基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者腋窝淋巴结负荷的价值

目的探讨基于机器学习的MRI影像组学列线图预测早期乳腺癌患者腋窝淋巴结（ALN）负荷的应用价值。方法回顾2015年1月至2022年6月丽水市中心医院经术后病理检查证实的377例早期乳腺癌患者,按7∶3的比例随机分为训练集264例和验证集113例。根据病理检查结果,将患者分为低负荷组（阳性ALN≤2枚,303例）和高负荷组（阳性ALN＞2枚,74例）。在Radcloud平台提取动态增强MRI第2期图像中乳腺肿瘤的影像组学特征,并依次采用方差阈值、单变量选择和最小绝对收缩和选择算子方法筛选最优影像组学特征。基于上述特征构建了5种机器学习分类器包括K近邻（KNN）、支持向量机（SVM）、逻辑回归（LR）、随机森林（RF）、极端梯度提升决策树（XGBoost）,选择验证集中AUC最高的分类器作为最佳影像组学模型。进一步行多因素logistic回归分析构建基于影像组学评分（Rad-score）和临床危险因素的列线图模型。采用ROC曲线评估不同模型的诊断效能。结果低负荷组和高负荷组在MRI报告淋巴结状态间的差异有统计学意义（P＜0.01）。经降维得到了16个与ALN负荷高度相关的影像组学特征。在验证集中,SVM分类器的诊断效能最好（AUC=0.762）。进一步结合Rad-score和MRI检查报告淋巴结状态建立列线图模型。ROC曲线结果显示,列线图模型在训练集和验证集中均呈现出良好的诊断效能,AUC分别为0.887、0.818。结论基于机器学习的MRI影像组学列线图模型预测早期乳腺癌患者ALN负荷具有较高的应用价值。     

四例误诊为原发性肝细胞癌的胃肝样腺癌肝内转移瘤CT/MRI影像学分析

目的 提高对CT/MRI类似于原发性肝细胞癌（HCC）的胃肝样腺癌（HAS）肝转移瘤的认识。方法 回顾性分析2014年7月至2021年11月在丽水市中心医院就诊的4例HAS患者的临床和影像资料,评估肝内病灶的CT/MRI征象（包括数量、长径、动脉期强化表现、延迟期强化表现、强化模式及有无“出血”“脂肪变性”“结中结”“假包膜征”）。结果 4例患者甲胎蛋白均不同程度升高,乙型病毒性肝炎肝病史3例,肝内转移灶共8个,长径1.6～6.2 cm,3例（6个）病灶动脉期整体显著强化,并伴有延迟期整体或不均匀廓清,强化模式为“快进快出”;1例（2个）病灶动脉期无明显强化,延迟期轻度不均匀强化。所有病灶均无“出血”“脂肪变性”“结中结”“假包膜征”。结论 “假包膜征”作为HCC的常见主要特征之一,通常不出现于HAS肝转移瘤,结合临床有无乙型病毒性肝炎或病灶超声造影的廓清表现,有助于两者鉴别。