多参数磁共振成像在脑胶质瘤中的应用研究

目的探讨多参数磁共振成像(MRI)在脑胶质瘤中的临床应用价值。方法 80例脑胶质瘤患者,均进行颅脑MRI平扫、弥散加权成像(DWI)、磁共振灌注成像(PWI)、定量动态对比加强磁共振(DCE-MRI)、多体素共振波谱(MRS)、扩散张量成像(DTI)。按照不同恶化情况分为低级别组(n=36)及高级别组(n=44),①统计两组各向异性分数(FA)、平均扩散系数(DCavg)、表观扩散系数(ADC)、胆碱(Cho)/N-乙酰天门冬氨酸(NAA)及胆碱(Cho)/肌酸(Cr);②统计两组渗透性参数(K^trans)、血液回流常数(kep)、血浆容积(vp)、脑血流量(CBF)、脑血容量(CBV)及平均通过时间(MTT);③统计两组患者肿瘤实质部分相对脑血容量(rCBVt)、相对脑血流(rCBFt),肿瘤周围水肿部分rCBVe、rCBFe;④统计上述指标诊断阈值及多种参数MRI联合诊断效能。结果①高级别组Cho/NAA、Cho/Cr水平高于低级别组,ADC水平低于低级别组(P<0. 05),ADC诊断阈值为1. 02×10^-3mm^2/s,ROC下面积0. 905;Cho/NAA诊断阈值为2. 03,ROC下面积0. 787;Cho/Cr诊断阈值为2. 10,ROC下面积0. 810。②高级别组K^trans、CBF、CBV高于低级别组(P<0. 05),K^trans诊断阈值为0. 25 mm^2/s,ROC下面积0. 782;CBF诊断阈值为1. 51 ml/(g·min),ROC下面积0. 870;CBV诊断阈值为0. 19 ml/g,ROC下面积0. 742。③高级别组rCBVt、rCBFt、rCBVe、rCBFe水平高于低水平组(P<0. 05),rCBVt诊断阈值为2. 33 ml/g,ROC下面积0. 833;rCBFt诊断阈值为2. 08 ml/(g·min),ROC下面积0. 843;rCBVe诊断阈值为1. 04 ml/g,ROC下面积0. 784;rCBFe诊断阈值为0. 96 ml/(g·min),ROC下面积0. 813。④多种参数MRI联合诊断效能准确率为92. 50%,灵敏度94. 44%,特异度90. 91%。结论多参数MRI可对脑胶质瘤进行有效分级。

核磁共振多参数成像技术在前列腺癌患者诊断中效果研究

研究在前列腺癌患者中应用核磁共振多参数成像技术的应用效果。方法 于我院接受手术或病理活检确诊的前列腺癌患者中随机抽取28例作为观察组,随机抽取前列增生患者28例作为对照组,以病理诊断结果为金标准,对比两组MRI检查指标,并统计MRI多参数诊断效能。结果 观察组DWI信号强度、ADC值显著低于对照组(P<0.05)。T2WI诊断效能和DWI诊断效能无明显差异(P>0.05)。联合诊断诊断效能显著高于T2WI和DWI(P<0.05),和病理诊断结果无明显差异(P>0.05)。结论 采取MRI多参数成像诊断可有效提高前列腺癌的诊断准确率、敏感度和特异度,具有较高诊断效能,为术前诊断提供支持。

多参数MRI联合PSA结合机器学习对前列腺中央区良恶性结节的诊断价值分析

目的分析多参数核磁共振成像(MRI)联合前列腺特异性抗原(PSA)结合机器学习对前列腺中央区良恶性结节的诊断价值。方法回顾性分析2018年6月至2021年6月期间于医院进行前列腺多参数MRI检查的135例患者临床资料,包括前列腺癌患者62例和前列腺增生患者73例,应用MaZda软件提取T_(2)WI、表观扩散系数(ADC)图像纹理特征,分别构建PSA与T_(2)WI、ADC图像纹理特征的数据库,并分析基于T_(2)WI、ADC纹理特征以及PSA的逻辑回归(LR)、支持向量机(SVM)和K邻近(KNN)机器学习模型诊断前列腺中央区良恶性结节的效能。结果基于T_(2)WI纹理特征以及PSA的3种机器学习模型LR、SVM、KNN测试集AUC分别为0.782、0.777、0.772,基于ADC纹理特征以及PSA的3种机器学习模型LR、SVM、KNN测试集AUC分别为0.906、0.877、0.889,基于ADC纹理特征以及PSA的3种机器学习模型的AUC高于T_(2)WI,且LR模型具有最理想的诊断效能。结论多参数MRI联合PSA结合机器学习在前列腺中央区良恶性结节诊断中具有良好的应用价值,且构建基于ADC纹理特征以及PSA的机器学习模型LR更加有助于鉴别诊断前列腺中央区良恶性结节,继而提高诊断效能。

前列腺多参数MRI PI-RADS评分在PSA4~20ng/ml区间对前列腺癌的诊断价值

探讨前列腺多参数磁共振成像(mp-MRI)PI-RADS评分在前列腺特异性抗原(PSA)4~20ng/ml中对前列腺癌(PCa)的诊断价值。方法 本研究回顾性分析了单一中心2018年1月~2020年6月行经直肠前列腺穿刺活检与前列腺mp-MRI的患者共计147例。根据穿刺病理结果分为PCa组和前列腺增生(benign prostate hyperplasia, BPH)组,分析其年龄、BMI、前列腺特异抗原密度(prostate specific antigen density, PSAD)、DRE、PI-RADS评分等临床资料。再根据PSA值将患者分为4.0~10.0ng/ml和10.1~20.0ng/ml两个亚组,比较不同PI-RADS评分的穿刺活检阳性率。结果 本研究共入组147例患者,分别为48例PCa患者和99例BPH患者,PCa组与BPH组比较,PSAD有明显统计学差异,年龄、BMI、前列腺体积、PSA比值、DRE、PI-RADS无明显差异。PSA4.0~10.0ng/ml亚组随着PI-RADS评分的升高,穿刺阳性率明显提升;PSA 10.1~20.0ng/ml亚组在PI-RADS评分为5的时候穿刺阳性率大大增加,而3分,4分也较1~2分的穿刺阳性率明显增加;PSA4.0~20.0ng/ml区间穿刺阳性率随着PI-RADS评分的增高,阳性率逐渐提升。PI-RADS评分、PSA的最佳临界点均为4分。结论 PI-RADS评分在PSA4.0~20.0ng/ml区间对PCa有较好的诊断效能且PI-RADS评分在PSA 4.0~20.0ng/ml区间内对PCa的诊断价值要高于PSA。PI-RADS评分在PSA 4.0~20.0ng/ml区间内是PCa的独立预测因子。

人工智能在前列腺癌早期诊断中的研究进展

目前,前列腺癌早期诊断主要依赖于多参数核磁共振(Multiparametric Magnetic Resonance Imaging, mpMRI)的图像鉴定以及Gleason分级上,但由于临床医生主观差异导致前列腺癌的诊断不足或过度诊断,因此前列腺癌诊断效能亟需提升。人工智能(artificial intelligence, AI),尤其是机器学习和深度学习近年来在医疗领域得到快速发展。因此本文综述了AI技术在前列腺癌早期诊断的研究进展。首先概述了AI技术的相关研究方法,其次综合分析了AI技术在前列腺癌mpMRI行病变检测及分类以及前列腺活检后Gleason分级中的研究进展,最后阐述了AI在医疗领域的未来发展方向。

PSAD联合PI-RADS v2.1评分在PSA 4-20ng/ml的前列腺癌中的诊断价值

评价前列腺成像报告和数据系统V2.1(PI-RADS v2.1)联合前列腺特异性抗原密度(PSAD)和多参数磁共振成像(mp-MRI)在PSA特定区间(4-20ng/ml)中前列腺癌(Prostate Cancer PCa)的诊断价值。方法 选取207例PSA在4-20 ng/ml区间内的病例为研究对象进行回顾性研究,收集并计算前列腺特异性抗原值(TPSA)、前列腺体积(PV)、PSAD等相关病例资料,并结合mp-MRI结果进行相应的PI-RADS v2.1评分。以病理结果为诊断的金标准,分别比较PSAD、PI-RADS V2.1及PSAD&PI-RADS v2.1对PCa的诊断效能。结果 以前列腺穿刺活检病例结果作为参照,PV、PI-RADS和PSAD与PCa的发生有统计学意义。二元Logistic回归分析显示PI-RADS是PCa的最优预测因子(OR=3.019,P<0.001)。经受试者特征性工作曲线(ROC)分析,PSAD&PI-RADS v2.1与PSAD、PI-RADS v2.1相比,在预测PCa的曲线下面积(AUC=0.839)最大,诊断效能最佳,阳性判断值(cut-off)为0.568,敏感性为79.34%,特异性为74.42%。结论 使用PI-RADS v2.1将PSAD与mp-MRI相结合,可以提高PSA特定区间(4-20ng/ml)中PCa检出率。

英国前列腺癌诊疗路径介绍

前列腺癌是英国男性肿瘤中发病率最高的恶性肿瘤[1],伦敦大学医学院(University College London Hospital,UCLH)是英国最大的前列腺癌诊疗中心。笔者结合自己2017至2018年在该医院泌尿外科前列腺癌机器人手术组和局部治疗组的工作经验,介绍前列腺癌患者在英国的诊疗路径。一、NHS免费医疗制度和违规(Breach)制度英国的国民保健服务体系(National Health Service,NHS)是在二战后1948年建立,是英国国民评价第一的政府系统[2]。