MRI鉴别诊断表现为磨玻璃结节的早期浸润性肺腺癌

目的 探讨MRI鉴别诊断表现为磨玻璃结节的早期浸润性肺腺癌的价值。方法 回顾性分析34例表现为肺部磨玻璃结节的肺腺癌患者的MRI资料,根据病理结果将其分为非浸润性腺癌组（包括不典型腺瘤样增生、原位腺癌和微浸润性腺癌,n=15）和浸润性腺癌组（n=19）。测量并比较2组病变的最大径、T2WI信号强度和ADC值,绘制ROC曲线,评价其鉴别诊断浸润性腺癌的效能。结果 非浸润性腺癌组病变最大径小于浸润性腺癌组[（9.91±2.63）mm vs（13.12±2.71）mm,P<0.01]。非浸润性腺癌组病变T2WI信号强度低于浸润性腺癌组（92.97±8.33 vs 113.57±22.88,P<0.01）。非浸润性腺癌组病变ADC值低于浸润性腺癌组[（0.98±0.22）×10^-3 mm²/s vs（1.34±0.31）×10^-3 mm²/s,P=0.01]。ROC曲线分析结果显示,病变最大径诊断浸润性腺癌与非浸润性腺癌的AUC为0.791,临界值为11.52 mm,敏感度为73.72%,特异度为73.33%。结论 病变最大径、T2WI信号强度、ADC值对鉴别诊断表现为磨玻璃结节的浸润性与非浸润性肺腺癌具有一定价值。     

常规MRI纹理分析鉴别诊断眼眶淋巴瘤与炎性假瘤

目的 探讨常规MRI纹理分析在眼眶淋巴瘤和炎性假瘤鉴别诊断中的应用价值。方法 回顾性分析经病理或治疗随访证实的15例眼眶淋巴瘤及17例炎性假瘤患者的MRI资料。应用MaZda软件手工勾画ROI,并提取T1WI、脂肪抑制T2WI及脂肪抑制T1WI增强扫描图像中病变的纹理特征。通过Fisher系数、分类错误概率联合平均相关系数（POE+ACC）、交互信息（MI）及三者联合（FPM）的方法选择最佳纹理参数集合。使用线性判别分析（LDA）和非线性判别分析（NDA）进行纹理分类。比较最佳分类序列上两种病变的纹理特征差异。结果 T1WI及T2WI最佳纹理参数主要源于共生矩阵及游程矩阵,增强T1WI最佳纹理参数主要源于共生矩阵及直方图。T2WI纹理特征鉴别眼眶淋巴瘤及炎性假瘤能力最佳,其中FPM选择纹理特征联合NDA分类的误判率最低,为1.56%。眼眶淋巴瘤T2WI纹理特征参数中的能量及长游程补偿均高于炎性假瘤（P均<0.005）,而熵及短游程补偿均低于炎性假瘤（P均<0.005）。结论 常规MR图像纹理分析可用于鉴别眼眶淋巴瘤和炎性假瘤。     

机器学习鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌

目的 探讨基于影像组学特征构建的机器学习模型鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌的可行性。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌患者，其中浸润性腺癌32例，非浸润性腺癌55例（原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾画ROI，A.K.软件提取影像组学特征。筛选有意义的特征参数，以Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数，分别构建支持向量机（SVM）、随机森林（RF）及逻辑回归（LR）3种机器学习模型，采用十折交叉验证法得到最优模型，绘制ROC曲线，评价3种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、LR 3种机器学习模型可有效鉴别浸润性腺癌与非浸润性腺癌，准确率分别为93.30%、86.70%和83.30%，AUC分别为0.94、0.92和0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，可于术前有效鉴别肺浸润性腺癌与非浸润性腺癌。     

CT图像纹理分析鉴别诊断磨玻璃密度肺腺癌的浸润性

目的 探讨CT图像纹理分析鉴别诊断表现为磨玻璃密度结节的肺腺癌浸润性的价值。方法 收集在我院接受肺部CT检查且手术病理证实为肺腺癌患者100例（浸润性腺癌56例,非浸润性腺癌44例）。随机选择69例为训练组,31例为验证组。使用A.K.（Analysis-Kinetics）分析软件进行影像特征提取;Kruskal-Wallis非参数检验和Spearman相关性分析进行特征降维;使用R语言软件包"GLM"函数,建立Logistic回归模型;以交叉验证方法对回归模型进行检验。采用ROC曲线评价独立预测因素的诊断效能。结果 影像特征提取得到396个影像组学特征,经降维最终得到与鉴别肺非浸润腺癌与浸润腺癌最相关的参数3个,建模后验证Logistic回归模型示其诊断准确率为83.30%,敏感度及特异度分别为77.80%、91.70%。结论 CT图像纹理分析可有效鉴别表现为磨玻璃密度结节肺腺癌的浸润性。     

MRI纹理分析鉴别诊断肝硬化背景下小肝癌与增生结节

目的 探讨常规MRI纹理分析鉴别诊断肝硬化背景下小肝癌与增生结节的价值。方法 回顾分析经病理证实的33例小肝癌和19例肝增生结节患者的MRI资料。采用MaZda软件手工勾画ROI,提取T1WI、T2WI、频率选择性预脉冲脂肪抑制T2WI及T1WI增强扫描图像中病变的纹理特征。通过Fisher系数、分类错误概率联合平均相关系数（POE+ACC）、交互信息（MI）及三者联合（FPM）的方法选择最佳纹理参数集合。使用原始数据分析（RDA）、主要成分分析（PCA）、线性判别分析（LDA）和非线性判别分析（NDA）进行纹理分类。同时由2名MRI诊断医师共同评估所有影像学资料。比较纹理分析与医师鉴别诊断两种病变结果的差异。结果 52例中,共60个病灶。鉴别小肝癌与增生结节的纹理特征主要来自T2WI,误判率最小为8.33%（5/60）。纹理特征选择方法中,FPM的误判率（8.33%~26.67%）均低于MI （20.00%~38.33%）、Fisher （18.33%~41.67%）和POE+ACC （8.33%~40.00%）。纹理特征分类方法中,NDA判别两种病变的误判率（8.33%~20.00%）均低于RDA （26.67%~41.67%）、PCA （28.33%~43.33%）和LDA （21.67%~45.00%）。影像医师的误判率为23.33%（14/60）,高于采用纹理分析鉴别两种病变的误判率（5/60,8.33%;χ²=58.73,P=0.002）。结论 常规MRI纹理分析可用于鉴别肝硬化背景下小肝癌与增生结节。     

基于CT平扫影像组学模型鉴别结节/肿块型 肺隐球菌病及肺腺癌与肺结核

目的 探讨基于CT平扫影像组学预测模型鉴别诊断结节/肿块型肺隐球菌（PC）与肺腺癌、肺结核（TB）的可行性。方法 回顾性分析28例结节/肿块型PC和30例肺腺癌、26例TB的平扫CT资料，提取病灶纹理特征，对其进行特征选择，获得PC组与肺腺癌组、PC组与肺TB组之间存在显著差异的特征参数。按7：3比例将所有样本分为训练集合测试集，采用随机森林法以较优特征参数建立预测模型，对训练集数据进行评估，之后于测试集数据进行验证；绘制相应ROC曲线，评估模型的鉴别诊断效能。结果 针对PC和肺腺癌、PC和肺TB分别获得7个和4个较优纹理特征参数。测试集验证结果显示模型鉴别PC与肺腺癌以及PC与肺TB的AUC、敏感度、特异度、准确率分别为0.96、1.00、0.78、0.89及0.99、0.88、0.89、0.88。结论 基于CT平扫图像影像组学可用于鉴别诊断结节/肿块型PC及肺腺癌与肺TB。     

基于CT影像组学模型预测肺原位腺癌及微浸润腺癌与浸润性腺癌

目的 探讨基于CT影像组学预测肺腺癌中的原位癌（AIS）和微浸润腺癌（MIA）以及浸润性腺癌（IAC）的价值。方法 回顾性分析542例经手术病理确诊且病理亚型明确的肺腺癌患者，将AIS及MIA归为第1组，IAC为第2组。比较2组患者性别和年龄差异。采用特征提取软件提取病灶三维纹理特征参数，分析组间差异明显的影像组学特征，筛选最佳影像组学特征构建预测模型。按2：1比例将数据分为训练集和验证集，采用6种机器学习算法对5倍交叉验证数据集进行分类，选择最佳分类器；以之分析5倍交叉验证数据集、训练集和验证集，获得模型预测肺腺癌病理分型的ROC曲线及相应AUC、特异度、敏感度及准确率。结果 第1组235例，第2组307例，组间性别和年龄差异均无统计学意义（χ²=0.56、t=-0.19，P=0.63、0.98）。共提取病灶1 766个三维纹理特征参数，其中988个影像组学特征存在明显组间差异，最终以10个最佳影像组学特征构建预测模型。以Perceptron分类器为最佳分类器。模型预测验证集病理分型的AUC为0.95，准确率、特异度、敏感度分别为0.88、0.87、0.84。结论 基于CT影像组学模型能有效预测肺腺癌中的AIS及MIA与IAC。     

基于MRI影像组学鉴别浸润性与非浸润性乳腺癌

目的 探讨基于MRI影像组学鉴别浸润性与非浸润性乳腺癌的价值。方法 回顾性分析100例接受乳腺常规MR和动态增强扫描的乳腺癌患者（75例浸润性、25例非浸润性），将其分为训练组（n=70）和验证组（n=30）。提取病灶纹理特征，采用最小绝对缩减和变量选择算子（LASSO）回归对训练组纹理特征进行降维，建立影像组学标签。比较浸润性与非浸润性乳腺癌临床、病理及影像学特征，以多因素Logistic回归分析建立影像组学模型，采用ROC曲线评价模型的诊断效能。结果 共提取3 132个影像学特征，经LASSO回归降维获得19个价值较高者，建立影像组学标签。浸润性与非浸润性乳腺癌之间，训练组和验证组毛刺、基底细胞角蛋白（CK5/6）、瘤细胞增殖因子（Ki-67）和影像组学标签差异均有统计学意义（P均<0.05），训练组时间-强度曲线（TIC）类型差异有统计学意义（P<0.05），验证组TIC类型差异无统计学意义（P>0.05）。训练组CK5/6、Ki-67和影像组学标签为浸润性乳腺癌的独立危险因素（P均<0.05）；以其构建影像组学模型，在训练组和验证组鉴别浸润性乳腺癌的AUC分别为0.97和0.85，均优于CK5/6、Ki-67和影像组学标签。结论 基于MRI影像组学模型鉴别浸润性与非浸润性乳腺癌效果较好。     

CT纹理分析技术鉴别良恶性孤立性肺结节

目的 探讨CT纹理分析技术鉴别诊断良恶性孤立性肺结节（SPN）的应用价值。方法 对97例SPN患者（恶性组54例,良性组43例）行胸部CT平扫,测量结节CT值及最大径。采用MaZda软件对肺结节进行CT纹理分析,获得纹理特征参数（熵、熵和、熵差、对比度、相关及均和）。比较2组CT值、最大径及各纹理特征参数。对差异有统计学意义的纹理参数及其不同组合建立ROC曲线,计算AUC,确定阈值,评价各参数及其不同组合鉴别诊断良恶性SPN的特异度及敏感度;比较各参数组合之间AUC的差异。结果 良恶性SPN最大径、CT值的差异均无统计学意义（t=-0.98、1.16,P=0.079、0.087）。良性组SPN纹理特征参数熵、熵和、熵差值均低于恶性组（P均<0.05）,2组对比度、相关、均和的差异均无统计学意义（P均>0.05）。纹理特征参数熵、熵和、熵差鉴别诊断良恶性SPN的效能均较高（AUC均>0.700）;熵、熵和、熵差的阈值分别为1.564、1.212、0.987时,敏感度分别为72.70%、88.40%、63.60%。上述纹理特征参数的不同组合鉴别诊断良恶性SPN的效能均较高（AUC均>0.800）,各组合间AUC的差异均无统计学意义（P均>0.05）。结论 基于CT平扫的纹理分析技术有助于鉴别良恶性SPN。     

CT纹理分析鉴别诊断胰腺导管腺癌、胰腺神经内分泌肿瘤及实性假乳头状肿瘤

目的 探讨CT纹理特征诊断及鉴别诊断胰腺导管腺癌（PDAC）、胰腺神经内分泌肿瘤（PNET）及实性假乳头状瘤（SPTP）的可行性。方法 回顾性分析经病理证实的98例PDAC、62例SPTP及39例PNET患者的CT资料，于肿瘤横断面最大层面沿肿瘤边界手动勾画ROI，提取46个CT纹理特征。按二分类（PDAC vs rest；SPTP vs rest；PNET vs rest）和三分类（PDAC vs SPTP vs PNET）分组方式将数据分组。以单因素回归分析每个纹理特征鉴别二分类各组的诊断效能，并计算AUC；基于随机森林算法选择特征后，采用6种机器学习分类器（LDA、K-NN、RF、Adabost、NB、NN）对二分类和三分类分组进行分类，以多因素回归分析分类器的诊断效能，基于十折交叉验证标准计算AUC。结果 采用单个纹理特征鉴别胰腺肿瘤时，低密度短域补偿和灰度不均匀性分别对PDAC vs rest和SPTP vs rest有较好鉴别能力（AUC=0.73、0.79，P<0.01），而总和均值对PNET vs rest具有极好鉴别能力（AUC=0.90，P<0.01）。分类器鉴别PDAC vs rest、SPTP vs rest、PNET vs rest的诊断效能很好或极好，最大AUC分别为0.88（RF）、0.86（RF）和0.94（Adaboost）。分类器鉴别三分类分组的准确率均较好，以RF最高（0.80）。结论 CT纹理分析可鉴别PDAC、SPTP和PNET；采用机器学习算法可进一步提高鉴别诊断效能。     

CT图像纹理分析对小于10 mm纯磨玻璃结节侵袭性的诊断价值

目的探讨CT图像纹理分析对小于10 mm纯磨玻璃结节的侵袭性的诊断价值。 方法收集2015年1月至2017年3月在无锡市人民医院行手术治疗的<10 mm纯磨玻璃结节148例,其中浸润前病变组73例,浸润性病变组75例,运用ImageJ软件对其图像进行纹理特征提取,并找出2组有差别的参数,运用Spearman相关性分析进行特征性降维,找出独立的预测因子,再运用受试者工作特征曲线评价独立预测因子的诊断效能。 结果影像特征提取得到31个CT图像纹理特征参数,差异有统计学意义的参数有19个,经降维处理最终得到3个与肺腺癌浸润性相关的独立参数,即角二阶矩、相关性和逆差矩,曲线下面积分别为0.715、0.720、0.736。 结论CT图像纹理分析对判断早期肺腺癌的浸润性有一定的诊断价值。     

高分辨薄层CT在早期肺腺癌诊断筛查中的应用价值

目的:探讨高分辨率CT对早期肺腺癌的诊断价值,分析CT征象在评价其浸润性中的意义。方法:选取2019年6月至2020年6月医院诊治的早期肺腺癌患者600例为研究对象,其中非浸润组370例,浸润组230例。均对病灶进行高分辨率靶扫描,比较两组病灶大小、密度及分布特征,分析其CT征象,并分析亚厘米级纯磨玻璃密度肺腺癌浸润性的影响因素。结果:与非浸润组(8.1±1.8)mm比较,浸润组病灶最大径(8.7±1.2)mm更大,差异有统计学意义(P<0.05)。与非浸润组比较,浸润组病灶毛刺征(23.9%vs 16.2%)、胸膜凹陷征(21.7%vs 13.5%)及血管集束征(16.5%vs 10.5%)发生率更高,差异有统计学意义(P<0.05)。多因素logistics分析显示:最大径(>8.51 mm)、存在毛刺征及血管集束征为亚厘米级纯磨玻璃密度肺腺癌存在浸润性的危险因素。ROC分析显示肿瘤最大径>8.51 mm诊断肺腺癌存在浸润性的线下面积0.886,95%CI:0.791~0.941,敏感度83.8%,特异度77.9%,约登指数为0.617。结论:高分辨率CT能够更加清晰的显示早期肺腺癌的各种征象,在表现为亚厘米级纯磨玻璃密度结节的肺腺癌病灶中,当病灶径线>8.51 mm或存在毛刺征或存在血管集束征时则应高度怀疑其存在浸润性。     

平扫CT特征联合纹理分析鉴别经治乳腺癌患者肺部单发转移癌与原发腺癌北大核心CSCD

目的评估基于平扫CT特征及纹理分析联合模型鉴别经治乳腺癌患者单发肺内病灶为乳腺癌孤立性肺转移(SPMBC)或原发性肺腺癌(PLA)的价值。方法回顾性分析111例经治乳腺癌伴术后病理证实的SPMBC(SPMBC组,n=54)或PLA(PLA组,n=57)患者,对比其肺内病灶CT表现。采用MaZda软件提取并筛选CT所示病灶最佳纹理参数,以集成算法为分类器,针对组间差异有统计学意义的CT表现、最佳纹理参数或联合二者分别构建CT特征模型、纹理特征模型及联合模型,以鉴别SPMBC与PLA;以5折交叉验证法及受试者工作特征(ROC)曲线评估各模型的诊断效能。结果CT特征模型、纹理特征模型及联合模型鉴别经治乳腺癌患者伴SPMBC与PLA的平均曲线下面积分别为0.64±0.08、0.82±0.07及0.85±0.05。CT特征模型的平均分类准确率(0.60±0.09)低于纹理特征模型及联合模型(0.78±0.09、0.82±0.08,t=-3.14、-4.06,P均<0.05),纹理特征模型平均分类准确率与联合模型差异无统计学意义(t=-0.66,P>0.05)。结论平扫CT特征联合纹理分析有助于鉴别诊断经治乳腺癌患者SPMBC与PLA。     

CT纹理特征分析鉴别诊断表现为肺部亚实性结节的微浸润腺癌和浸润性腺癌

目的 评估CT纹理特征术前鉴别表现为亚实性肺结节的微浸润腺癌（MIA）和浸润腺癌（IAC）的价值。方法 回顾性收集胸部CT表现为亚实性肺结节、经手术病理证实为MIA或IAC的100例患者,包括43例MIA和57例IAC。选择4个CT主观征象（密度、大小、分叶、形态）构建诊断MIA与IAC的CT主观征象模型。提取896个CT纹理特征,并构建CT纹理特征模型。绘制ROC曲线评估纹理特征模型、CT主观征象模型鉴别诊断MIA和IAC的效能。结果 CT主观征象中,亚实性结节的密度和大小的一致性非常好,选择密度征象[优势比=8.177,95%CI（1.142,58.575）]为CT主观征象模型的独立预测因子;于896个纹理特征中,选择4个纹理特征构建模型。训练集中纹理特征模型诊断MIA与IAC的敏感度为0.85（33/39）,特异度为0.90（28/31）,AUC为0.94[95%CI（0.88,0.99）];验证集中纹理特征模型的敏感度为0.89（16/18）,特异度为1.00（12/12）,AUC为0.97[95%CI（0.92,1.00）]。结论 CT纹理特征有助于提高术前鉴别诊断表现为亚实性肺结节的MIA和IAC的效能。     

基于特征性光谱的多光谱成像术中快速预测磨玻璃结节型肺腺癌浸润性成分的可行性分析

目的 采用多光谱成像（multispectral imaging, MSI）技术分析肺腺癌肿瘤剖面和正常肺组织剖面的光谱特性差异，探讨其术中快速评估磨玻璃结节型肺腺癌浸润性成分的可行性。方法 本研究为前瞻性观察性队列研究，选择2022年8月复旦大学附属中山医院胸部CT诊断为肺磨玻璃结节的9例肺腺癌患者。通过对不同浸润性成分比例的肺腺癌及癌周正常肺组织剖面进行MSI，探讨不同浸润性成分比例的磨玻璃结节型肺腺癌的不同特征性光谱改变。结果 肺腺癌和正常肺组织剖面反射光谱特性曲线显示，肺腺癌相对于正常肺组织在血红蛋白3个特征吸收峰（420 nm、540 nm、580 nm）附近产生了特征性的三峰升高，并在450～510 nm处呈现特征性抬高。随着浸润性成分的增加，肺腺癌剖面相对于正常肺组织剖面血红蛋白含量差异增加。以正常肺组织为基准绘制的肺腺癌剖面反射光谱特性比值曲线出现逐渐增长的3个比值峰，且3个比值峰的相对高度可以反映肿瘤浸润性成分的含量。结论 影像学表现为磨玻璃结节的肺腺癌肿瘤剖面相对正常肺组织剖面具有特征性的光谱改变，对特征性光谱改变量化可快速预测肺腺癌病灶中浸润性成分的比例。     

常规MRI图像纹理分析对颞叶癫痫海马硬化的诊断价值

目的探讨常规MRI图像纹理分析对颞叶癫痫海马硬化的诊断价值。材料与方法应用Mazda软件分析22例病理证实为颞叶癫痫海马硬化患者的术前斜冠状位海马T2 FLAIR图像纹理。采用3种特征选择方法[Fisher系数(fisher coefficient,Fisher)、分类错误概率联合平均相关系数(classification error probability combined with average correlation coefficients,POE+ACC)、交互信息(mutual information,MI),3种方法联合简称为FPM]提取患者双侧海马的纹理特征;4种统计方法[线性判别分析(linear discriminant analysis,LDA)、非线性判别分析(nonlinear discriminant analysis,NDA)、原始数据分析(raw data analysis,RDA)、主要成分分析(principal component analysis,PCA)]判别患者海马硬化侧与正常侧,结果以错判率表示。同时由2名影像医师对22例患者的MR图像进行诊断。比较两种判断结果的差异。结果采用FPM选择方法及NDA统计学方法误判率最小(2/44,4.55%),较影像医师的错判率(11/44,25%)低,差异有统计学意义(P0.05)。结论常规MRI纹理分析可为颞叶癫痫海马硬化的诊断提供可靠的客观依据。     

CD34在肺腺癌浸润性病灶诊断中的意义

目的探讨CD34在肺腺癌中判断是否有浸润性改变的应用价值。方法回顾分析2015年1月至2019年12月肺腺癌标本100例,包括穿刺标本9例及亚肺叶切除(肺段切除、楔形切除)91例。其中原位腺癌18例,微浸润性癌23例,浸润性癌59例。免疫组化采用抗体包括CD34、CD31、F8、Ki67、P53、TTF-1、NapsinA。观察CD34在早期肺癌与浸润性肺癌的表达差异,分析CD34诊断早期腺癌与浸润性肺癌在转移、复发及病死率等预后情况的相关性。结果CD34于贴壁生长的腺癌中,肿瘤上皮细胞伴行肺泡壁结构有均匀完整连续的肺泡毛细血管网结构,而在微浸润及浸润性癌病灶中CD34呈现肺泡壁毛细血管网不同程度的消失,缺乏连续性。按此方法诊断浸润性腺癌的脉管癌栓及远处转移率、复发率、死亡率、Ki67阳性率、P53突变率均高于原位腺癌。结论CD34对肺腺癌是否为浸润性改变的判断具有良好的参考价值。     

空洞型肺癌的CT表现与病理对照分析

目的研究空洞型肺癌的CT表现特点，并与病理结果对照，提高该病的诊断正确率。方法回顾性分析18例经手术或者穿刺活检病理证实的空洞型肺癌的CT表现，其中男16例，女2例，年龄39。79岁，平均年龄为62岁，全部病例均行CT平扫，其中14例同时行增强扫描。结果18例中病灶位于肺上叶者13例，下叶者5例；全部病例均为单发空洞，病灶平均最大径5．3cm，4．cm以上者占61％（11／18）；83％（15／18）外形呈分叶状，61％（11/18）例边缘毛糙，见毛刺征象；89％（16／18）为厚壁空洞，壁厚薄不均，其中22％（4／18）可见壁结节；所有空洞周围均未见卫星病灶；18例中病理结果为腺癌者67％（12／18），鳞癌者16％（3／18），17％（3／18）为非小细胞肺癌而无法确定是鳞癌、腺癌或者大细胞癌。结论空洞型肺癌的CT表现有一定的特征性，CT是诊断空洞型肺癌的最佳检查方法；而空洞型肺癌的组织病理学类型中腺癌的比例有上升趋势。