基于多参数MR的影像组学融合模型术前预测宫颈鳞癌脉管浸润的应用价值

目的 探讨基于多参数MR的影像组学融合模型术前预测宫颈鳞癌脉管间隙浸润（LVSI）的应用价值。方法 回顾性研究。纳入2016年6月—2019年3月山西省肿瘤医院宫颈鳞癌患者168例。患者年龄22~76（52.0±10.1）岁,临床分期为国际妇产联盟（FIGO）ⅠB期127例、ⅡA期41例。所有患者术前行多参数盆腔MR扫描,均接受根治性子宫切除术联合盆腔淋巴结清扫术治疗。收集其临床病理资料和多参数MRI数据,以7∶3的比例按照随机抽样法分为训练集117例和验证集51例。在T₂加权像（T₂WI）、表观弥散系数[ADC,由2个b值的弥散加权成像数据自动生成]及增强T₁加权像（cT₁WI）3个序列的MRI上,对病灶进行手动分割勾画肿瘤轮廓感兴趣区（ROI）,得到三维感兴趣区（VOI）并提取特征,通过以最大相关最小冗余和最小绝对收缩与选择算子回归为主的三步降维法筛选特征并构建影像组学模型。多因素logistic回归分析筛选临床特征并联合影像组学模型建立融合模型,制作列线图。受试者操作特征曲线（ROC 曲线）、校正曲线、决策分析曲线评估列线图的效能及临床效益。结果 术后病理检查确诊LVSI阳性42例,阴性126例。训练集与验证集患者的年龄、FIGO分期、肿瘤最大径、肿瘤分化程度、LVSI状态等临床病理特征比较,差异均无统计学意义（P值均>0.05）。基于T₂WI、ADC及cT₁WI多参数MRI提取的影像组学特征,经特征筛选后得到7个关键特征,均与宫颈癌LVSI相关（P值均<0.05）,并构建影像组学模型。训练集T₂WI、ADC及cT₁WI 3个序列独立构建的影像组学模型预测宫颈癌LVSI的ROC曲线下面积（AUC）分别为0.630[95%可信区间（CI）0.557~0.698]、0.686（95%CI 0.563~0.694）、0.761（95%CI 0.702~0.818）,3个序列共同构建的联合影像组学模型对应的AUC为0.887（95%CI 0.842~0.925）,诊断效能最优,并在验证集中得到验证。联合影像组学模型与肿瘤分化程度构建的融合模型列线图预测宫颈癌LVSI,在训练集与验证集中的AUC分别为0.893（95%CI 0.851~0.929）、0.854（95%CI 0.749~0.943）,校正曲线显示出列线图有良好的校正性能;决策曲线表明当风险阈值概率范围在0.50~0.96时,采用影像组学融合模型预测宫颈癌LVSI的净收益优于“将所有患者视为宫颈癌LVSI阳性或阴性”。结论 基于多参数MRI影像组学特征与临床特征的融合模型对宫颈癌LVSI状态有良好的预测价值。     

实性肺结节低剂量CT影像组学图像质量控制的体模研究

目的探讨影像组学在低剂量CT扫描条件下实性肺结节CT图像质量控制中的应用价值。方法使用CT750 HD CT分别在不同管电压及不同管电流下对胸部肺结节人体仿真模型进行扫描,记录不同扫描条件下的容积CT剂量指数(CTDIvol),测量并计算图像中结节的信噪比(SNR)和对比噪声比(CNR),分析辐射剂量、噪声与管电压管电流变化的规律,将所有扫描数据通过影像组学分析软件对实性结节的全部特征进行提取,使用R语言统计学软件对提取的特征参数进行主成分分析,选取主成分中对图像质量贡献较大的特征进行分析。对确定的重要特征参数进行单因素方差分析,揭示不同管电压下特征参数的差异,再进一步通过事后检验对不同管电压组之间进行两两比较,找出组间差异。结果辐射剂量在研究的范围内随管电压、管电流的增加而线性增加。肺结节的SNR和CNR总体变化趋势虽然与管电压及管电流的变化呈线性关系,但在低剂量下没有明确的变化趋势阈值存在,无法准确评价低辐射下图像质量。影像组学提取的所有特征参数中均质性、体素值总和及Haralick相关性是3个主要成分,其方差累计的贡献率为89.2%,且特征值均>1。特征参数均质性曲线显示出其变化趋势与管电压及管电流变化成相关性,且稳定性和一致性较好。均质性单因素方差分析结果显示在管电压140及120 kVp时,两组间的均质性值的变化差异无统计学意义(P=0.117),而在其他管电压间均质性值变化差异均有统计学意义(P<0.001)。当管电压在100 kVp、管电流≥60 mA时或管电压在80 kVp、管电流≥90 mA时,均质性无明显变化,可以得到满意的图像质量。结论影像组学分析方法可以有效定量化地评价和控制低辐射剂量下实性肺结节CT图像质量。     

基于增强CT影像组学模型鉴别肾透明细胞癌与非透明细胞癌

目的 建立基于增强CT的影像组学模型,评估其鉴别肾透明细胞癌（ccRCC）与非透明细胞癌（non-ccRCC）的应用价值。方法 将147例ccRCC及32例non-ccRCC患者随机分为训练集125例和测试集54例。将所有患者的增强CT资料导入ITK-SNAP软件,手动勾画ROI,获得16个特征,分别建立基于特征的随机森林（RF）模型和逻辑回归（LR）模型,采用ROC曲线观察模型对ccRCC的诊断效能。结果 训练集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度0.83;LR模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.83。测试集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.89;LR模型诊断ccRCC的AUC为0.88（P<0.05）,特异度为0.90,敏感度为0.77。结论 基于增强CT影像组学模型可用于鉴别ccRCC与non-ccRCC;RF模型诊断价值较LR模型更高。     

基于人工智能动态CT心肌灌注成像分析技术的临床应用研究

目的 评价基于人工智能的动态CT心肌灌注（CTP）半自动分析软件Myocardiac Kit（MK）测量心肌血流参数的稳定性和准确性。 方法 前瞻性纳入接受负荷动态CTP联合冠状动脉CT血管成像（CCTA）的87例疑似冠心病病人,男67例,女20例,平均（60.98±0.78）岁。所有病人均在1周内接受有创冠状动脉造影（ICA）并测量血流储备分数（FFR）。由2名医师独立采用MK软件和CCTA工作站分析数据,计算心肌血流量（MBF）等动态CTP参数以及CCTA直径狭窄率,并记录软件分析数据所需时间。采用组内相关系数（ICC）评价观察者间在心肌节段和冠状动脉水平上参数测量的一致性。以在ICA检查中狭窄程度 ≥ 90%或FFR≤0.80作为心肌缺血的诊断标准,采用独立样本t检验比较缺血心肌和非缺血心肌MBF差异。绘制受试者操作特征（ROC）曲线,并计算曲线下面积。采用约登指数计算MBF判断心肌缺血的最佳临界值,分别计算CCTA上直径狭窄率 ≥ 50%、MBF以及两者联合诊断心肌缺血的敏感度、特异度及准确度。结果 研究共纳入261支冠状动脉和1 479个心肌节段。在心肌节段水平和血管水平上,2名医师对各参数测量较为一致（ICC≥0.60）。缺血心肌节段平均MBF低于对应非缺血节段的[（123.14±41.83） mL·100 mL^-1·min^-1和（147.47±43.98） mL·100 mL^-1·min^-1,P<0.05],而缺血冠状动脉供血心肌节段的平均MBF亦低于非缺血冠状动脉供血的心肌节段 [（124.34±42.86） mL·100 mL^-1·min^-1和148.68±44.49） mL·100 mL^-1·min^-1,P<0.05]。在血管水平,MBF最佳临界值为115.0 mL·100 mL^-1·min^-1,联合血管狭窄 ≥ 50%和MBF诊断心肌缺血的诊断效能最高,ROC曲线下面积为[0.91（95%CI:0.87~0.95）]。MK软件平均数据处理时间为（10.51±1.95） min。结论 基于人工智能的动态CTP半自动分析软件具有稳定性好、结果准确、操作简便等优点,具有较好的临床应用推广价值。     

欧乃派克通过药品广告审查

由通用电气药业(上海)有限公司研发生产的碘海醇注射液,商品名欧乃派克,生产批准文号:国药准字H20000591 H2D000592 H20000593 H20000594 H20000595H,日前通过药品广告审查,新的广告批准文号:沪药广审(文)第2011020088号     

增强MRI影像组学在构建乳腺癌腋窝淋巴结转移预测模型中的应用研究

目的探讨基于增强MRI影像组学构建的预测模型对乳腺癌腋窝淋巴结转移的诊断效能。 方法根据纳入及排除标准,回顾性分析2016年1月至2020年6月在吉林省肿瘤医院接受手术治疗的376例女性乳腺癌患者的临床、病理及影像资料。患者术前接受乳腺增强MRI检查。用随机数字表法从所有患者中选择20例,由2名放射科医师对其影像独立分割病灶,勾画感兴趣区域(ROI)。采用组内相关系数(ICC)检验对2名医师勾画的ROI进行一致性分析。采用A.K.(Version 3.3.0)软件提取病灶区域的三维纹理特征参数,通过IPMs(Version 2.0.2)软件及最小绝对收缩和选择算子(LASSO)筛选出最佳影像组学特征,用于构建乳腺癌淋巴结转移预测模型。按7∶3的比例将患者随机分为训练组(n＝263)和验证组(n＝113)。采用6种机器学习模型,包括Logistic回归、随机森林(RF)、贝叶斯算法(NB)、决策树(DT)、邻近算法(KNN)和支持向量机(SVM)模型,对2组数据进行处理,采用受试者操作特征(ROC)曲线分析各机器学习模型对乳腺癌腋窝淋巴结转移的诊断效能,根据训练组ROC曲线下面积(AUC)大小,选择最佳模型。用决策曲线分析(DCA)评价最佳模型的临床获益。 结果共有腋窝淋巴结阳性患者114例,腋窝淋巴结阴性患者262例。操作者一致性检验结果显示：2名医师具有很强的操作者一致性(ICC＝0.915,95%CI: 0.894~0.932, P<0.001)。每个病灶提取得到396个三维纹理特征参数,筛选保留7个淋巴结阳性组与淋巴结阴性组间差异明显的影像组学特征,并将其与2个临床指标(年龄和绝经状态)和5个影像学指标(病灶位置、有无钙化、病灶数量、病灶长径和造影剂时间-信号曲线类型)一起,共14个参数,构建预测模型。6种机器学习模型中,Logistic回归模型在训练组中诊断乳腺癌腋窝淋巴结转移的AUC最高(0.798),准确率为73.0%(192/263)、特异度为75.4%(138/183)、敏感度为67.5%(54/80),在验证组的AUC为0.767、准确率为73.5%(83/113)、特异度为77.2%(61/79)、敏感度为64.7%(22/34),为最佳机器学习模型。基于Logistic回归模型的决策曲线分析结果显示：训练组中阈值为0.15~1.00,验证组中阈值为0.10~0.60,有临床获益。 结论基于增强MRI影像组学结合机器学习模型建立的预测模型能够鉴别乳腺癌淋巴结转移,其中以Logistic回归模型的诊断效能更优。     

对比剂,抱怨的制造者吗?

作为医学影像科的医生,早在上世纪80年代我们已经接触、使用X线和MRI对比剂.起初我们对对比剂的认识还是来源于国际知名的临床研究如通过日本Katayama研究,我们知道"……非离子型对比剂明显较少发生有潜在生命威胁的严重不良反应.应用非离子型对比剂是增加造影检查安全的最有效方法."通过澳大利亚的Palmer研究,我们又了解到"……高危患者应用非离子型对比剂比低危患者应用离子型对比剂更安全."     

TrueFidelity深度学习图像重组技术在儿童副鼻窦超低剂量CT检查中的初步应用研究

目的 探讨TrueFidelity深度学习重组(DLIR)技术在儿童副鼻窦超低剂量CT检查中的价值。方法 回顾性分析因鼻窦炎或鼻部外伤行CT扫描患儿50例的资料,实验组(A组)25例采用100 kVp扫描,Smart mA 60～250 mA,前置多模型自适应统计迭代重组(ASIR-V)权重70%,DLIR图像重组,重组强度分别为高级、中级和低级;对照组(B组)25例采用100 kVp扫描,Smart mA 60～250 mA,前置ASIR-V权重30%,后置ASIR-V重组,重组权重选择70%。比较两组的辐射剂量常、图像噪声、信噪比(SNR)、对比噪声比(CNR)及主观评分。辐射剂量记录剂量长度乘积(DLP)值,并计算有效辐射剂量(ED)值。结果 A、B两组ED差异有统计学意义,A组辐射剂量较B组明显降低(t_DLP=-34.56,t_ED=-23.00,P<0.05),A组DLP和ED分别比B组降低了83.92%[(36.65±2.44)mGy·cm vs.(227.92±27.58) mGy·cm]和83.17%[(0.17±0.03...     

基于Sonazoid超声造影枯否期图像预测肝细胞肝癌微血管侵犯的影像组学研究

目的 基于sonazoid超声造影（CEUS）枯否期图像构建预测肝细胞肝癌（HCC）微血管侵犯（MVI）的影像组学术前预测模型,并探讨其应用价值。方法 前瞻性纳入于我院拟诊为肝恶性肿瘤并行术前sonazoid CEUS检查的患者,分别提取基于灰阶超声图像和CEUS枯否期静态图像的肿瘤区域（TR）、瘤周5 mm区域（PR）及肿瘤+瘤周5 mm区域（ER）的特征。应用支持向量机法构建影像组学预测模型并评估其对MVI的预测效能。结果 最终纳入50例经手术及病理证实的HCC患者（MVI阳性31例,MVI阴性19例）,分别从灰阶图像和枯否期图像的TR、PR及ER提取并筛选出5个最具预测效力的影像组学特征构建预测模型,其中枯否期PR影像组学模型对MVI的独立预测效能最佳,其准确率为84%,敏感性为90.3%,特异性为73.7%。决策收益曲线分析显示当该模型预测MVI的概率阈值为0.05~0.85时,枯否期PR影像组学评分能提供更高的临床收益。结论 基于sonazoid CEUS枯否期图像构建的影像组学模型是术前无创预测HCC病灶MVI的潜在方法。     

增强CT影像组学模型可术前评估甲状腺乳头状癌颈部中央区淋巴结转移

  目的  探讨临床、CT影像组学及融合模型等6个模型术前预测甲状腺乳头状癌（PTC）中央区淋巴结转移（CLNM）的价值。  方法  纳入103例PTC患者,根据术后病理结果将患者分为无CLNM组（n=50）和CLNM组（n=53）,比较组间临床资料及CT征象差异,按7∶3比例随机将各组分为训练集及测试集,提取训练集CT影像组学的特征,构建临床模型、平扫期（NP）模型、动脉期（AP）模型、静脉期（AP）模型、NP+AP+VP模型及融合模型。模型的效能的评价标准为AUC、敏感度及特异性。  结果  两组的性别差异有统计学意义（P=0.002）;在CT征象中,两组间病灶直径（P=0.001）及甲状腺包膜侵犯（P=0.024）的差异有统计学意义。在NP模型、AP模型、VP模型及NP+AP+VP模型这4个组学模型中NP+AP+VP模型预测PTC患者发生CLNM的效能最佳。比较临床模型、NP+AP+VP模型及融合模型的预测效能,融合模型表现最佳,在训练集和测试集中均具有最高的AUC、敏感度和特异性。  结论  融合模型在训练集和测试集中预测PTC患者发生CLNM的效能均最好,有望对术前评估PTC患者CLNM提供有效的辅助手段。