基于增强MRI多期图像的影像组学联合模型预测肝细胞癌患者Ki-67表达水平

目的:探索基于增强MRI多期图像的影像组学技术,结合临床资料及影像特征构建预测肝细胞肝癌(HCC)患者Ki-67表达水平模型的价值。方法:回顾性分析2016年1月至2023年9月在温州医科大学附属第五医院治疗的215例HCC患者资料,其中男180例,女35例,年龄(59.7±10.6)岁。依据术后免疫组化Ki-67染色结果,分为低表达组(n=89)和高表达组(n=126)。215例患者按7:3随机分为训练集(低表达组63例,高表达组87例)和测试集(低表达组26例,高表达组39例)。基于术前MRI多期增强扫描,在Radcloud平台上分别从A(动脉期)、V(门静脉期)、D(延迟期)、A+V、A+D、V+D、A+V+D中提取影像组学特征,使用方差阈值方法、SelectKBest和最小绝对收缩和选择算子对影像组学特征进行筛选,分别筛选出7、13、9、11、12、10、15个强相关的影像组学特征,最后使用支持向量机分类器分别构建相应的7种影像组学预测模型。将临床和影像高危因素进行Logistic回归分析,构建临床预测模型。将影像组学预测效能最佳的模型结合临床和影像高危因素构建联合预测模型,评估联合模型的预测效能。分别比较各模型在训练集和验证集上的灵敏度、特异度、ROC曲线的AUC,评估纹理特征分类方法预测Ki-67表达状态效能。结果:A、V、D、A+V、A+D、V+D和A+V+D 7种影像组学模型中,A+D的模型预测效能最佳,训练集和测试集中的AUC分别为0.827,0.809。Ki-67高表达组的肝硬化、AFP≥200 ng/mL、肿瘤边界不清和动脉期不均匀强化方式比例高于Ki-67低表达组,ADC值和假包膜完整比例低于Ki-67低表达组,差异均有统计学意义(P<0.05)。多因素Logistic回归分析发现ADC值(OR=0.281,P=0.038)、肝硬化(OR=2.256,P=0.032)、肿瘤假包膜(OR=0.183,P<0.001)为Ki-67高表达的独立预测因子(P<0.05),以上述危险因素构建临床模型,在训练集和测试集中的AUC分别为0.764、0.744。联合预测模型在训练集和测试集中的AUC分别为0.890、0.821。结论:基于术前增强MRI纹理分析的A+D模型在预测HCC患者Ki-67表达状态方面具有高度的应用价值。结合临床资料的联合模型显示出良好的效能,可作为一种临床术前无创性预测HCC Ki-67表达状态的可靠方法。

机器学习结合影像组学特征对脑梗死取栓术后对比剂外渗与脑出血的鉴别

目的:探讨基于CT平扫影像组学和机器学习模型鉴别急性缺血性脑梗死机械取栓后脑实质对比剂外渗和脑出血的价值。方法:回顾性分析93例接受机械取栓的急性缺血性脑梗死患者,共155个脑实质高密度区,按7∶3比例随机分为训练集(108个)和验证集(47个)。使用A.K.软件对CT平扫图像上出现的高密度区勾画ROI并提取纹理特征。采用特征相关性分析和基于互信息的特征进行降维,保留相关性最强的特征。采用逻辑回归(LR)、支持向量机(SVM)、线性支持向量分类(LinearSVC)、伯努利贝叶斯分类器(BernoulliNB)构建相应的机器学习鉴别模型。采用ROC曲线评价各机器学习模型区分对比剂外渗与脑出血的诊断效能。结果:在1316个影像组学特征中,最终筛选出5个特征用于构建LR、SVM、LinearSVC、BernoulliNB模型。在训练集中,LR、SVM、LinearSVC及BernoulliNB模型的AUC分别为0.781、0.757、0.784及0.669;在验证集中,各相应模型的AUC分别为0.793、0.705、0.795及0.517。在训练集中,各机器学习模型的AUC比较,差异均无统计学意义(均P>0.05);在验证集中,BernoulliNB与LR及LinearSVC模型的AUC差异均有统计学意义(均P<0.05)。结论:基于CT平扫图像构建的LR、SVM、LinearSVC机器学习模型可有效鉴别急性缺血性脑梗死机械取栓后脑实质对比剂外渗和脑出血,且诊断效能佳,可辅助评估临床早期取栓后脑出血转化情况,指导临床及时进行干预。

胰腺罕见碰撞肿瘤:胰腺导管腺癌合并神经内分泌肿瘤1例

本文报道1例胰腺导管腺癌合并神经内分泌肿瘤,患者于2018年12月7日于丽水市中心医院就诊入院。超声检查示胰腺颈体部囊实性肿块,胰腺尾部萎缩,体尾部胰管明显扩张,增强CT检查示实性部分出现两种强化模式。病理检查诊断为低分化胰腺导管腺癌伴潴留囊肿形成,合并弥漫性胰腺神经内分泌肿瘤(G1期),符合胰腺碰撞肿瘤。

腹壁原发神经内分泌癌1例诊治分析

神经内分泌癌(neuroendocrine carcinoma,NEC)是起源于神经内分泌细胞的恶性肿瘤,最常见于胃肠道、胰腺、肺~([1]),食管、纵隔、子宫、乳腺、前列腺、膀胱等少见部位亦有报道,原发于腹壁的NEC极为罕见,容易误诊。笔者报告1例原发于腹壁的NEC,对该病例的诊断及治疗经过进行总结分析并复习相关文献,供同行参考。1病例资料患者,女,53岁,因“偶然发现左下腹部无痛性肿块2个月”于2018年12月13日入院。

全容积ADC直方图参数联合MRI征象鉴别低分化胰腺导管腺癌与G3胰腺神经内分泌肿瘤的价值

目的:探讨全容积ADC直方图参数联合MRI征象鉴别低分化胰腺导管腺癌(PDAC)和G3胰腺神经内分泌肿瘤(pNET)的价值。方法:回顾性分析经穿刺或手术病理证实的低分化PDAC 30例(低分化PDAC组)和G3 pNET 13例患者(G3 pNET组)。2组均行DWI和常规增强扫描,分析MRI征象并记录相应结果。采用Firevoxel软件计算生成ADC直方图参数,包括ADC最小值(ADC_(min))、ADC平均值(ADC_(mean))、ADC最大值(ADC_(max))、ADC第10百分位数(ADC_(10%))、ADC第50百分位数(ADC_(50%))、ADC第90百分位数(ADC_(90%))、偏度系数、峰度系数、熵。采用χ^(2)检验或Fisher确切概率法比较2组计数资料的差异,采用t检验或Mann-Whitney U检验比较2组计量资料的差异。采用ROC曲线评价差异有统计学意义的MRI征象和ADC直方图参数的诊断效能。采用单因素和多因素二元Logistic回归分析找出独立预测因子,构建鉴别诊断模型。结果:MRI示2组强化模式、上游主胰管扩张、胰周侵犯及肝脏转移情况,差异均有统计学意义(均P<0.05);2组ADC直方图参数ADC_(mean)、ADC_(min)、ADC_(max)、ADC_(10%)、ADC_(50%)、ADC_(90%)差异均有统计学意义(均P<0.05)。ROC曲线显示,MRI征象中的强化模式和ADC直方图中的ADC_(mean)的鉴别诊断效能较高。多因素二元Logistic回归构建联合模型显示,AUC为0.977,特异度100.00%,敏感度86.67%。结论:MRI征象和ADC直方图参数对低分化PDAC和G3 pNET具有一定的鉴别诊断价值,尤其当两者联合时具有较高的鉴别诊断效能。

DSA导引下经左颈内静脉为永存左上腔静脉患者植入静脉输液港1例

1临床资料患者女,56岁,因“右乳腺癌改良根治术后1个月余”收治入院。既往有原发性高血压Ⅰ级3年余。体格检查:右乳房缺失,右胸壁可见长约15 cm陈旧性手术瘢痕,愈合佳,右胸壁及腋窝未扪及包块,未扪及皮下积液,双侧腋下未扪及肿大淋巴结。入院诊断:乳腺恶性肿瘤(右乳浸润性导管癌(pT2N3M0))。

基于增强MRI影像组学及临床特征构建肝细胞癌根治术后早期复发预测模型的价值

目的:分析增强MRI影像组学技术筛选影像组学特征,联合临床相关因素构建的肝细胞癌根治术后早期复发预测模型的价值。方法:回顾性分析2015年1月至2020年12月在温州医科大学附属第五医院行根治性切除术的109例肝细胞癌患者资料,其中男性96例,女性13例,年龄(58.3±10.7)岁。依据术后12个月内是否复发分为早期复发组(n=31)和对照组(n=78)。109例患者按1∶4随机分为验证集(n=23)和训练集(n=86)。基于术前MRI多期增强扫描,在Radcloud平台上勾画肿瘤病灶并提取1409个定量影像组学特征。利用方差阈值、SelectKBest和LASSO对特征进行降维、筛选,联合临床相关因素(甲胎蛋白、肿瘤长径等),通过机器学习,建立预测模型,受试者工作特征(ROC)曲线下面积、准确率、召回率、平衡F分数评估模型的预测效能。结果:早期复发组肿瘤形态不规则、肿瘤边界不清比例以及肿瘤长径高于对照组,假包膜比例低于对照组,差异均有统计学意义(均P<0.05)。利用方差阈值方法从1409个特征中筛选465个特征,再使用SelectKBest最佳方法筛选38个特征,最后使用LASSO方法筛选了7个最佳影像组学特征,联合临床相关因素,通过机器学习构建了5种预测模型,分别是:支持向量机、高斯朴素贝叶斯、逻辑回归、多项式朴素贝叶斯、K最近邻。5种模型中K最近邻模型的预测效能较高,在训练集中ROC曲线下面积、准确率、召回率、平衡F分数分别为0.90、0.98、0.74、0.84,在验证集中分别为0.76、0.92、0.75、0.83。最终选择了K最近邻模型作为预测模型。结论:基于术前增强MRI的影像组学及临床特征构建的肝细胞癌根治术后早期复发预测模型K最近邻,准确率较高,具有较高的价值。