基于机器学习方法建立慢性阻塞性肺疾病合并肺癌风险的预测模型

目的 建立基于机器学习的慢性阻塞性肺疾病(简称慢阻肺)患者合并肺癌风险的预测模型,探索慢阻肺患者罹患肺癌的高风险因素,为早期发现慢阻肺患者肺癌发病风险提供智能预警奠定基础。方法 回顾分析2010年—2021年就诊于大连医科大学附属第二医院的共154例患者,其中慢阻肺组99例,慢阻肺合并肺癌组55例。患者均进行胸部高分辨率电子计算机断层扫描(high resolution computed tomography,HRCT)及肺功能测试。主要分析:(1)两组患者的年龄、体重指数(body mass index,BMI)、吸烟指数等基本信息、实验室检查结果、肺功能及胸部HRCT定量参数之间的差异是否具有统计学意义;(2)使用单因素和二元logistic回归方法分析慢阻肺患者患肺癌的高风险因素指标;(3)使用logistic回归和Gaussian过程等机器学习方法建立慢阻肺患者合并肺癌风险的预测模型。结果 基于统计学和logistic回归方法分析,BMI下降、全肺气肿指数增大、全肺平均密度增高、用力肺活量及凝血酶原时间百分比活动度增加是慢阻肺患者合并肺癌的危险因素。基于慢阻肺患者合并肺癌的机器学习风险预测模型,使用凝血酶原时间百分比活动度、全肺气肿指数、全肺平均密度、用力肺活量联合神经元特异性烯醇化酶和细胞角蛋白19的可溶性片段为特征,得到logistic回归和Gaussian过程的受试者工作特征曲线下面积均为0.88。结论 使用机器学习的方法建立慢阻肺患者合并肺癌风险的预测模型,可用于早期发现罹患肺癌高风险的慢阻肺患者。

非牧区布鲁菌性脊柱炎的影像特征分析

目的了解非牧区布鲁菌性脊柱炎(BS)患者的X线、电子计算机断层扫描(CT)及磁共振成像(MRI)影像学特征。方法收集2013年12月至2020年11月大连医科大学附属第二医院确诊收治的21例BS患者病历资料,其中男性14例、女性7例;年龄为(52.4±15.8)岁,范围为21~77岁;均来自于非牧区。诊断标准参照《布鲁氏菌病诊断》(WS 269-2019)标准。回顾性分析影像学检查结果(包括X线、CT、MRI检查,分别为19、16和21例)。结果21例BS患者中,病变部位主要为腰椎(16例,76.2%)。19例X线检查患者中,9例(47.4%)呈"鸟嘴状"骨质增生;7例(36.8%)表现为椎体骨质破坏。16例CT检查患者中,10例(62.5%)表现为骨质增生硬化,8例(50.0%)表现为椎体骨质破坏,均呈现"花边样"特征性改变;7例(43.8%)出现椎间盘受累改变;椎旁和腰大肌脓肿各1例(6.2%)。21例MRI检查患者中,10例(47.6%)表现为骨质增生;11例(52.4%)表现为骨质破坏;13例(61.9%)出现椎间盘信号改变;椎前脓肿、椎旁脓肿、腰大肌脓肿各1例(4.8%)。16例患者同时进行CT、MRI检查,MRI检查在检出椎间盘病变方面优于CT检查(13比7例,χ2=4.800,P<0.05)。结论非牧区BS患者X线、CT及MRI检查影像学表现多样,病变部位主要累及腰椎,且MRI检查在检出椎间盘病变方面优于CT检查。