基于增强CT瘤体与瘤周CT值比值鉴别G3级胰腺神经内分泌瘤与胰腺神经内分泌癌

目的 观察基于增强CT瘤体与瘤周CT值比值鉴别G3级胰腺神经内分泌瘤(PNET)与胰腺神经内分泌癌(NEC)的价值。方法 回顾性分析39例接受腹部CT检查的胰腺神经内分泌肿瘤患者,根据病理结果将其纳入G3级PNET组(n=18)或PNEC组(n=21),比较组间一般资料、CT特征及动静脉期瘤体与瘤周CT值比值;以单因素logistic回归分析及受试者工作特征(ROC)曲线筛选鉴别G3级PNET与PNEC的有效指标,构建多因素logistic回归模型,分析各模型鉴别诊断效能。结果 组间患者年龄、性别、肿瘤大小、位置、成分、钙化,以及动脉期CT比值₁(瘤体CT值/瘤体边缘至瘤周10 mm间CT值)及门静脉期CT比值₁差异均无统计学意义(P均>0.05);肿瘤均匀性、主胰管扩张、胆管扩张、胰管内侵犯、血管侵犯、动脉期CT比值₂(瘤体CT值/瘤周10 mm至瘤周20 mm间CT值)及门静脉期CT比值₂差异均有统计学意义(P均<0.05),且均为鉴别G3级PNET与PNEC的有效指标。分别以动脉期...     

胰腺神经内分泌肿瘤CT表现及其与病理学分级的相关性

目的 观察不同WHO病理组织学分级胰腺神经内分泌肿瘤（pNEN）的CT表现。方法 回顾性分析经手术病理证实的23例pNEN的CT表现,并依2010年WHO病理组织学分级分为Ⅰ级、Ⅱ级、Ⅲ级进行对照研究。结果 23例pNEN中,WHOⅠ级12例,Ⅱ级8例,Ⅲ级3例。不同级别肿瘤性别构成差异具有统计学意义（P<0.05）;但患者年龄构成、肿瘤大小、位置、形态、生长方式及有无坏死、囊变、钙化、内分泌功能差异均无统计学意义（P均>0.05）。增强后,不同级别肿瘤动脉期、平衡期绝对强化程度、病变与静脉期肝脏CT值差的差异有统计学意义（P均<0.05）;但随级别增高,肿瘤强化程度未见规律性变化。结论 术前难以根据CT表现对pNEN进行分级。     

基于增强CT放射组学预测肝细胞肝癌病理分级

目的 观察增强CT放射组学术前预测肝细胞肝癌（HCC）病理分级的可行性及价值。方法 回顾分析429例经手术病理证实的HCC患者，分为训练组（n=329）和测试组（n=100），记录其临床特征；提取动脉期（AP）及静脉期（VP）CT图像的放射组学特征，应用最小绝对值收敛和选择算子（LASSO）回归分析法对其进行降维，筛选最有价值的组学特征后，构建基于AP、VP、AP+VP图像特征的组学模型，计算2组放射学评分并进行二分类判别。根据病理结果定义高级别和低级别HCC，采用10倍交叉验证训练选择最优组学预测模型，筛选对预测HCC病理分级有意义的临床特征后，构建临床模型以及联合组学特征和临床特征的联合模型。绘制3种模型预测训练组和测试组HCC病理分级的ROC曲线，评估其诊断能力。结果 联合组学模型最优，其判别训练组及测试组高级别和低级别HCC的放射学评分的差异均有统计学意义（Z=8.58、3.24，P均<0.05）。测试组中，联合模型预测HCC病理分级的AUC值（0.70）与组学模型（0.69）和临床模型（0.63）差异均无统计学意义（P均>0.05）。结论 基于增强CT图像的放射组学特征可用于术前预测HCC病理分级。     

增强动脉期CT影像组学特征联合临床术前预测胃癌脉管浸润

目的 观察增强动脉期CT影像组学特征联合临床术前预测胃癌脉管浸润(LVI)的价值。方法 回顾性纳入298例胃癌患者,根据是否伴LVI将其分为阳性组(n=155)及阴性组(n=143),并按7 ∶ 3比例分为训练集(n=208)及测试集(n=90)。基于增强动脉期CT图提取病灶影像组学特征,采用logistic回归分析筛选胃癌LVI的临床影响因素;分别采用支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)及极端梯度提升树(XGBoost)建立影像组学模型、临床模型及临床-影像组学模型,评估各模型预测胃癌LVI的效能。结果 以SVM、LR、RF及XGBoost建立的影像组学模型预测训练集胃癌LVI的曲线下面积(AUC)分别为0.896、0.821、1.000及1.000,其在测试集的AUC分别为0.744、0.801、0.740及0.747。基于4种机器学习建立的临床模型在训练集的AUC均为0.810,在测试集均为0.840。基于SVM、LR、RF及XGBoost建立的临床-影像组学模型预测训练集胃癌LVI的AUC分别为0.920、0.900、1.000及1.000,其在测试集的AUC分别为0.900、0.890、0.840及0.790。测试集中,基于SVM、LR及RF的临床-影像组学模型的AUC均大于影像组学模型和临床模型(P均＜0.05)。结论 增强动脉期CT影像组学联合临床有助于术前预测胃癌LVI。     

基于CT平扫影像组学模型预测食管癌淋巴结转移

目的 评估术前基于胸部CT平扫影像组学模型预测食管癌患者淋巴结转移的价值。方法 回顾性分析368例经术前内镜活检及术后病理确诊的食管癌患者,其中100例淋巴结转移、268例无淋巴结转移,按比例3 ∶ 1将其分为训练组（包括201例无淋巴结转移和75例淋巴结转移）和验证组（67例无淋巴结转移和25例淋巴结转移）。自胸部CT中提取食管癌病灶的影像组学特征,并以最小绝对收缩和选择算子（LASSO）回归进行降维,筛选与食管癌淋巴结转移关联度高的特征;采用支持向量机构建预测淋巴结转移的影像组学模型,并以受试者工作特征（ROC）曲线分析模型的诊断效能。结果 共提取1 046个组学特征参数,经LASSO降维筛选出11个特征参数用于建立预测淋巴结转移模型。影像组学模型预测训练组淋巴结转移的曲线下面积（AUC）为0.84,敏感度为84.00%,特异度为75.12%,准确率为77.54%;于验证组的AUC为0.82,敏感度为80.00%,特异度为77.61%,准确率为78.26%。结论 术前基于胸部CT平扫影像组学模型预测食管癌患者淋巴结转移具有较高价值。     

增强CT模型及影像组学模型预测肾透明细胞癌WHO/ISUP分级

目的 比较增强CT模型与影像组学模型预测肾透明细胞癌（ccRCC）WHO/ISUP分级的效能。方法 回顾性分析131例经病理确诊ccRCC患者,按照3 ∶ 2比例分层抽样分为训练集（n=78）和验证集（n=53）。根据2016版肾癌WHO/ISUP病理分级标准,以Ⅰ~Ⅱ级为低级别、Ⅲ~Ⅳ级为高级别ccRCC。训练集55例低级别、23例高级别ccRCC;验证集37例低级别、16例高级别ccRCC。以训练集构建增强CT模型及影像组学模型预测ccRCC级别,于验证集加以验证,比较其诊断效能。结果 增强CT模型在训练集及验证集预测高、低级别ccRCC的曲线下面积（AUC）分别为0.89及0.76,敏感度分别0.83及0.56,特异度分别为0.84及0.87;影像组学模型的AUC分别为0.98及0.85,敏感度分别0.96及0.91,特异度分别为0.75及0.84。训练集中影像组学模型的AUC大于增强CT模型（Z＝2.05,P<0.05）,验证集中二者AUC差异无统计学意义（Z＝0.95,P=0.34）。决策曲线分析结果显示高风险概率阈值为0.08~1.00时,影像组学模型净获益高于增强CT模型。结论 影像组学模型预测ccRCC WHO/ISUP分级的效能优于增强CT模型。     

基于增强CT影像组学模型鉴别肾透明细胞癌与非透明细胞癌

目的 建立基于增强CT的影像组学模型,评估其鉴别肾透明细胞癌（ccRCC）与非透明细胞癌（non-ccRCC）的应用价值。方法 将147例ccRCC及32例non-ccRCC患者随机分为训练集125例和测试集54例。将所有患者的增强CT资料导入ITK-SNAP软件,手动勾画ROI,获得16个特征,分别建立基于特征的随机森林（RF）模型和逻辑回归（LR）模型,采用ROC曲线观察模型对ccRCC的诊断效能。结果 训练集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度0.83;LR模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.83。测试集RF模型诊断ccRCC的AUC为0.96（P<0.05）,特异度为1.00,敏感度为0.89;LR模型诊断ccRCC的AUC为0.88（P<0.05）,特异度为0.90,敏感度为0.77。结论 基于增强CT影像组学模型可用于鉴别ccRCC与non-ccRCC;RF模型诊断价值较LR模型更高。     

CT影像组学预测肾透明细胞癌病理分级:Meta分析

目的 采用Meta分析观察CT影像组学预测肾透明细胞癌(ccRCC)病理分级的价值。方法 检索建库至2021年1月PubMed、Web of Science、EMbase及中国知网、中国生物医学文献服务系统和万方医学网CT影像组学预测ccRCC病理分级相关文献,并进行筛选、质量评价及资料提取;以Stata 16.0软件行Meta分析。结果 纳入16篇文献、2 489例患者共2 495个ccRCC病灶。CT影像组学预测ccRCC病理分级无明显阈值效益(r=0.12,P＜0.01)而具有较高异质性(I²≥50%),其合并敏感度0.85、合并特异度0.86,阳性似然比6.00、阴性似然比0.18、诊断比值比34.00,曲线下面积0.92。结论 CT影像组学预测ccRCC病理分级效能较佳。     

胰腺混合性浆液-神经内分泌肿瘤CT表现1例

<正>病例女,50岁,发现血糖升高5年,乏力加重1月余;患者5年前无明显诱因出现口渴、多饮、多尿等不适,行随机葡萄糖检测20 mmol/L,诊断为2型糖尿病。入院前1月余,患者自觉口渴、多饮、多尿加重,并伴有双下肢乏力不适。入院前7天,患者出现双下肢乏力加重伴麻木、肿胀不适。CT平扫示胰腺整体增粗,实质内弥漫分布囊实性低密度影（图1）,胰腺头颈部为著,胰头钩突部见软组织密度结节影,大小约2.3 cm×2.7 cm;增强扫描病灶动脉期显著强化（CT值达280 HU,图2）,中央见灶状低密度影,静脉期及延迟期强化程度有所减低（图3,4）,但强化仍高于胰腺其它区域;胰头及体部囊实性病变增强扫描呈中度强化（CT值约80 HU）,     

基于超声影像组学对胰腺神经内分泌肿瘤肝转移的预测价值北大核心CSCD

目的探讨超声影像组学对胰腺神经内分泌肿瘤(pNEN)肝转移的预测价值。方法回顾性分析2012年1月至2022年6月天津医科大学肿瘤医院经病理证实的269例pNEN患者的临床、病理及超声资料,其中肝转移94例,无肝转移175例。应用ITKSNAP软件在肿瘤最大径切面勾画感兴趣区(ROI),使用Pyradiomics提取影像组学特征。保留组内相关系数>0.90的组学特征,采用最大相关最小冗余(MRMR)筛选最优特征。将数据集按7∶3的比例随机分为训练集和验证集,应用随机森林算法(Rfs)进行pNEN肝转移的预测,共构建临床超声模型、影像组学模型、临床超声与组学特征结合的综合模型共三个模型。通过ROC曲线分析不同模型对pNEN肝转移的预测性能,通过Delong检验对不同模型的预测性能进行比较。结果从ROI中共提取874个特征,经观察者内和观察者间相关性分级及特征选择,保留12个高鲁棒性的影像组学特征用于构建模型。影像组学模型、临床超声模型和综合模型预测NEN患者肝转移的曲线下面积(AUC)、敏感性、特异性及准确性分别为0.800、0.574、0.789、0.714,0.780、0.596、0.874、0.777,0.890、0.694、0.874、0.810。Delong检验显示,综合模型AUC优于影像组学模型(Z=3.845,P=0.00012)及临床超声模型(Z=3.506,P=0.00045),具有最佳预测效能。结论基于超声的影像组学模型具有较好地预测pNEN肝转移的性能,联合临床超声特征和影像组学特征的综合模型可进一步提高模型的预测性能。     

CT影像组学用于胸腺上皮性肿瘤进展

胸腺上皮性肿瘤(TET)是前纵隔最常见原发肿瘤,主要包括胸腺瘤和胸腺癌;其组织学分型及临床分期复杂、治疗方法各异,准确诊断TET及判断其分型有助于制定治疗决策及评估预后。CT影像组学可识别人眼难以分辨的细微差异,对于诊治TET及预测预后具有重要意义。本文就CT影像组学用于TET进展进行综述。     

多时相CT影像组学模型预测胸腺瘤风险分类

目的 观察多时相CT影像组学模型预测胸腺瘤风险分类的价值。方法 纳入86例经病理确诊的单发胸腺瘤患者,包括32例高风险及54例低风险胸腺瘤,按照7∶3比例将其分为训练集(n=59)和验证集(n=27);采用单因素及多因素logistic回归分析训练集临床及CT特征,筛选胸腺瘤风险分类的独立预测因素,构建临床-CT模型。分别基于平扫、动脉期(AP)、静脉期(VP)、平扫+AP、平扫+VP、AP+VP及平扫+AP+VP提取并筛选最优影像组学特征,计算影像组学评分(Rad-score);采用受试者工作特征(ROC)曲线选取最佳影像组学模型,以之联合临床-CT特征构建联合模型。绘制ROC曲线,计算曲线下面积(AUC),评估各模型预测胸腺瘤风险分类的效能。结果 周围脂肪浸润是胸腺瘤风险分类的独立预测因素(OR=0.029,P=0.004)。ROC曲线显示,模型_AP+VP为最佳影像组学模型,其与联合模型预测训练集胸腺瘤风险分类的AUC分别为0.860及0.877,均高于临床-CT模型的0.736(Z=1.925、-2.464,P均＜0.05),预测验证集的AUC分别为0.835及0.847,亦高于临床-CT模型的0.641(Z=1.840、-2.137,P均＜0.05);模型_AP+VP与联合模型在训练集和验证集的AUC差异均无统计学意义(Z=-1.180、0.291,P均＞0.05)。结论 多时相CT影像组学模型可有效预测胸腺瘤风险分类。     

基于CT影像组学和机器学习脑出血研究进展

脑出血指非外伤性脑实质内出血,发病急,进展迅速,致死率和致残率高。对于疑诊急性脑出血患者,CT为首选影像学检查手段。影像组学高通量从CT图像中提取特征信息,结合机器学习算法,能快速、准确地诊断疾病、评估病情和预测预后。本文就基于CT影像组学和机器学习脑出血研究进展进行综述。     

体模实验观察体素大小对CT影像组学特征的影响

目的 探讨体素大小对CT影像组学特征的影响。方法 采用Siemens Definition AS⁺ 64排CT扫描仪对美国体模实验室Catphan 700体模进行扫描,对扫描图像进行不同FOV和不同层厚的组合重建,2组图像体素大小范围分别为0.24~2.38 mm³和0.72~2.32 mm³。以3D Slicer软件手动勾画ROI,各计算提取7类共计108个特征,包括形状、一阶、灰度相关矩阵、灰度游程矩阵、灰度共生矩阵、灰度区域矩阵及邻域灰度差分矩阵特征,计算变异系数（CV）以评价不同FOV和层厚导致的体素改变对CT影像组学特征的影响。结果 体素改变对形状特征的影响较小（CV≤10%）,而对其他6类特征中绝大部分的特征影响较大（CV>20%）,其中依赖熵、短游程强调、游程熵、反差矩归一化、反差归一化、反差矩、反差及区域熵较稳定（CV均≤10%）。结论 改变体素大小对CT影像组学特征有较大影响,数据预处理可能是保证特征稳定性的较好途径,特别是对于多中心数据的应用及对比。     

不同病理级别膀胱神经内分泌肿瘤CT表现

目的 观察不同病理级别膀胱神经内分泌肿瘤（NET）的CT表现。方法 回顾性分析经手术病理证实的17例膀胱NET患者的临床、病理及CT资料，参照2010年WHO消化道NET分级标准对其进行分级并分为低级别组（G1和G2级）和高级别组（G3级），比较组间临床及CT表现差异。结果 17例膀胱NET中，G1级6例，G2级2例，G3级9例；低级别组8例，高级别组9例；组间性别及年龄（t=-3.43，P=0.03、0.04），肿瘤最大径、囊变坏死、周围侵犯及转移差异均有统计学意义（P均<0.05）。低级别组动脉期肿瘤绝对强化程度[（58.62±12.45）HU]高于高级别组[（31.88±8.86）HU，t=5.15，P<0.01]。结论 不同病理级别膀胱NET的CT表现有一定特征性，结合临床有助于诊断。