CT薄层增强扫描对良恶性肺结节鉴别诊断

目的 探讨CT增强扫描对鉴别良恶性肺结节的价值。方法 89例肺结节中,恶性63例（均为肺癌）,良性26例。分别于注射100ml造影剂前及注射开始后的35s、2min及5min对病灶进行薄层平扫及增强扫描。观察病灶的强化程度及强化特征,并进行CT－病理以对照研究。结果 肺癌的强化程度显著高于良性肺结节（P＜0．02）。在强化特征方面27例肺癌出现高密度点条征;51例肺癌和4例良性结节强化不均匀;3例肺癌和4例良性结节强化均匀;5例结核球和1例炎性假瘤呈环状强化;12例结核球无强化。结论 CT增强扫描对良恶性肺结节的鉴别诊断有较重要的价值。     

STIR-EPI序列在良恶性肺结节鉴别诊断中应用分析

目的探讨磁共振快速反转恢复-平面回波成像(STIR-EPI)序列在良恶性肺结节鉴别诊断中的应用价值。方法在我院就诊的肺结节患者中选取120例,所有患者均行MRI检查以及病理检测。测定肺结节信号强度评分、ADC值、SNR值。结果 120例肺结节患者中,良性结节41例,恶性结节79例。良性与恶性肺结节信号强度评分、ADC值、SNR值之间均有显著差异(P0.05)。结论 STIR-EPI序列可作为肺结节定性诊断的重要参考指标之一。     

人工智能技术在MSCT肺结节诊断中的应用

人工智能(artificial intelligence,AI)是当前科学技术发展中的一门前沿学科[1],被定义为精准医疗的典范,其强大的后处理能力和进一步学习、分析能力逐渐得到业界的认可,它广泛应用于医学领域,在临床医学影像诊断中、特别是在肺部小结节的诊断应用已日渐增多,但临床应用方面的有关报道仍较少。近年来,我院在肺部小结节、冠状动脉血管成像以及颅内血肿诊断等方面的MSCT影像诊断也在不断尝试应用。相信在不久的将来,以人工智能技术为主导的新潮流[2],必将为医学影像诊断带来新机遇。本文有关肺部结节MSCT应用的认识进行分析,供同道参考。     

人工智能影像系统预测肺结节良恶性及浸润性的临床初探

目的 评估人工智能辅助诊断系统对肺结节定性诊断的准确性及预测肺腺癌浸润程度的临床应用价值。方法 回顾性分析本院2021年1月至2022年1月经手术病理证实的肺结节患者。将肺结节分为恶性肿瘤组和良性病变组,其中肺腺癌又分为浸润性腺癌组和非浸润性腺癌组。将各组肺结节影像资料导入人工智能辅助诊断系统,记录量化参数、恶性概率及预测病理亚型,并采用受试者工作特征曲线评估人工智能诊断系统鉴别良恶性肺结节的效能及预测肺腺癌侵袭程度的临床价值。结果 人工智能诊断与病理结果的一致性检验的Kappa值为0.676(P<0.001)。人工智能组鉴别良恶性肺结节的ROC曲线下面积为0.91,敏感度94.3%,特异度70.2%;医师阅片组的ROC曲线下面积为0.767,敏感度80.5%,特异度63.3%。两组患者临床资料比较,年龄、性别、恶性概率、CT平均值和CT最大值差异有统计学意义(P<0.05)。人工智能自动预测肺腺癌侵袭程度的ROC曲线下面积为0.808,敏感度71.0%,特异度89.7%。结论 人工智能系统对肺结节定性诊断与肺结节病理结果的一致性好,对早期肺癌诊断具有重要意义,并且能自动预...     

人工智能肺结节辅助诊断软件在肺CT检查结节分析中的临床应用

<正>肺癌是发病率及致死率最高的恶性肿瘤,每年新增确诊患者以百万计为单位。大部分肺癌患者由于各种原因其发现和治疗时已属于晚期,采用单纯药物治疗或手术治疗,其5年生存率均不高[1-4]。怎样才能更早发现肺部疾病,更早对肺结节进行定位及定性,早期精准医疗,一直是影像科及肺部医师讨论和研究的方向。随着计算机断层扫描(computed tomography,CT)的大量使用,提高了肺结节的检出率,CT低剂量技术及薄层技术的广泛应用使肺部低剂量筛查检查变成一种常规检测手段,人工智能(artificial Intelligence,AI)技术一直被定义为精准医疗的典范,其强大的后处理能力及进一步学习和分析的能力逐渐得到认可。     

肺孤立性结节良恶性诊断的临床分析

随着多层螺旋CT的不断普及,肺内孤立性结节的检出率逐渐上升,这些结节大多是良性病变或早期肺癌,所以预后一般较好,但是肺内孤立性结节的影像学诊断评估比较困难.因此,对于肺孤立结节良恶性评估的目的在于提高良恶性病变的早期诊断率,使恶性肿瘤患者能及时接受手术而良性病变患者能避免不必要的开胸探查.本文就评估肺孤立结节良恶性倾向的研究现状及进展作一综述.     

肺内孤立结节的CT鉴别诊断

肺内孤立结节是影像检查中常见的病变形态。肺内结节的ＣＴ诊断方法主要有ＣＴ平扫、增强扫描和ＣＴ导向经皮穿刺活检等。 2ｃｍ以下结节需高分辨ＣＴ(ＨＲＣＴ)检查。 2 0 0 3年第 1期刊出的两篇肺内病变的文章[1,2 ] 主要是依据ＣＴ对于结节病变进行鉴别诊断。充分认识各种方法的诊断价值对于准确地得出影像诊断结论是十分必要的。ＣＴ平扫主要用于观察结节的密度、轮廓与边缘及病灶周围的形态。结节的密度包括钙化、脂肪、磨玻璃密度和含气影像。肺内结节的钙化一般分为 4种形态 :(1)层状及同心圆状 ,(2 )中心巢状 ,(3)爆米花状 ,(4 )多…     

结肠镜人工智能辅助诊断模型的构建

目的 运用临床结肠镜检查图像和视频,构建结肠镜辅助诊断人工智能深度学习模型。 方法 收集浙江大学医学院附属第二医院内镜中心2014年至2018年的结肠镜图像60余万幅,内镜专家录制大量高质量的结肠镜手术操作视频,以此作为分析数据。训练集样本的每个细分类别图像由6位内镜专家阅片,讨论确定细分类别病变特征,并删减部分模糊和易混淆的分类图像,最终的阅片结果大约为4选1。后再由自主开发的软件逐一标注。采用公信力最高的Google公司TensorFlow平台,对其深度学习算法进行二次开发。 结果 经过机器训练结果与内镜专家结合病理的判断结果进行反复的对比分析,在实验室条件下,该模型对部分疾病（如结肠息肉）的灵敏度为99%。在临床结肠镜操作实验中,该模型对结肠息肉的灵敏度为9830%（4 187/4 259）,特异度为8810%（17 620/20 000）,诊断结肠息肉的总体准确率为9292%[2×（9830%×8810%）/(9830%+8810%)]。对溃疡性结肠炎的灵敏度为7832%（2 671/3 410）,特异度为6706%（13 412/20 000）。单张图像的诊断时长为（05±003）s,此时长为实时应用的时间,包括系统识别、视频图像中文字提示、后台记录和存储三个部分。 结论 本团队研发的人工智能辅助诊断模型能够识别的病灶有结肠息肉、结直肠癌、结直肠隆起性病变、结肠憩室、溃疡性结肠炎等。结肠病辅助诊断模型一方面能够指导肠镜初学者进行肠镜检查,另一方面提高了病灶检出率、并降低漏诊率,而且内镜中心整体的运行效率得以提升,有利于结肠镜检查的质量控制。     

CT薄层影像特征制定的肺结节分级评估系统区分良恶性肺结节的应用价值

目的探究CT薄层影像特征制定的肺结节分级评估系统区分孤立性肺结节(SPN)良恶性的应用价值。方法回顾性分析我院2018年9月至2020年7月确诊的122例SPN患者的临床资料。采用CT薄层影像特征制定的肺结节分级评估系统进行分级评定,并以病理诊断结果为“金标准”,分析其准确性、敏感度及特异度,并通过Kappa检验分析其与病理诊断结果的一致性。结果病理诊断证实良性SPN 56例,占45.9%(56/122),多为不典型增生及错构瘤,占28.6%(16/56),恶性SPN 66例,占54.1%(66/122),多为腺癌及鳞癌;肺结节分级标准分类2级31例、3级29例、4A级9例、4B级53例;肺恶性结节中,空泡征、宝石征、肿瘤血管征、毛刺征的发生率明显高于肺良性结节(均P<0.05),而病灶周围有卫星病灶的发生率明显低于肺良性结节(P<0.05);将肺结节分级标准中3级及以下归为阴性结节,4级及以上归为阳性结节,诊断准确率为90.2%。肺结节分级标准诊断肺良性结节与病理结果表现出了较好的一致性(Kappa=0.803),以肺结节分级标准诊断肺良性结节的结果与“金标准”(病理诊断结果)比较,得到的敏感度87.9%(58/66)和特异度92.9%(52/56)。结论影像诊断时,合理利用基于CT薄层影像特征制定的肺结节分级评估系统能有效地分类CT筛查出的肺结节,较好区分SPN的良、恶性。     

CT薄层影像特征制定的肺结节分级评估系统区分良恶性肺结节的应用价值

目的探究CT薄层影像特征制定的肺结节分级评估系统区分孤立性肺结节(SPN)良恶性的应用价值。方法回顾性分析我院2018年9月至2020年7月确诊的122例SPN患者的临床资料。采用CT薄层影像特征制定的肺结节分级评估系统进行分级评定,并以病理诊断结果为“金标准”,分析其准确性、敏感度及特异度,并通过Kappa检验分析其与病理诊断结果的一致性。结果病理诊断证实良性SPN 56例,占45.9%(56/122),多为不典型增生及错构瘤,占28.6%(16/56),恶性SPN 66例,占54.1%(66/122),多为腺癌及鳞癌;肺结节分级标准分类2级31例、3级29例、4A级9例、4B级53例;肺恶性结节中,空泡征、宝石征、肿瘤血管征、毛刺征的发生率明显高于肺良性结节(均P<0.05),而病灶周围有卫星病灶的发生率明显低于肺良性结节(P<0.05);将肺结节分级标准中3级及以下归为阴性结节,4级及以上归为阳性结节,诊断准确率为90.2%。肺结节分级标准诊断肺良性结节与病理结果表现出了较好的一致性(Kappa=0.803),以肺结节分级标准诊断肺良性结节的结果与“金标准”(病理诊断结果)比较,得到的敏感度87.9%(58/66)和特异度92.9%(52/56)。结论影像诊断时,合理利用基于CT薄层影像特征制定的肺结节分级评估系统能有效地分类CT筛查出的肺结节,较好区分SPN的良、恶性。     

Application of an artificial intelligence system for endoscopic diagnosis of superficial esophageal squamous cell carcinoma

BACKGROUNDUpper gastrointestinal endoscopy is critical for esophageal squamous cell carcinoma (ESCC) detection; however, endoscopists require long-term training to avoid missing superficial lesions. AIMTo develop a deep learning computer-assisted diagnosis (CAD) system for endoscopic detection of superficial ESCC and investigate its application value. METHODSWe configured the CAD system for white-light and narrow-band imaging modes based on the YOLO v5 algorithm. A total of 4447 images from 837 patients and 1695 images from 323 patients were included in the training and testing datasets, respectively. Two experts and two non-expert endoscopists reviewed the testing dataset independently and with computer assistance. The diagnostic performance was evaluated in terms of the area under the receiver operating characteristic curve, accuracy, sensitivity, and specificity. RESULTSThe area under the receiver operating characteristics curve, accuracy, sensitivity, and specificity of the CAD system were 0.982 [95% confidence interval (CI): 0.969-0.994], 92.9% (95%CI: 89.5%-95.2%), 91.9% (95%CI: 87.4%-94.9%), and 94.7% (95%CI: 89.0%-97.6%), respectively. The accuracy of CAD was significantly higher than that of non-expert endoscopists (78.3%, P < 0.001 compared with CAD) and comparable to that of expert endoscopists (91.0%, P = 0.129 compared with CAD). After referring to the CAD results, the accuracy of the non-expert endoscopists significantly improved (88.2% vs 78.3%, P < 0.001). Lesions with Paris classification type 0-IIb were more likely to be inaccurately identified by the CAD system. CONCLUSIONThe diagnostic performance of the CAD system is promising and may assist in improving detectability, particularly for inexperienced endoscopists.     

孤立性肺结节危险因素及良恶性预测模型

目的分析孤立性肺结节的危险因素并探讨肺部结节良恶性预测模型。 方法收集雅安市人民医院2017年1月至2018年8月经胸外科手术切除且有明确病理诊断的112例孤立性肺结节患者的临床资料。回顾性分析其年龄、性别、吸烟史、肿瘤家族史、既往肿瘤史、血清癌胚抗原(CEA)、神经元特异性烯醇化酶(NSE)、细胞角蛋白19片段(CYFRA21-1),以及肺部结节密度、直径、位置、分叶、毛刺、胸膜凹陷征、血管集束征、空泡征、空气支气管征、钙化等影像学特征。根据病理诊断分为良性、恶性两组,进行单因素分析,将单因素分析中有显著性差异的临床信息纳入Logistic回归分析,筛选出恶性结节的独立危险因素并建立预测模型。 结果单因数分析中年龄、既往肿瘤史、CEA、CYFRA21-1、结节密度、分叶、毛刺、胸膜凹陷征、血管集束征、空泡征、钙化征有统计学差异(P<0.05)。Logjistic回归分析显示患者年龄、CEA、CYFRA21-1、磨玻璃密度、分叶为恶性结节的独立危险因素。恶性肺部结节的预测模型公式为：P＝e^x/(1+e^x),x＝-8.816+(3.018×密度)+(0.073×年龄)+(0.482×CEA)+(0.426×CRFRA21-1)+(1.421×分叶)。 结论患者年龄、血CEA、血CYFRA21-1、磨玻璃密度、分叶为恶性结节的独立危险因素,预测模型对恶性肺结节有较好的敏感性及特异性,诊断准确性较高。     

恶性分子标记物的检测与甲状腺结节的诊断

研究发现,许多蛋白分子可以作为甲状腺结节的恶性分子标记物.如半乳糖凝集素-3(galectin-3)、端粒酶(telomerase)、Fra-1蛋白、细胞外基质蛋白1(ECM1)、跨膜丝氨酸蛋白酶4(TMPRSS4)等,以及几种新型生物分子标记物如膜整合蛋白1(ITM1)、1号染色体开放阅读框24(Clorf24)、DNA损伤诱导转录因子3(DDIT3)、精氨酸酶Ⅱ(ARG2).现将甲状腺结节恶性分子标记物的研究进展及其对甲状腺结节的鉴别诊断意义作一综述.     

Evolving role of artificial intelligence in gastrointestinal endoscopy

Artificial intelligence (AI) is a combination of different technologies that enable machines to sense, comprehend, and learn with human-like levels of intelligence. AI technology will eventually enhance human capability, provide machines genuine autonomy, and reduce errors, and increase productivity and efficiency. AI seems promising, and the field is full of invention, novel applications; however, the limitation of machine learning suggests a cautious optimism as the right strategy. AI is also becoming incorporated into medicine to improve patient care by speeding up processes and achieving greater accuracy for optimal patient care. AI using deep learning technology has been used to identify, differentiate catalog images in several medical fields including gastrointestinal endoscopy. The gastrointestinal endoscopy field involves endoscopic diagnoses and prognostication of various digestive diseases using image analysis with the help of various gastrointestinal endoscopic device systems. AI-based endoscopic systems can reliably detect and provide crucial information on gastrointestinal pathology based on their training and validation. These systems can make gastroenterology practice easier, faster, more reliable, and reduce inter-observer variability in the coming years. However, the thought that these systems will replace human decision making replace gastrointestinal endoscopists does not seem plausible in the near future. In this review, we discuss AI and associated various technological terminologies, evolving role in gastrointestinal endoscopy, and future possibilities.     

能谱CT成像在肺结核与矽肺结节鉴别诊断中的价值

目的探讨能谱CT成像在肺结核与矽肺结节鉴别诊断中的应用价值。方法收集苏州市第五人民医院于2018年2-12月确诊并进行能谱CT扫描的肺结核患者35例(127个结节;肺结核组)和矽肺患者30例(180个结节;矽肺组)。通过能谱分析获得患者SiO2 (H2O)基物质对浓度、有效原子序数值与40~70 keV区间内的曲线斜率。结果肺结核组和矽肺组SiO2(H2O)基物质对浓度的中位数(四分位数)分别为170(101,241) mg/cm3和353(260,454) mg/cm3,两组比较差异有统计学意义(Z=-24.95,P=0.000);肺结核组和矽肺组平均有效原子序数值分别为9.29±0.83和10.68±0.98,两组比较差异有统计学意义(t=29.96,P=0.000);肺结核组和矽肺组平均能谱曲线斜率分别为5.95±2.19和10.80±2.48,两组比较差异有统计学意义(t=-17.69,P=0.000)。当SiO2(H2O)基物质对浓度阈值为275 mg/cm3时,ROC曲线下面积最大(0.95),敏感度与特异度分别为87.40%、90.56%。结论能谱分析工具中的SiO2(H2O)基物质对浓度、有效原子序数值与能谱曲线斜率均有助于对肺结核与矽肺的结节进行鉴别诊断,尤其SiO2(H2O)基物质对浓度的诊断价值更高。