共查询到20条相似文献,搜索用时 453 毫秒
1.
【摘要】目的:通过对尿毒症患者无明显发热症状2019新冠肺炎(COVID-19)与尿毒症肺炎胸部CT影像对比分析,提高尿毒症患者无发热症状COVID-19与尿毒症肺炎鉴别诊断水平。方法:回顾性分析2019年12月15日-2020年2月22日武汉市第一医院13例尿毒症患者初次CT检查无明显发热症状COVID-19及2019年1月1日-2020年2月22日25例尿毒症肺炎患者CT影像表现。结果:COVID-19的磨玻璃影(10/13)、实变影(2/13)及空气支气管征(3/13)占比与尿毒性肺炎(11/25 、2/25、2/25)无明显区别(P>0.05);尿毒症肺炎小叶间隔增厚(10/25)及胸腔积液(9/25)明显多于COVID-19(0/13、0/13)(P<0.01及P<0.05);COVID-19“铺路石征”或“晕征”(5/13)明显多于尿毒症肺炎(0/25)(P<0.01);COVID-19病灶仅肺外周分布(9/13)及单肺分布(3/13)明显多于尿毒症肺炎(0/25、0/25)(P<0.01及P<0.05),而尿毒症肺炎病灶肺中心分布或中心及外周同时分布(22/25)、双肺分布(25/25)多于COVID-19(4/13、10/13)(P<0.01及P<0.05)。结论:CT检查在尿毒症患者中能够鉴别COVID-19与尿毒症肺炎,对此类人群中无发热症状COVID-19患者早发现、早隔离、减少交叉感染起到一定作用。 相似文献
2.
3.
【摘要】目的:探讨胸部CT特征评估普通型新型冠状病毒肺炎(COVID-19)患者转归情况的价值。方法:搜集入院时为普通型COVID-19的患者158例,根据入院后2~7天内是否发展为重症肺炎分为普通型组和转重症组;记录其临床资料、血清学指标以及胸部CT表现。利用多因素Logistic回归筛选普通型COVID-19转重症肺炎的独立影响因素。利用列线图预测普通型COVID-19患者的预后。结果:淋巴细胞计数减少(P=0.032)、病灶累及右肺中叶(P=0.020)、病灶累及肺叶数(P=0.021)以及病灶占整肺体积百分比(P=0.013)是影响普通型COVID-19转重症的独立影响因素。列线图模型拟合度为0.85,提示模型预测结果与实际一致性较好。结论:胸部CT的特征表现对普通型COVID-19患者临床分型的转变具有较好的预测能力,列线图可以方便地预测出每例普通型COVID-19患者转为重症肺炎的概率。 相似文献
4.
5.
【摘要】目的:探讨新型冠状病毒肺炎(COVID-19)报告与数据系统(CO-RADS)评分及临床特征诊断COVID-19的价值。方法:回顾性分析本院COVID-19疫情期间就诊的169例患者的临床及影像资料,其中男68例,女101例,年龄15~98岁,平均(58.0±15.5)岁,入院后均行胸部CT、核酸及抗体检测。由两位影像医师独立进行CO-RADS评分,评价结果一致性,最终评分结果由两者协商确定。以核酸及抗体结果为金标准,分析CO-RADS评分的诊断效能,采用二元logistics回归分析评分预测COVID-19发生的风险。结果:169例患者中共139例确诊为COVID-19,临床症状以发热、咳嗽较常见(59.7%,51.8%),COVID-19患者CRP升高(χ2=15.93,P=0.000)及淋巴细胞百分比降低(χ2=4.11,P=0.043)较非COVID-19患者发生率高。COVID-19患者CT主要表现为病变多发(115/139,82.7%),下叶受累常见(102/139,73.4%),多位于外周或胸膜下(125/139,89.9%),磨玻璃密度(109/139,78.4%)伴铺路石征(83/139,59.7%)是特征表现之一。两位医生对169例患者CO-RADS评分具有较好一致性,线性加权Kappa分析系数值为0.84(95%CI:0.78~0.89)。COVID-19患者评分较非COVID-19患者高(Z=-7.473,P=0.000)。CO-RADS评分诊断COVID-19的ROC曲线下面积(AUC)为0.91(95% CI :0.85~0.95,Z=13.71,P<0.0001),最佳截断值为3,其敏感度、特异度分别为88.5%、83.3%。单因素二元logistics回归分析显示CO-RADS评分是诊断COVID-19的危险因素,评分为2~5分时其风险是1分的3.43、4.67、45.00、312.00倍。结论:不同医师的CO-RADS评分一致性好,诊断效能高,评分越高COVID-19的风险越大。 相似文献
6.
7.
8.
9.
目的探讨新型冠状病毒肺炎(COVID-19)CT表现及定量CT肺功能对COVID-19肺功能评估。方法回顾性分析31例经病毒核酸检测确诊、且具有完整动态胸部HRCT资料的COVID-19患者,复查间隔时间48 h~14天。分析HRCT基本表现及CT-肺功能成像与临床分型的关系。结果31例患者均于发病3天内接受HRCT检查,病变检出率为100%。于发病5~7天复查CT,25例病变范围增大,3例病灶范围缩小,3例病灶范围同前;发病10~14天接受第2次复查,26例病变范围缩小,3例病灶范围增大;临床分型与CT肺功能值(PI)(r=-0.835,P<0.001)呈显著负相关。结论胸部HRCT能清晰显示COVID-19疾病影像学变化,CT肺功能与COVID-19相关,有助于指导临床早诊断、早治疗,并可评价COVID-19的临床治疗效果。 相似文献
10.
【摘要】目的:探究新型冠状病毒肺炎(COVID-19)胸部CT结构化报告临床诊断应用价值。方法:回顾性分析310例疑似COVID-19患者胸部CT及临床资料。根据纳入标准最终共纳入253例患者,阳性组203名,阴性组50名。对胸部CT进行诊断分型,并记录CT征象。以模式1(CT诊断分型)、模式2(CT诊断分型+CT征象)、模式3(CT诊断分型+基本信息+流行病学史+临床及实验室检查)三种模式进行二元逻辑回归分析,采用ROC曲线及曲线下面积(AUC)评价三种模型诊断准确性。结果:逻辑回归分析显示三种模式诊断敏感度分别为95.6%、96.0%和95.2%,特异度分别为34.0%、48.9%和32.7%,符合率分别为83.4%、87.0%、82.2%,AUC为0.768、0.895和0.812。结论:COVID-19胸部CT结构化报告能较为准确地诊断COVID-19肺炎,敏感度较高,但缺乏特异度,结合CT征象可进一步提高诊断准确性,特别是提高诊断特异度。 相似文献
11.
目的探讨基于肾脏CT平扫图像纹理分析的影像组学模型在预测肾透明细胞癌(ccRCC)WHO/国际泌尿病理学会(ISUP)病理分级中的价值。方法回顾性分析2016年12月至2019年5月中国科学院大学附属肿瘤医院经手术病理证实且有明确病理分级的90例ccRCC患者,按照7∶3的比例将所有患者随机分为训练组(63例)及测试组(27例)。根据2016版WHO/ISUP分级标准,将Ⅰ、Ⅱ级归为低级别组(53例),Ⅲ、Ⅳ级归为高级别组(37例)。在CT平扫图像上逐层勾画肿瘤ROI,提取93个纹理特征,利用最小绝对收缩与选择算子(LASSO)回归对特征参数进行降维,并建立影像组学评分(Rad-score)。以病理分级结果为金标准,采用logistic回归构建ccRCC病理分级的预测模型。采用ROC曲线及校准曲线评价模型的诊断效能,计算曲线下面积(AUC)、敏感度、特异度和准确度。采用Hosmer-Lemeshow拟合优度检验评价模型的校准度。结果经降维和交叉验证后筛选出10个非零系数的纹理特征,根据这10个特征及其对应系数的线性加权形成预测ccRCC新病理分级的影像组学风险评分,并建立预测模型。该模型在训练组中的AUC值为0.933(95%CI 0.862~1.000),其判断WHO/ISUP分级高级别ccRCC的灵敏度为92.3%,特异度为89.2%,准确度为90.5%,校准曲线显示该模型的校准度较好(P=0.257)。在测试组中的AUC值为0.875(95%CI 0.734~1.000),灵敏度为72.7%,特异度为87.5%,准确度为81.5%,校准曲线显示该模型的校准度较好(P=0.125)。结论基于平扫CT纹理分析构建的影像组学预测模型对ccRCC WHO/ISUP病理分级的评估具有应用潜能。 相似文献
12.
目的建立不同CT扫描时相图像鉴别非小细胞肺癌(non-small cell lung cancer,NSCLC)纵隔淋巴结的影像组学模型,并探讨不同模型的诊断效能。方法回顾性分析86例NSCLC患者的术前CT图像,所有患者均行平扫期、动脉期和静脉期CT扫描。选取231枚纵隔淋巴结为研究对象,将2015年1月—2017年6月入组的163枚淋巴结作为训练组,2017年7月—2018年6月入组的68枚淋巴结作为验证组。分别在三时相图像上勾画感兴趣区域(regions of interest,ROI),每个ROI提取841个影像特征,使用LASSO算法筛选特征,基于各时相CT影像组学特征和两不同时相CT影像组学特征的差值建立模型。比较不同模型的受试者工作特征曲线(receiver operating characteristic,ROC)下面积(AUC值)、敏感性、特异性、准确度、阳性预测值和阴性预测值的差异。结果共建立6个模型,其AUC值均>0.800。平扫期CT模型具有最优的鉴别效能,其训练组的AUC值、特异性、准确度、阳性预测值分别为0.926、0.860、0.871、0.906,验证组的AUC值、特异性、准确度、阳性预测值分别为0.925、0.769、0.882、0.870,均高于其他模型。平扫和静脉期CT图像联合动脉期CT图像之后,训练组的敏感性、阴性预测值分别从0.879、0.821和0.919、0.789提高到0.949、0.878和0.979、0.900。结论CT各时相影像组学模型均可用于辅助临床诊断淋巴结。平扫CT影像组学模型的AUC值最高,而联合动脉期CT图像可提高模型的敏感度及阴性预测值。 相似文献
13.
目的 探讨增强CT影像组学列线图在鉴别单发肝细胞癌(HCC)磷脂酰肌醇蛋白聚糖3(GPC3)表达中的价值。方法 回顾性收集来自2个医疗机构共152例单发HCC病人的临床及影像资料,所有病人均行上腹部增强CT扫描并记录GPC3表达水平。天津市第一中心医院的106例病人资料作为训练集(GPC3阳性83例、阴性23例),天津医科大学肿瘤医院的46例病人资料作为验证集(GPC3阳性35例、阴性11例)。对所有病人术前1个月内增强CT影像进行影像组学特征提取。在训练集中,对所有影像组学特征进行降维并得到最优子集,计算影像组学评分(Radscore);比较GPC3阳性组和阴性组间临床资料[包括血清甲胎蛋白(AFP)、糖类抗原199(CA199)等]的差异,将差异有统计学意义的指标进行二元logistic回归分析,获得GPC3阳性的独立预测因素。将获得的临床信息及Radscore分别建立临床列线图、影像组学列线图及联合列线图。采用受试者操作特征曲线下面积(AUC)分析各列线图对GPC3表达状态的预测能力,采用DeLong检验比较各列线图间的诊断效能,并用决策曲线分析评估列线图的临床价值。使用验证集数据对列线图预测效能进行验证。结果 二元logistic回归显示血清AFP、CA199、Radscore是GPC3阳性的独立危险因素[优势比(OR)分别为8.503、1.090、13 300.044,均P<0.05]。校准曲线显示联合列线图对GPC3阳性表达的预测概率与实际概率一致性良好。训练集中,联合列线图的AUC(0.918)高于影像组学列线图(0.842)和临床列线图(0.787)(均P<0.05),联合列线图的敏感度最高,而临床列线图的特异度最高;验证集中,联合列线图的AUC(0.896)高于影像组学列线图(0.726)和临床列线图(0.803)(均P<0.05),联合列线图的敏感度和特异度均最高。决策曲线分析显示当阈值概率处于16%~86%时,联合列线图的临床净获益高于临床列线图和影像组学列线图。结论 基于增强CT的影像组学列线图可以术前鉴别单发HCC GPC3阳性和阴性表达,联合列线图进一步提高了预测效能。 相似文献
14.
Subhanik Purkayastha Yanhe Xiao Zhicheng Jiao Rujapa Thepumnoeysuk Kasey Halsey Jing Wu Thi My Linh Tran Ben Hsieh Ji Whae Choi Dongcui Wang Martin Vallires Robin Wang Scott Collins Xue Feng Michael Feldman Paul J. Zhang Michael Atalay Ronnie Sebro Li Yang Yong Fan Wei-hua Liao Harrison X. Bai 《Korean journal of radiology》2021,22(7):1213
ObjectiveTo develop a machine learning (ML) pipeline based on radiomics to predict Coronavirus Disease 2019 (COVID-19) severity and the future deterioration to critical illness using CT and clinical variables.Materials and MethodsClinical data were collected from 981 patients from a multi-institutional international cohort with real-time polymerase chain reaction-confirmed COVID-19. Radiomics features were extracted from chest CT of the patients. The data of the cohort were randomly divided into training, validation, and test sets using a 7:1:2 ratio. A ML pipeline consisting of a model to predict severity and time-to-event model to predict progression to critical illness were trained on radiomics features and clinical variables. The receiver operating characteristic area under the curve (ROC-AUC), concordance index (C-index), and time-dependent ROC-AUC were calculated to determine model performance, which was compared with consensus CT severity scores obtained by visual interpretation by radiologists.ResultsAmong 981 patients with confirmed COVID-19, 274 patients developed critical illness. Radiomics features and clinical variables resulted in the best performance for the prediction of disease severity with a highest test ROC-AUC of 0.76 compared with 0.70 (0.76 vs. 0.70, p = 0.023) for visual CT severity score and clinical variables. The progression prediction model achieved a test C-index of 0.868 when it was based on the combination of CT radiomics and clinical variables compared with 0.767 when based on CT radiomics features alone (p < 0.001), 0.847 when based on clinical variables alone (p = 0.110), and 0.860 when based on the combination of visual CT severity scores and clinical variables (p = 0.549). Furthermore, the model based on the combination of CT radiomics and clinical variables achieved time-dependent ROC-AUCs of 0.897, 0.933, and 0.927 for the prediction of progression risks at 3, 5 and 7 days, respectively.ConclusionCT radiomics features combined with clinical variables were predictive of COVID-19 severity and progression to critical illness with fairly high accuracy. 相似文献
15.
PurposeTo evaluate the value of CT-based radiomics signature for differentiating Borrmann type IV gastric cancer (GC) from primary gastric lymphoma (PGL).Materials and methods40 patients with Borrmann type IV GC and 30 patients with PGL were retrospectively recruited. 485 radiomics features were extracted and selected from the portal venous CT images to build a radiomics signature. Subjective CT findings, including gastric wall peristalsis, perigastric fat infiltration, lymphadenopathy below the renal hila and enhancement pattern, were assessed to construct a subjective findings model. The radiomics signature, subjective CT findings, age and gender were integrated into a combined model by multivariate analysis. The diagnostic performance of these three models was assessed with receiver operating characteristics curves (ROC) and were compared using DeLong test.ResultsThe subjective findings model, the radiomics signature and the combined model showed a diagnostic accuracy of 81.43% (AUC [area under the curve], 0.806; 95% CI [confidence interval]: 0.696–0.917; sensitivity, 63.33%; specificity, 95.00%), 84.29% (AUC, 0.886 [95% CI: 0.809–0.963]; sensitivity, 86.67%; specificity, 82.50%), 87.14% (AUC, 0.903 [95%CI: 0.831–0.975]; sensitivity, 70.00%; specificity, 100%), respectively. There were no significant differences in AUC among these three models (P = 0.051–0.422).ConclusionRadiomics analysis has the potential to accurately differentiate Borrmann type IV GC from PGL. 相似文献
16.
17.
18.
目的探讨CT影像组学模型对良恶性甲状腺结节的鉴别诊断价值。方法回顾性分析2017年5月至2018年8月间南京医科大学附属淮安第一医院经病理证实的179例甲状腺结节患者的临床和影像资料。良性结节89例,恶性结节90例。患者术前均行甲状腺结节CT平扫和增强扫描。采用分层随机抽样方法将患者按照8∶2的比例分为训练组(143例)与测试组(36例),采用A.K软件基于术前CT图像提取378个影像组学特征,后采用Spearman相关分析与最小绝对收缩和选择算子回归分析进行特征筛选与模型构建,在训练组与测试组中应用受试者操作特征(ROC)曲线对模型进行验证,评价影像组学特征预测良恶性甲状腺结节的效能。结果经过特征筛选,16个影像组学特征用于构建甲状腺结节良恶性鉴别模型。训练组中预测模型的ROC曲线下面积(AUC)为0.92(95%可信区间:0.88~0.97),灵敏度和特异度分别为88.7%、82.0%,诊断准确率91.1%;测试组中AUC为0.90(95%可信区间:0.81~0.98),灵敏度和特异度分别为88.5%、84.6%,诊断准确率88.2%。结论基于CT的影像组学模型对良恶性甲状腺结节有较高的诊断效能。 相似文献
19.
目的探讨基于MRI影像组学对卵巢卵泡膜细胞瘤(OTCA)与阔韧带肌瘤(BLM)的鉴别诊断价值.资料与方法回顾性分析安阳市肿瘤医院2016年1月—2021年3月经病理证实的76例OTCA和58例BLM的MRI图像,比较两组疾病的MRI特征.于肿瘤最大层面勾画感兴趣区提取T2WI脂肪抑制序列图像纹理特征,采用分层抽样方式按... 相似文献
20.
目的:探讨CT纹理特征对良恶性肺结节的鉴别价值及在独立数据集上的泛化能力。方法:回顾性分析LIDC-IDRI和LUNGx数据库中共1428个肺结节(直径3~30 mm)的CT图像,其中良性1221个、恶性207个。将LIDC-IDRI数据库的1372个结节(良性1190个,恶性182个)作为训练集,LUNGx数据库的56个结节(良性31个,恶性25个)作为独立验证集。利用Pyradiomics软件包,每个结节共提取了946个影像组学特征。对在良恶性组间差异具有统计学意义的纹理特征,进一步使用最小绝对收缩选择算子(LASSO)或三联法(Fisher+POE+ACC+MI,FPM)进行特征的筛选,使用支持向量机(SVM)算法建立肺结节良恶性预测模型。对最优模型的效能在测试集中直接评估,在训练集中通过交叉验证法进行评估。结果:在训练集中对最优模型进行交叉验证得到的AUC、符合率、敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)分别为0.892、0.859、0.788、0.876、0.492和0.964。经特征选择后,共17个影像组学特征被纳入肺结节良恶性的分类诊断模型。在验证集中,最优诊断模型的AUC、符合率、敏感度、特异度、PPV和NPV分别为0.765、0.745、0.800、0.700、0.689和0.808。结论:基于CT影像组学分析的纹理特征在肺结节良恶性的分型中具有良好的效能和一定泛化性,可应用于临床上肺结节良恶性的计算机辅助诊断。 相似文献