磁共振成像在脊柱肿瘤结核鉴别诊断中的价值分析

目的分析磁共振成像(MRI)对脊柱肿瘤、结核鉴别的诊断价值。方法选取2016年10月至2018年2月我院收治的96例脊柱病变患者作为研究对象,按照检查方式分为观察组48例和对照组48例。对比2组MRI、CT扫描结果。结果观察组总确诊率明显高于对照组(P<0.05);观察组患者病变范围涉及椎体与附件、椎间盘及软组织,但对病变部位是否钙化无法判断,观察组患者T1WI主要为低信号,T_2WI主要为高信号;对照组24例脊柱肿瘤患者中,椎体和附件均骨质破坏者23例,单椎体骨质破坏者1例;对照组24例脊椎结核患者中,单椎体累及4例,2个以上椎体累及20例。结论与CT检查相比,MRI对脊柱肿瘤、结核的诊断准确率更高,其病变范围显现更为清晰,同时还能展现病变信号变化,值得临床推广。

肿瘤分割策略对机器学习预测肾透明细胞癌病理分级影响的研究

目的 探究肿瘤边缘分割策略对基于CT的机器学习预测肾透明细胞癌(ccRCC)病理分级的影响。方法 回顾性分析2009年1月至2019年12月经病理证实的ccRCC患者三期CT图像数据及临床病理学资料共546例,分为建模及内部验证集(n=311)、独立外部验证集(n=235)。按以下肿瘤图像分割策略进行分组:聚焦肿瘤边缘分割(MF组);边缘范围分别扩大1 mm(E1组)、3 mm(E3组);边缘范围分别缩小1 mm(S1组)、3 mm(S3组)。基于三期CT图像并利用CatBoost建立ccRCC病理分级(高/低级别)的机器学习预测模型。对比分析各组所提取的纹理特征及权重因子、预测模型的敏感度(SEN)、特异度(SPC)、阳性预测值(PPV)、阴性预测值(NPV)、准确率(ACC)、受试者工作特征曲线(ROC)及曲线下面积(AUC)。结果 分割边缘范围与所提取的纹理特征权重因子大小成正比,权重因子随着肿瘤图像分割边缘收缩而减小。采用如上述肿瘤图像分割策略的ccRCC病理分级预测模型的AUC分别为:MF 0.8037、E1 0.8161、E3 0.8165、S1 0.8010、S3 0.7974。组间AUC两两比较差异无统计学意义(P>0.05)。结论 基于多期CT图像的ccRCC病理分级机器学习预测模型具有较高的诊断效能,且不容易受到分割边缘微小范围(3 mm内)变化的影响。