基于DCE-MRI瘤内及瘤周影像组学的列线图预测早期乳腺癌腋窝淋巴结负荷的价值

目的:探讨基于动态增强MRI(DCE-MRI)瘤内及瘤周影像组学的列线图在预测早期(cT1-2N0-1M0期)乳腺癌患者ALN负荷中的应用价值。方法:回顾性分析2016年3月-2022年12月经手术病理证实且临床分期为cT1-2N0-1M0期的463例乳腺癌患者的临床病理和MRI影像资料。采用完全随机法以7:3的比例将患者分为训练集(n=324)和验证集(n=139)。使用Radcloud平台提取DCE-MRI图像肿瘤内部和周围3 mm、5 mm和7 mm区域的影像组学特征,通过降维保留纳入模型的最优特征。采用支持向量机分别构建相应的影像组学模型。将单因素分析中P<0.05的临床特征纳入多因素logistic回归分析,得到与ALN负荷相关的独立危险因素,并以此建立临床模型。最后,基于临床危险因素和瘤内+最佳瘤周影像组学评分(Rad-score)建立列线图模型。采用受试者工作特征(ROC)曲线对模型的预测性能进行评价,并计算出曲线下面积(AUC)、敏感度、特异度和准确度。结果:瘤内模型在训练集和验证集中的AUC分别为0.809、0.762。瘤周特征建模以瘤周5 mm范围结果最佳,在训练集和验证集中的AUC分别为0.745、0.727。多因素logistic回归分析显示肿瘤最大径和MR报告淋巴结状态是预测早期乳腺癌患者ALN高负荷的独立危险因素。进一步结合临床危险因素和Rad-score(瘤内+瘤周5 mm)建立列线图。ROC结果显示该列线图表现出良好的预测性能,在训练集中的AUC、敏感度、特异度和准确度分别为0.875、0.736、0.863、0.825;在验证集中的AUC、敏感度、特异度和准确度分别为0.830、0.692、0.850、0.800。结论:基于DCE-MRI瘤内及瘤周影像组学的列线图能够较好地预测早期乳腺癌患者的ALN负荷。

两个以下前哨淋巴结转移的乳腺癌:MR影像组学预测非前哨淋巴结转移的应用价值

目的探讨基于机器学习的MRI影像组学在预测两个以下前哨淋巴结(SLN)阳性乳腺癌非前哨淋巴结(NLSN)转移的应用价值。方法回顾性分析2016年1月—2022年12月间在温州医科大学附属第五医院经术后病理证实的乳腺癌患者408例,均经前哨淋巴结活检证实有两个以下SLN阳性。采用Radcloud平台提取动态增强MRI(DCEMRI)图像肿瘤内部的影像组学特征,并通过降维获得最优特征。随后,建立6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)、线性判别分析(LDA)和极端梯度提升(XGBoost)。选择验证集中曲线下面积(AUC)最高的作为最佳影像组学模型,并将其结果转换输出为影像组学评分(Rad-score)。将P<0.05的临床病理特征纳入到多因素Logistic回归分析中,以筛选影响NSLN转移的独立危险因素,并建立临床模型。进一步建立基于Rad-score和临床危险因素的联合模型,并绘制列线图。采用AUC、校准曲线和决策曲线分析(DCA)评价模型的预测性能。结果通过降维得到14个与NSLN转移显著相关的影像组学特征。在验证集中,利用XGBoost分类器构建的模型效能最低(AUC:0.650),RF分类器构建的模型效能最高(AUC:0.807)。肿瘤最大径[比值比(OR)=2.640,P<0.001]、淋巴血管侵犯(LVI)(OR=2.970,P<0.001)和SLN比值(OR=4.707,P<0.001)是预测乳腺癌NSLN转移的独立危险因素。进一步结合基于RF输出的Rad-score建立的列线图模型具有最佳预测性能,在训练集和验证集中的AUC分别为0.876、0.853,校准曲线显示与实际结果具有较好的一致性,DCA结果显示模型具有较高的临床应用价值。结论基于机器学习的DCE-MRI影像组学在预测两个以下SLN阳性乳腺癌NSLN转移中具有较高的应用价值。

基于双能量CT参数和临床病理特征列线图预测喉鳞状细胞癌的Ki-67表达水平

目的:探讨基于双能量CT参数和临床病理特征构建的列线图在术前预测喉鳞状细胞癌(LSCC)Ki-67表达水平中的应用价值。方法:选取2019年1月至2021年12月期间在温州医科大学附属第五医院经手术病理证实为LSCC并接受双能量CT检查的患者96例,采用7:3的比例随机分为训练集(67例)和验证集(29例)。根据免疫组化结果,将患者分为Ki-67高表达组和Ki-67低表达组。纳入分析的临床病理特征包括年龄、性别、吸烟史、肿瘤位置、临床T分期、分化程度和CT报告淋巴结状态;双能量CT参数包括动脉期和静脉期的标准化碘浓度(NIC)、能谱曲线斜率(λ_(HU))和标准化有效原子序数(nZ_(eff))。采用Logistic回归分析筛选影响LSCC患者Ki-67高表达的独立危险因素。进一步建立基于临床病理特征和双能量CT参数的联合模型,并绘制列线图。使用受试者操作特征曲线和校准曲线评估列线图的效能。决策曲线用于评价列线图的临床实用性。结果:训练集中,CT报告淋巴结状态和分化程度在两组之间差异均有统计学意义(均P<0.05)。Ki-67高表达组LSCC的动脉期NIC、λ_(HU)、nZ_(eff)和静脉期NIC均高于Ki-67低表达组(均P<0.05)。多因素Logistic回归分析结果显示,CT报告淋巴结阳性(OR=10.219,95%CI=1.591~65.651)、分化程度低(OR=3.555,95%CI=1.165~10.852)、动脉期NIC高(OR=5.592,95%CI=1.583~19.751)和动脉期nZ_(eff)高(OR=9.943,95%CI=1.999~49.450)是预测Ki-67高表达的独立危险因素。基于上述4个指标构建的列线图模型可表现出较高的预测效能,在训练集、验证集的曲线下面积分别为0.939和0.875。校准曲线和决策曲线分析显示,列线图具有良好的稳健性和临床实用性。结论:基于双能量CT参数和临床病理特征的列线图对LSCC患者Ki-67表达水平具有较高的预测价值。

非小细胞肺癌的CT表现及其诊断价值研究

目的探讨CT检查在非小细胞肺癌诊断中的价值。方法采用前瞻性研究方法选取我院2014年12月~2016年12月收治的非小细胞肺癌患者90例为研究对象,根据诊断方式不同分为对照组与观察组。观察组采用CT检查方式,对照组采用TM检查方式,比较两组患者的诊断符合率和患者满意度。结果对照组的诊断符合率为62.22%,低于观察组的86.67%,差异有统计学意义(P<0.05);对照组的总满意率为82.22%,低于观察组的95.56%,差异有统计学意义(P<0.05)。结论 CT检测方式能有效提高非小细胞肺癌的检出准确性,且患者的满意度较高,因此,可为临床的诊断提供参考和借鉴的依据,值得在临床诊断中推广使用。