3K/PI3K、p-Akt/Akt蛋白水平降低（P＜0.05）。与miR-21组比较,miR-21+IGF-1组RA-FLS增殖活性升高,细胞凋亡率降低,细胞中p-PI3K/PI3K、p-Akt/Akt蛋白表达增多,C-Caspase-3、Bax蛋白表达减少,Bcl-2蛋白表达增多（P＜0.05）。结论 上调miR-21可抑制RA-FLS增殖,诱导细胞凋亡,机制可能与降低PI3K/Akt信号激活水平有关。     

基于多参数MRI及影像组学建立机器学习模型诊断临床显著性前列腺癌

目的 建立基于多参数MRI（mpMRI）和影像组学特征的机器学习模型,评价其诊断临床显著性前列腺癌（CSPC）的价值。方法 结合纹理分析、MR动态增强定量分析、前列腺影像报告与数据系统（PI-RADS）评分和部分临床资料建立Logistic回归（LR）、逐步回归（SR）、经典决策树（cDT）、条件推断树（CIT）、随机森林（RF）和支持向量机（SVM）模型,运用ROC曲线和决策曲线分析法（DCA）评价上述模型和变量的重要性。结果 验证组中RF模型诊断CSPC的AUC大于SVM、cDT、SR模型（P均<0.05）,RF模型与LR、CIT模型诊断CSPC的AUC差异无统计学意义（P均>0.05）,其余各模型间诊断CSPC的AUC差异无统计学意义（P均>0.05）。概率阈值为16%~91%时,RF模型的净获益最大,优于其他模型;概率阈值为23%~91%时,SVM模型的净获益仅次于RF模型而优于其他模型。前列腺特异性抗原密度（PSAD）和部分纹理分析参数的重要性较高。结论 RF模型诊断CSPC优于其他模型,SVM模型次之。PSAD和纹理分析相关参数诊断CSPC的重要性高于PI-RADS评分和动态增强MRI定量参数。