基于人工智能的CT影像加权评分系统对肺结节良恶性鉴别的价值

目的探讨基于人工智能（AI）的CT影像加权评分系统对肺结节良恶性鉴别的价值。方法回顾性分析2021年1月至2022年9月在浙江中医药大学附属杭州市中医院经手术和病理证实的肺结节患者187例,共215个肺结节。术前CT图像导入AI肺结节CT影像辅助诊断系统,由该系统自动识别,得到结节的相关量化参数：结节数量、部位、类型、平均直径、体积,并提供每个肺结节的AI恶性概率数值。采用多因素logistic回归分析筛选良恶性肺结节鉴别诊断的独立影响因素,基于这些独立影响因素构建初级模型,并进行加权赋分得到综合加权评分。采用ROC曲线评估各个变量、初级模型和综合加权评分等相关指标对良恶性肺结节鉴别诊断的效能。结果215个肺结节中,良性肺结节69个,恶性肺结节146个。多因素logistic回归分析显示亚实性结节（OR=4.732）、AI恶性概率＞0.6（OR=5.602）、医师阅片恶性（OR=28.654）是良恶性肺结节鉴别诊断的独立影响因素（均P＜0.01）,基于这些独立影响因素,构建初级模型。Hosmer-Lemshow检验显示初级模型具有良好的校准性（P=0.486）。比较综合加权评分、初级模型、结节特征、医师阅片、AI恶性概率的诊断效能,综合加权评分的AUC最高,为0.929。综合加权评分与初级模型的AUC比较差异无统计学意义（P＞0.05）,综合加权评分与医师阅片、结节特征、AI恶性概率的AUC比较差异均有统计学意义（均P＜0.01）。为了简化放射科医师评估肺结节恶性风险的流程,将综合加权评分分成3个区间分数（＜4分、4～6分、＞6分）。随着综合加权评分的升高,肺结节被诊断为恶性的可能性也相应增加。结论基于AI技术构建的综合加权评分系统在良恶性肺结节鉴别诊断中具有较高的效能,有助于简化放射科医师的评估流程和临床决策的制定。     

基于临床因素及CT特征构建鉴别肾细胞癌亚型的积分系统

目的 探讨基于一般临床因素和CT影像特征构建的积分预测系统在鉴别肾透明细胞癌(ccRCC)和非透明细胞癌(non-ccRCC)中的价值。方法 搜集经病理证实的150例肾细胞癌患者作为回顾性分析研究对象,包括97例ccRCC和53例non-ccRCC,随机分成训练集(100例)和验证集(50例)。通过Mann-Whitney U检验、χ²检验及二元Logistic回归分析一般临床资料(年龄、性别)和CT影像特征筛选组间有统计学意义的特征因子,并进行加权赋分得到积分模型。用ROC曲线(AUC)评价模型预测效能。最后将积分模型分为3个积分区间。结果 二元Logistic回归分析显示性别、囊变坏死、皮髓质期强化程度和强化模式是鉴别ccRCC和non-ccRCC的独立因素,该模型的ROC曲线AUC值为0.924(95%CI 0.860～0.987)。积分模型包括男性(2分)、囊变坏死(2分)、皮髓质期明显强化(3分)和流出型强化模式(3分),其ROC曲线AUC值为0.908(95%CI 0.840～0.975),应用Youden指数确定最佳阈值(4.5),相对应的敏感度、特...     

初次前列腺活检前多参数磁共振成像检查对前列腺癌的诊断价值

目的 探讨初次前列腺活检前多参数磁共振成像(mpMRI)检查对前列腺癌(PCa)和临床显著性前列腺癌(CsPCa)的检出率,及可避免活检的患者人数。方法 回顾性分析初次前列腺活检的184例患者的临床资料,年龄(72.2±9.5)岁,PSA值6.8(3.8,10.6)ng/ml。89例患者先行mpMRI检查后再经直肠超声引导下前列腺活检术(TRUS-biopsy),为mpMRI组;95例患者仅行TRUS-biopsy,未做mpMRI检查,为TRUS组。采用χ²或Fisher精确检验比较两组PCa和CsPCa的检出率。结果 184例中,非PCa 134例,PCa 50例,其中CsPCa 35例。TRUS组患者年龄(72.8±10.3)岁,mpMRI组年龄(71.5±8.5)岁,差异无统计学意义(t=-0.903,P=0.368);TRUS组PSA值4.5(1.5,8.2)ng/ml, mpMRI组PSA值8.9(6.2,11.6)ng/ml,差异有统计学意义(Z=-5.573,P=0.000)。TRUS组和mpMRI组PCa的检出率分别为15.8%(15/95)、39...     

基于CT征象构建肾透明细胞癌WHO/ISUP分级积分评价系统

目的探讨基于CT征象构建的积分评价系统对术前预测肾透明细胞癌（ccRCC）WHO/国际泌尿病理学会（ISUP）分级的评估价值。方法收集2017年1月至2022年9月杭州市中医院（87例）和浙江大学医学院附属邵逸夫医院（53例）经病理检查证实的ccRCC患者共140例,依据WHO/ISUP分级标准分为低级别组（98例,Ⅰ级13例、Ⅱ级85例）和高级别组（42例,Ⅲ级34例、Ⅳ级8例）,并以分层抽样法按照8∶2的比例将患者分为训练集（112例）与验证集（28例）。通过Mann-WhitneyU检验、χ2检验、多因素logistic回归分析CT征象筛选组间差异有统计学意义的因素,并进行加权赋分得到积分模型;绘制ROC曲线评价模型预测效能;最后将积分模型分为3个积分区间。结果多因素logistic回归分析显示,形状与边界、坏死及皮髓质期强化程度为预测ccRCC分级的独立危险因素,该模型的AUC为0.851（95%CI：0.762~0.941）,灵敏度为0.794,特异度为0.846。积分模型包括形状与边界（分叶型2分或浸润型3分）、大量坏死（3分）及皮髓质期轻中度强化（2分）。积分模型的AUC为0.850（95%CI：0.760~0.940）,应用Youden指数确定最佳阈值（3.5）,灵敏度为0.765,特异度为0.859。将积分模型分为3个积分区间：0~3分、4~6分、7~8分。随着积分增加,训练集、验证集各积分区间高级别ccRCC的发生率逐渐增高。结论基于CT征象构建的积分评价系统对术前预测ccRCCWHO/ISUP分级具有较高的临床应用价值。