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。     

剑突下入路胸腔镜切除术在前纵隔肿瘤治疗中的临床效果

目的 探讨经剑突下入路胸腔镜切除术在前纵隔肿瘤治疗中的临床效果。方法 选择2018年1月-2020年1月我院收治的133例前纵隔肿瘤患者，采用随机数字表法分为对照组(66例)和观察组(67例)。对照组经侧胸入路行胸腔镜切除术，观察组经剑突下入路行胸腔镜切除术。比较两组患者围术期指标及疼痛程度。结果 观察组手术时间略长于对照组，差异无统计学意义(P>0.05);观察组术后拔管时间及首次下地时间均较对照组短，术后引流量较对照组少，差异有统计学意义(P<0.05);观察组术后24h及72h的视觉模拟评分表(VAS)评分均较对照组低，差异有统计学意义(P<0.05)。结论 相较于经侧胸入路胸腔镜切除术，经剑突下入路胸腔镜切除术可减轻患者疼痛程度，促进患者术后恢复，值得推广。     

肿块型乳腺导管癌淋巴结转移的影响因素

目的 探讨肿块型乳腺导管癌发生淋巴结转移的影响因素,为临床制定合理个体化治疗方案提供依据.材料与方法 回顾性分析本院经病理证实的女性乳腺导管癌患者177例.评价指标包括临床(年龄、肿瘤T分期、WHO分级)、病理分子分型、MRI特点(大小、位置、ADC值、动态增强曲线)等参数,并根据病理结果 将其分为淋巴结转移阳性组(A组),阴性组(B组).应用SPSS 20.0统计学软件进行分析,采用独立样本t检验,Fisher确切概率法、Pearson-卡方检验进行比较,检验水准:P<0.05.结果 与阴性组比较,阳性组T分期更高(χ2=45.14,P=0.000)、病理学分级高(χ2=138.67,P=0.000)、位置以外上象限为主,差异均存在统计学意义(P<0.05);而肿块大小、ADC值、年龄、动态增强曲线、病理分子分型等方面,两组差异没有统计学意义(P>0.05).结论 肿块型乳腺导管癌的淋巴结转移与肿瘤T分期、病理学分级、肿块在乳腺的位置有关(χ2=17.66,P=0.004),且肿瘤T分期≥2、WHO分级≥Ⅱb级、肿块位于中央区及全乳癌者是乳癌淋巴结转移的高危因素.