目的:利用数字乳腺断层摄影(digital breast tomosynthesis,DBT)评估病变边缘方面的优势,探讨DBT图像的毛刺征象与Ki-67增殖指数的关系。方法:回顾并纳入2022年3月—2023年4月于郑州大学第一附属医院就诊的99例浸润性乳腺癌患者的DBT影...目的:利用数字乳腺断层摄影(digital breast tomosynthesis,DBT)评估病变边缘方面的优势,探讨DBT图像的毛刺征象与Ki-67增殖指数的关系。方法:回顾并纳入2022年3月—2023年4月于郑州大学第一附属医院就诊的99例浸润性乳腺癌患者的DBT影像学资料,所有患者在DBT图像中均表现为毛刺型肿块。对99例乳腺毛刺型肿块的肿块大小、毛刺的长度和宽度、肿瘤边缘毛刺的覆盖情况及毛刺的数量进行分析,并收集患者的一般临床资料,比较各参数在Ki-67增殖指数之间的差异。采用多因素logistic回归分析Ki-67增殖指数的独立预测因素,并采用受试者工作特征曲线评价其诊断效能。结果:Ki-67增殖指数高低患者之间DBT图像毛刺特征,包括毛刺长度与毛刺宽度比较差异均有统计学意义(P<0.05),而毛刺数量、患者年龄、绝经状态及肿块大小差异无统计学意义(P=0.060,P=0.175,P=0.507,P=0.050)。多因素logistic回归模型分析显示,毛刺长度(OR=0.036,P<0.001)、毛刺宽度(OR=8.829,P<0.001)为Ki-67增殖指数的独立预测因素。将毛刺长度与毛刺宽度联合后,诊断效能最好,AUC为0.897。结论:乳腺癌DBT图像中的毛刺征分析可作为一种无创预测恶性肿瘤增殖活性的方法,从而判断患者的预后。展开更多
目的:探讨表观弥散系数(apparent diffusion coefficient,ADC)鉴别诊断脑膜瘤组织病理学分级的价值及其与Ki-67增殖指数的关系。方法:回顾并分析经术后病理学检查证实为脑膜瘤的51例患者资料,根据世界卫生组织(World Health Organizatio...目的:探讨表观弥散系数(apparent diffusion coefficient,ADC)鉴别诊断脑膜瘤组织病理学分级的价值及其与Ki-67增殖指数的关系。方法:回顾并分析经术后病理学检查证实为脑膜瘤的51例患者资料,根据世界卫生组织(World Health Organization,WHO)病理学分级分为低级别脑膜瘤(low-grade meningioma,LGM)组45例和高级别脑膜瘤(high-grade meningioma,HGM)组6例,计算平均ADC(ADC_(mean))、最小ADC(ADC_(min)),以及两者相对值(rADC_(mean)、rADC_(min))。比较两组ADC_(mean)、ADC_(min)、rADC_(mean)、rADC_(min)的差异。绘制受试者工作特征(receiver operating characteristic,ROC)曲线评估ADC各参数的鉴别诊断效能,并采用DeLong检验比较ROC曲线的曲线下面积(area under the curve,AUC)的差异。采用Spearman相关分析评估ADC各参数与Ki-67增殖指数之间的相关性。结果:LGM组的ADC_(mean)、ADC_(min)、rADC_(mean)及rADC_(min)均高于HGM组,组间差异有统计学意义(P<0.05)。4种ADC参数均有较好的诊断效能,DeLong检验显示AUC两两比较差异均无统计学意义(P>0.05),其中ADC_(min)的鉴别诊断效能最高,其最佳截断值为0.657×10^(-3)mm^(2)/s,灵敏度为66.67%,特异度为95.56%。ADC_(mean)、ADC_(min)、rADC_(mean)及rADC_(min)均与Ki-67增殖指数呈负相关(P<0.05)。结论:ADC有助于术前预测脑膜瘤的病理学分级及Ki-67增殖指数,可为临床诊疗提供支持。展开更多
文摘目的探讨表观扩散系数(apparent diffusion coefficient,ADC)鉴别诊断肺癌脑转移瘤组织学分型的价值及其与Ki-67增殖指数之间的关系。材料与方法回顾性分析经手术病理证实的20例小细胞肺癌脑转移瘤和41例非小细胞肺癌脑转移瘤患者的资料,并测定其Ki-67增殖指数。在ADC图上测量肿瘤实性部分的最小ADC值(the minimum ADC,ADCmin)、平均ADC值(the mean ADC,ADCmean)及对侧正常脑白质ADC值,并计算相对ADCmin(relative ADCmin,rADCmin)及相对ADCmean(relative ADCmean,rADCmean)。对比分析二者ADC值的差异,绘制受试者工作特征(receiver operating characteristic,ROC)曲线评价ADC值的鉴别诊断价值,并计算ADC值与Ki-67增殖指数之间的相关性。结果小细胞肺癌脑转移瘤组的ADCmin、ADCmean、rADCmin及rADCmean值均小于非小细胞肺癌脑转移瘤组,组间差异均具有统计学意义(P<0.05)。各ADC值均能对小细胞肺癌脑转移瘤及非小细胞肺癌脑转移瘤进行有效鉴别,其中rADCmean值的鉴别诊断效能最好,曲线下面积(area under the curve,AUC)为0.950[95%置信区间(confidence interval,CI):0.907~0.994],最佳截断值为0.955,相应的敏感度和特异度分别为96.23%、83.87%,准确度为91.67%。小细胞肺癌脑转移瘤组的Ki-67增殖指数大于非小细胞肺癌脑转移瘤组,组间差异具有统计学意义(P<0.05)。61例肺癌脑转移瘤患者的ADCmin、ADCmean、rADCmin及rADCmean值均与Ki-67增殖指数呈不同程度的负相关(r=-0.506、r=-0.480、r=-0.569、r=-0.541)。结论ADC值可以对肺癌脑转移瘤的组织学分型进行鉴别诊断,并可以预测Ki-67增殖指数的表达水平。
文摘目的:利用数字乳腺断层摄影(digital breast tomosynthesis,DBT)评估病变边缘方面的优势,探讨DBT图像的毛刺征象与Ki-67增殖指数的关系。方法:回顾并纳入2022年3月—2023年4月于郑州大学第一附属医院就诊的99例浸润性乳腺癌患者的DBT影像学资料,所有患者在DBT图像中均表现为毛刺型肿块。对99例乳腺毛刺型肿块的肿块大小、毛刺的长度和宽度、肿瘤边缘毛刺的覆盖情况及毛刺的数量进行分析,并收集患者的一般临床资料,比较各参数在Ki-67增殖指数之间的差异。采用多因素logistic回归分析Ki-67增殖指数的独立预测因素,并采用受试者工作特征曲线评价其诊断效能。结果:Ki-67增殖指数高低患者之间DBT图像毛刺特征,包括毛刺长度与毛刺宽度比较差异均有统计学意义(P<0.05),而毛刺数量、患者年龄、绝经状态及肿块大小差异无统计学意义(P=0.060,P=0.175,P=0.507,P=0.050)。多因素logistic回归模型分析显示,毛刺长度(OR=0.036,P<0.001)、毛刺宽度(OR=8.829,P<0.001)为Ki-67增殖指数的独立预测因素。将毛刺长度与毛刺宽度联合后,诊断效能最好,AUC为0.897。结论:乳腺癌DBT图像中的毛刺征分析可作为一种无创预测恶性肿瘤增殖活性的方法,从而判断患者的预后。
文摘目的:探讨表观弥散系数(apparent diffusion coefficient,ADC)鉴别诊断脑膜瘤组织病理学分级的价值及其与Ki-67增殖指数的关系。方法:回顾并分析经术后病理学检查证实为脑膜瘤的51例患者资料,根据世界卫生组织(World Health Organization,WHO)病理学分级分为低级别脑膜瘤(low-grade meningioma,LGM)组45例和高级别脑膜瘤(high-grade meningioma,HGM)组6例,计算平均ADC(ADC_(mean))、最小ADC(ADC_(min)),以及两者相对值(rADC_(mean)、rADC_(min))。比较两组ADC_(mean)、ADC_(min)、rADC_(mean)、rADC_(min)的差异。绘制受试者工作特征(receiver operating characteristic,ROC)曲线评估ADC各参数的鉴别诊断效能,并采用DeLong检验比较ROC曲线的曲线下面积(area under the curve,AUC)的差异。采用Spearman相关分析评估ADC各参数与Ki-67增殖指数之间的相关性。结果:LGM组的ADC_(mean)、ADC_(min)、rADC_(mean)及rADC_(min)均高于HGM组,组间差异有统计学意义(P<0.05)。4种ADC参数均有较好的诊断效能,DeLong检验显示AUC两两比较差异均无统计学意义(P>0.05),其中ADC_(min)的鉴别诊断效能最高,其最佳截断值为0.657×10^(-3)mm^(2)/s,灵敏度为66.67%,特异度为95.56%。ADC_(mean)、ADC_(min)、rADC_(mean)及rADC_(min)均与Ki-67增殖指数呈负相关(P<0.05)。结论:ADC有助于术前预测脑膜瘤的病理学分级及Ki-67增殖指数,可为临床诊疗提供支持。
文摘目的根据初次确诊垂体神经内分泌肿瘤(pituitary neuroendocrine tumors,PitNETs)患者ki-67指数升高的危险因素的验证结果,构建术前预测瘤体组织ki-67指数的预测模型。方法采用病例-对照研究设计方案,收集2015年1月至2019年12月在陆军军医大学第二附属医院初次确诊的449名PitNETs患者术前的临床资料及瘤体组织标本病理结果。以7∶3的比例随机分为训练集(n=314)和验证集(n=135)。以ki-67表达水平≥3%为标准分为低水平组和高水平组,分析比较两组患者的临床资料。在训练集中进行多因素LASSO回归和二元Logistic回归识别ki-67指数的独立危险因素并构建列线图,应用受试者操作曲线下面积(area under the subject curve,AUC)、校准曲线(采用1000次的Bootstrap法获得)和决策曲线(decision curve analysis,DCA)来评估该模型的预测效能;在验证集中进行外部验证。结果经LASSO回归和二元Logistic回归筛选后结果显示:年龄(OR=0.97,95%CI:0.95~0.99)、肿瘤最大直径(OR=1.56,95%CI:1.21~2.03)及游离甲状腺素(free thyroxine,FT4;OR=0.93,95%CI:0.87~0.99)为ki-67指数升高的独立危险因素,并根据上述3个变量构建列线图模型;该模型在训练集和验证集中的AUC分别为0.692(95%CI:0.6294~0.7551)和0.691(95%CI:0.5913~0.7901),校准曲线均显示预测值与实测值拟合性良好,临床决策曲线表明在0.1~0.35阈值范围内有净收益率提示该模型有一定临床意义。结论初诊PitNETs患者的年龄、肿瘤最大直径及FT4为ki-67指数升高的独立危险因素;构建列线图模型在术前预测出ki-67指数表达水平的区分度和校准度较高,对手术方案选择和术后管理有一定帮助。
