基于深度学习重建的扩散加权成像在肺部病变良恶性鉴别中的应用价值

目的评估深度学习重建(deep learning reconstruction,DLR)对肺部扩散加权成像(diffusion weighted imaging,DWI)图像质量的影响,并探讨DLR在肺部良恶性病变鉴别诊断中的价值。材料与方法前瞻性招募61例有肺内结节或肿块的患者(包括49例恶性和12例良性)。每位患者均使用3.0 T磁共振获得T2WI和DWI图像,DWI图像分别使用传统重建(conventional reconstruction,ConR)和DLR进行重建。两名具有4年和10年经验的放射科医生分别独立评估整体图像质量、病灶的信噪比(signal-to-noise ratio,SNR)、对比噪声比(contrast-to-noise ratio,CNR)和表观扩散系数(apparent diffusion coefficient,ADC)。采用Kappa值来评估测量者间在主观评分上的一致性,类相关系数(intra-class correlation coefficient,ICC)用于评估测量者间在SNR、CNR以及ADC值间的一致性。采用Wilcoxon秩和检验比较DLR DWI和ConR DWI分别在主观评分、SNR、CNR和ADC间的差异。采用Mann-Whitney检验比较良恶性病变间的差异。采用受试者工作特征(receiver operating characteristics,ROC)曲线评估ADC值鉴别病灶良恶性的诊断效能,并用DeLong检验比较ConR和DLR间曲线下面积(area under the curve,AUC)的差异。结果DLR和ConR的图像主观评分在观察者间均显示良好的一致性(Kappa>0.60)。客观评价中SNR和ADC均显示出极好的一致性(ICC>0.75),而CNR仅显示出一般的测量者间一致性(ICC>0.40)。与ConR DWI相比,DLR DWI具有更高的整体图像质量评分(P=0.003)、病变SNR(P<0.001)和更高的ADC值(P=0.017)。此外,DLR DWI的CNR也高于ConR DWI,但差异无统计学意义(P=0.258)。对ConR DWI和DLR DWI而言,恶性病变的ADC均显著低于良性病变(P<0.05)。ROC曲线分析显示DLR DWI(AUC=0.891)在良恶性病变中的诊断性能高于ConR DWI(AUC=0.808),DeLong检验显示差异具有统计学意义(P=0.044)。结论DLR DWI能够显著提高图像整体质量与图像SNR,相较于ConR DWI,DLR DWI能够显著提高鉴别肺部良恶性病变的诊断效能。

CT影像特征联合临床特征构建肺癌合并慢性阻塞性肺疾病的预测模型及其效能评价

目的探讨基于临床特征和术前胸部CT影像特征构建的模型预测肺癌合并慢性阻塞性肺疾病(COPD)的价值。方法回顾性分析2014年6月至2021年3月在海军军医大学第二附属医院就诊且经病理确诊的444例肺癌患者的临床(年龄、性别、吸烟史、吸烟指数等)及影像资料(病灶大小、位置、密度、分叶征等)。其中男279例、女165例,年龄23~85岁。444例患者以7∶3的比例使用python中的random函数随机分为训练集(310例)和内部测试集(134例),并根据肺功能检查将患者进一步分为肺癌合并COPD组和肺癌非COPD组。首先将单因素分析中2组间差异有统计学意义的临床特征纳入二元logistic回归分析,筛选出预测肺癌合并COPD的独立影响因子构建临床特征模型。使用最小绝对收缩和选择算子对影像特征进行特征筛选,并用5次留P交叉验证法判断其可靠性,构建影像特征标签。临床特征联合影像特征标签建立综合模型。使用受试者操作特征(ROC)曲线和决策曲线分析(DCA)评估各个模型的预测能力和临床使用价值。各模型预测肺癌合并COPD的曲线下面积(AUC)比较采用DeLong检验。结果训练集中肺癌合并COPD组182例,肺癌非COPD组128例,综合模型预测肺癌合并COPD的AUC为0.89,临床模型为0.82,影像特征标签为0.85。测试集中肺癌合并COPD组78例,肺癌非COPD组56例,综合模型预测肺癌合并COPD的AUC为0.85,临床模型为0.77,影像特征标签为0.83。影像特征模型与临床特征模型的AUC差异无统计学意义(Z=1.40,P=0.163),综合模型与临床特征模型、影像特征模型的AUC的差异有统计学意义(Z分别为-4.01、-2.57,P分别为0.010、<0.001)。DCA示综合模型的净收益最大。结论利用CT的影像学特征和临床特征构建的综合诊断模型能有效地预测肺癌合并COPD。