能谱CT及影像组学在食管癌诊断中的应用进展

能谱CT的虚拟平扫、单能量成像、能谱曲线、有效原子序数和碘图等,可提供多参数的信息以便定性定量分析。影像组学可深层次挖掘病灶的内部特征,已广泛应用于食管癌的分化分期、疗效评估及预后预测等。两者的应用可为提升食管癌诊断的准确性、为临床开展个体化治疗提供帮助。     

能谱CT多参数成像在肾透明细胞癌病理分级中的应用价值

目的 探讨能谱CT多参数成像在肾透明细胞癌病理分级中的价值。方法 回顾性分析行能谱CT实质期及皮质期扫描并经病理证实的38例cc RCC患者的影像资料,其中低级别(Ⅰ-Ⅱ级)28例,高级别(Ⅲ-Ⅳ级)10例。对两组ccRCC的常规CT表现及能谱CT参数(包括NIC值、70kev单能量CT值、能谱曲线斜率K与有效原子序数)进行统计学处理,同时用ROC曲线对各参数的诊断效能展开分析,得出最佳诊断效能参数及阈值,并计算敏感度及特异度。结果 在皮质期及实质期,低级别ccRCC的NIC值、70kev单能CT值、能谱曲线斜率K与有效原子序数(EAN)较高级别ccRCC皆显著偏大(P<0.05);在诊断效能方面,皮质期NIC值最高,曲线下面积AUC为0.857,最佳诊断阈值为0.28,敏感度、特异度分别为85.71%、70%。在肾盂或肾周侵犯、肿瘤最大径方面,对比两组发现存在显著区别。结论 能谱CT的多参数定量分析在鉴别肾透明细胞癌病理分级中具有较高的准确性,能够有效指导临床治疗方案的选择。     

基于CT影像组学的机器学习模型预测透明细胞肾癌的WHO/ISUP级别

目的 探讨基于三期CT图像的影像组学特征建立机器学习模型术前预测透明细胞肾细胞癌（ccRCC）WHO/ISUP核分级的价值。方法 回顾性收集2016年1月至2023年1月安徽医科大学第一附属医院经病理证实的236名ccRCC患者的3期（平扫期、皮髓质期、实质期）CT图像和临床病理资料。并按照7∶3的比例随机分为训练集和测试集,人工手动分割病灶后提取三期影像组学特征,并对提取得到的特征进行降维,筛选出最有价值的组学特征并用机器学习的方法建立3种机器学习模型,分别为逻辑回归（LR）、支持向量机（SVM）、随机森林（LR）。模型的诊断性能通过受试者工作特征曲线（ROC）及曲线下面积（AUC）来评估。结果 最终筛选得到15个有价值的特征用来构建模型,在测试集中3种机器学习模型的AUC值分别为0.797、0.753、0.761。结论 基于三期CT图像影像组学特征建立的机器学习模型在术前预测ccRCC的WHO/ISUP级别具有一定的价值。     

能谱CT在肾细胞癌诊断及鉴别诊断中的研究进展

<正>肾细胞癌(renal cell carcinoma,RCC)是肾脏最常见的恶性肿瘤,在男性和女性癌症中分别占5%和3%,大约16%的患者在确诊时已经出现转移[1]。最常见的病理学类型是肾透明细胞癌(clear cell renal cell carcinoma,ccRCC),其次是乳头状细胞癌及嫌色细胞癌。肾细胞癌的分型、分级不同,需选择不同的手术方式。因此,早期诊断和早期治疗显得尤为重要,在影像学检查中,应用能谱CT进行术前评估前景广     

增强CT影像组学对肾透明细胞癌恶性程度的鉴别

目的 探索基于CT增强图像影像组学鉴别肾透明细胞癌恶性程度的价值。方法 回顾性分析192例经病理证实为肾透明细胞癌(CCRCC)增强CT图像资料,其中低级别组(Ⅰ-Ⅱ级,n=111)、高级别组(Ⅲ-Ⅳ级,n=81)。对于增强CT皮质髓质期(CMP)、肾实质期(NP)、排泄期(EP)及三期联合的图像进行影像组学特征提取,运用最小绝对收缩率和选择运算符(LASSO)进行降维,选取有价值的组学特征,采用五折交叉验证将样本量分为训练组及测试组,训练组采用支持向量(support vector mach ine,SVM)及逻辑回归(logistic regression,LR)两类分类器创建CMR、NP、EP及三期联合的影像组学模型,运用受试者工作特征曲线下面积(AUC)、准确度、灵敏度、特异度、精确度最终评估影像组学模型对于肾透明细胞癌恶性程度的诊断效能,并用测试组进一步验证。结果 基于CMP、 NP、EP及三期联合图像所建立的影像组学模型与CCRCC恶性程度显著相关,且CMP影像组学模型对于CCRCC恶性程度诊断效能最高(R=0.83,1, 0.801)。SVM分类器模型测试组CMP、NP、...     

肾细胞癌的CT影像特点及病理分型

目的结合病理分型分析肾细胞癌的CT影像特点以提高诊断的准确率.方法收集昆明医科大学第二附属医院手术病理证实的36肾细胞癌,术前均做CT检查(平扫、动态增强扫描),回顾性分析CT影像特点并与病理结果对照.结果 25例透明细胞癌,1例颗粒细胞癌,2例多房囊性肾细胞癌,4例乳头状癌,3例嫌色细胞癌,1例集合管癌.新的病理分型将颗粒细胞癌和多房囊性肾细胞癌均归入透明细胞癌,此类型血供丰富,增强扫描后明显强化;而乳头状癌和嫌色细胞癌相血供相对较少,强化程度低于透明细胞癌.结论各型肾细胞癌的CT影像表现的特异性不强,最终分型仍依靠病理,仔细分析肾癌的CT影像特点与病理之间的关系有助于诊断和鉴别诊断.     

肾细胞癌CT诊断分析

CT已被应用于各种肾脏疾病的检查，对泌尿系诊断放射学的影响极为深刻。对肾细胞癌的诊断优于其他检查手段。通过CT图象的分析可以看到肿块的大小、部位、形态、与其他器官的关系。本文收集了35例经手术病理证实的肾细胞癌。现将其CT图象的特点及鉴别要点报告如下。     

小肾细胞癌的CT影像特征分析

目的探讨小肾细胞癌的CT影像特征。方法选择2003年5月—2011年6月该院收治的17例小肾细胞癌患者资料,所选研究对象患者均通过手术及病理证实。有男性患者12例,女性患者5例。患者年龄分布于33～77岁,平均年龄（42±4.12）岁。结果所选患者中,CT扫描发现有7例患者小肾癌内可明显地见到略低密度区,1例呈点状钙化状。经增强扫描,15例患者中有12例的动脉期显著性地均匀或呈现不均匀强化。17例患者中仅发现2例假包膜,这对后续的手术治疗具有很好的指导作用。通过后续的手术病理证实,有15例患者为透明细胞癌,而有2例患者被证实为颗粒细胞癌。结论多期扫描能够大大提升小肾细胞癌早期检出率和定性诊断率,帮助患者及时治疗,防止病情进一步恶化。另外,假包膜的发现对临床手术具有较大的帮助,应努力提高患者假包膜的发现率。     

螺旋CT双期扫描对肾细胞癌亚型的鉴别诊断价值

目的探讨CT双期增强扫描对肾细胞癌病理亚型的鉴别诊断价值。方法 45例经手术病理证实的肾细胞癌患者,包括36例透明细胞癌、7例乳头状癌、2例嫌色细胞癌,术前行CT平扫和双期动态增强扫描(肾皮质期和实质期),测量肿瘤实质的CT值,同时评价肿瘤的强化方式,对不同病理亚型肿瘤的各项指标进行统计学分析。结果皮质期,透明细胞癌的CT值显著高于乳头状癌和嫌色细胞癌(P<0.05)。实质期,透明细胞癌的CT值显著高于乳头状癌和嫌色细胞癌(P<0.05)。不均匀强化常见于透明细胞癌(83.3%)和乳头状癌(71.4%)。结论 CT增强扫描时分析肿瘤实质的强化值及强化的均匀度对肾癌病理亚型的鉴别诊断有重要价值。     

集成机器学习构建透明细胞肾细胞癌免疫影像分型及预测患者生存的价值

目的：基于集成机器学习(machine learning,ML)及增强CT构建透明细胞肾细胞癌(clear cell renal cell carcinoma,ccRCC)免疫影像(immuno-radiomics,ImRad)分型并探讨其对患者预后生存的预测价值。方法：收集癌症基因图谱(the cancer genome atlas,TCGA)数据库113例ccRCC患者的临床、影像及基因表达信息,提取全肿瘤影像组学特征,基于集成ML进行特征筛选并构建免疫浸润、肿瘤突变负荷、免疫耗竭相关基因的ImRad分型。进一步多因素Cox回归分析ImRad对患者总生存(overall survival,OS)的预测效能。结果：经ML构建30个ImRad分型,经五折法验证,基于朴素贝叶斯算法对肿瘤免疫微环境的预测效能最佳(曲线下面积0.717～0.956)。与基于临床、病理及ImRad单模态指标对比,融合临床-病理及ImRad的模型预测OS的效能最佳。ImRad特征中,Rad-激活态肥大细胞等8个特征是OS的独立预测因子。结论：基于集成ML及CT组学分析可预测ccRCC免疫微环境并提高预测患者术后...     

肾细胞癌48例CT表现

对手术和病理证实的8例肾细胞癌均行平扫＋增强，结果：肾细胞癌CT表现为肾实质内不规则边界欠清的低密度软组织块影，动态增强后可呈一过性强化，应用动态薄层增强扫描法准确检出小肾癌（最大径＜3cm)10例，该法为目前检查小肾癌的最佳影像方法，增强前后CT扫描对肾细胞癌的定位，定性分析及术前分期均具十分重要的价值。     

肾细胞癌的CT诊断

为了进一步研究ＣＴ对肾细胞癌的诊断价值，笔者分析了经手术切除病理证实的１１２例肾细胞癌的临床ＣＴ表现。结果ＣＴ表现为：（１）８４例肿块呈分叶状，边界不清，有短毛刺，并与肾周筋膜相连；（２）１７例肿块周边弧线或状中心斑点状钙化；（３）４６例肿块直径超过５ｃｍ者，密度不均，增强后坏死，囊变呈更低密度区。（４）８例直径≤３ｃｍ的小肾癌，长在肾实质内，边缘较清楚，密度不均。     

CT影像组学在非小细胞肺癌病理分级中的应用

目的：探讨CT影像组学在非小细胞肺癌(NSCLC)病理分级中的应用价值。方法：回顾性分析67例经病理证实为NSCLC病人资料,其中Ⅰ级7例,Ⅱ级39例,Ⅲ级21例,依据非小细胞肺癌的分化程度、异型性、核分裂象的多少,将Ⅰ、Ⅱ级归为低级别组(46例),Ⅲ级归为高级别组(21例)。将病人按照5∶1的比例随机分为训练组56例,验证组11例,选取病灶最大径层面进行感兴趣区(ROI)的勾画,建立预测模型,通过绘制受试者操作特征曲线(ROC),计算ROC曲线下面积(AUC),评价影像组学特征在NSCLC病理分级中的应用价值。结果：CT影像组学模型共提取了1 878个影像组学特征,采用SVM对特征的重要性进行评估,最终降维得到20个特征维度;训练组中AUC值为0.851,准确率为80.35%;测试组中AUC为0.833,准确率为90.90%。结论：CT影像组学可通过分析各种影像特征对术前NSCLC病理分级进行预判。     

双能量CT能谱平扫数据综合分析用于鉴别诊断肾透明细胞癌与肾错构瘤的临床价值

目的 探讨双能量CT能谱数据综合分析在诊断和鉴别诊断肾透明细胞癌(clear cell renal cell carcinoma,ccRCC)和肾错构瘤(renal angiomyolipoma,RAML)中的应用价值。方法 回顾性分析大连医科大学附属第一医院2011年7月至2015年3月期间接受能谱CT检查并经病理诊断的患者66例,其中RAML 23例,ccRCC 43例。应用能谱图像数据进行综合分析,在肿瘤最大横截面上划定感兴趣区,测量40～140 keV下的CT值,绘制能谱曲线并计算曲线的斜率。根据曲线斜率将曲线分为Ⅰ～Ⅲ型,分别统计ccRCC和RAML病例中3种类型曲线的例数及其构成比;测量ccRCC和RAML的基物质对浓度,包括血(水)、钙(水)、脂(水)、水(血)、水(钙)、水(脂),比较各指标间的差异。结果 在40～140 keV(间隔为10 keV)单能量下,ccRCC的中位CT值均高于RAML的中位CT值,差异具有统计学意义(P<0.01)。ccRCC的曲线斜率为0.15±0.10,RAML的曲线斜率为-0.19±0.27,差异有统计学意义(t=7.31, P&...     

代谢组与肾细胞癌的早期诊断

肾细胞癌是泌尿系最常见的恶性肿瘤之一,部分患者在首次就诊时已经处于晚期阶段,预后较差。代谢组学通过对内源性代谢产物的高通量分析而寻找差异性代谢物,在肾细胞癌的早期诊断及探索其发生发展的病生理机制方面前景广阔。通过代谢组学技术,寻找肾癌的肿瘤标志物,这将有助于提高肾癌早期诊断水平,改善其临床预后。     

CT影像组学预测头颈鳞癌HPV感染的研究进展

头颈部鳞状细胞癌是一种具有异质性,预后较差的恶性肿瘤,人乳头状瘤病毒(human papillomavirus,HPV)阳性头颈鳞癌具有独特的生物学特性,对亚型的快速识别有利于临床工作者制定个体化治疗方案,改善患者的预后。影像组学使用高通量数据从医学图像中提取大量成像特征,对医学影像进行量化分析,为头颈鳞状细胞癌精确诊断提供了一种无风险、高效的方法。笔者就CT影像组学在预测头颈鳞癌患者HPV状态的研究进行综述。CT影像组学预测头颈癌HPV的研究进展。     

囊性肾细胞癌的CT影像

目的 对囊性肾细胞癌的CT影像学表现进行分析.方法 将2016年1月—2017年1月间在该院确诊并接受治疗的35例囊性肾细胞癌患者作为此次研究对象,均行CT检查,对其CT检查的过程与结果 进行回顾,总结此疾病的CT影像学表现.结果35例患者中,45.7%为透明细胞癌,主要CT表现是低密度、不均匀强化,少数患者可见坏死区、出血性病灶;34.3%为乳头状癌,主要CT表现是低密度、不均匀强化;14.3%为嫌色细胞癌,主要CT表现是低密度、不均匀强化;5.7%为多房囊性肾细胞癌,主要CT表现是局部有壁结节出现、强化明显.结论 CT在囊性肾细胞癌的诊断中有一定应用价值,但囊性肾细胞癌的CT影像学表现特异性不够明显,对于此病的具体分型,需依据病理诊断.     

基于增强CT不同影像组学模型术前预测食管鳞状细胞癌分化的应用

目的 采用增强CT图像、不同机器学习模型建立食管鳞状细胞癌术前病理分化的影像组学模型,探讨影像组学模型术前预测食管鳞状细胞癌分化的可行性及价值.方法 回顾性分析172例术后病理结果为食管鳞状细胞癌病例,分为分化良好组和分化不良组.将其增强CT图像以DICOM格式导入医准-达尔文系统,按3:1随机分为训练集和测试集,提取...     

整合影像组学和基因组学构建肾透明细胞癌肿瘤分级预测模型

目的 基于影像基因组学特征构建预测肾透明细胞癌(CCRCC)的肿瘤分级的机器学习模型,并挖掘CCRCC分级相关基因及其功能,为个体化精准医疗提供线索和潜在靶点。方法 以CCRCC为研究对象,共涉及197例样本,通过整合其影像组学及基因组学大数据,提取关键特征,构建机器学习模型预测CCRCC肿瘤分级。针对与CCRCC分级相关的关键特征基因进行功能富集分析,解析影响CCRCC进展的生物学功能。结果 通过影像组学特征与基因组学信息构建的机器学习模型均能有效地预测CCRCC分级。基于影像组学建立的模型其曲线下面积(AUC)为0.715 (95%CI:55.1%～87.8%);基于差异表达的特征基因构建的预测模型AUC为0.856 (95%CI:73.2%～98%);基于显著突变的特征基因构建的预测模型AUC为0.652 (95%CI:47.8%～82.5%)。相较于单一组学的模型,整合多组学构建的模型能更好地预测肿瘤分级(AUC=0.929,95%CI:84.1%～100%)。基因功能富集分析揭示WNT4可能通过调控信号通路、细胞分化通路参与CCRCC的发生发展。结论 基于影像基因组学的联合特...