基于动态增强磁共振成像的影像组学模型对肉芽肿性乳腺炎与乳腺癌的鉴别诊断价值

目的探讨基于动态增强磁共振成像的影像组学模型对肉芽肿性乳腺炎与乳腺癌的鉴别诊断价值。资料与方法回顾性收集2019年2月—2022年1月于中国中医科学院西苑医院经病理证实为肉芽肿性乳腺炎和乳腺癌的患者MRI资料共82例,基于动态增强磁共振成像增强扫描第一期图像,分别用半自动分割法和手工逐层勾画分割感兴趣区,随机分配99个感兴趣区到训练组69个,测试组30个,比较两种方法所提取数据组间一致性差异。将半自动分割法所提取原始数据通过相关性分析和多因素逻辑回归法进行特征筛选。采用6种分类器(逻辑回归、支持向量机、朴素贝叶斯、决策树、随机森林、K最邻近)构建预测模型,评估各模型的诊断效能、准确度、敏感度和特异度的差异。结果82例患者共分割出99个病灶(肉芽肿性乳腺炎37个,乳腺癌62个)。采用两种感兴趣区分割法所提取影像组学数据组间一致性欠佳[组内相关系数为0.68(0.51,0.78)]。半自动分割法所提取数据构建的6个预测模型中,逻辑回归模型和支持向量机模型诊断效能显著优于其他模型,逻辑回归模型诊断效能和稳定性最佳(训练组:曲线下面积0.928,准确度0.855,敏感度0.837,特异度0.885;测试组:曲线下面积0.933,准确度0.833,敏感度0.895,特异度0.727)。结论基于动态增强磁共振成像的影像组学可以为肉芽肿性乳腺炎与乳腺癌的鉴别诊断提供较高价值。感兴趣区的分割方法更推荐半自动分割法,逻辑回归和支持向量机构建的预测模型具有更好的诊断效能和稳定性。

前列腺癌患者神经微环境潜在磁共振成像影像标志物的研究现状

前列腺癌(prostate cancer,PCa)是全球男性中患病最多、致死率第二高的癌症。PCa神经微环境与肿瘤进展、手术根治程度及术后复发密切相关,但具体机制尚不明确。神经微环境中的神经密度(neural density,ND)、神经周围侵袭(perineural invasion,PNI)以及神经内分泌特征(neuroendocrine features,NEF)与TMPRSS2 ERG基因、单胺氧化酶A(monoamine oxidase A,MAOA)、核因子κB,神经营养因子以及神经肽Y(neuropeptide Y,NPY)等的表达密切相关。挖掘与该基因组学及蛋白组学相关的影像标志物可以早期识别PCa神经微环境从而影响临床诊疗方案。基于多参数磁共振成像(multiparameter magnetic resonance imaging,mp-MRI)影像组学特征可以识别PNI及NEF的潜在影像标志物。基于磁粒子成像技术(magnetic particle imaging,MPI)、深度神经网络(deep neural network,DNN)图像分类模型可以进行神经可视化。新兴神经影像技术弥散张量成像(diffusion tensor imaging,DTI)、扩散频谱成像(diffusion spectrum imaging,DSI)、神经突定向扩散与密度成像(neurite orientation dispersion and density imaging,NODDI)以及基于吩噁嗪的近红外荧光团的设计合成与神经成像技术,在显示及预测ND、PNI、NEF也蕴含着独特的价值。本文就PCa患者神经微环境潜在影像标志物的研究现状进行综述,以进一步揭示PCa神经微环境的神经生理机制,为后续诊疗过程及改善患者预后提供影像学依据。

多模态磁共振成像图像中定量特征构建影像组学模型对乳腺癌诊断价值分析

目的 分析多模态磁共振成像(MRI)图像中定量特征构建影像组学模型对乳腺癌诊断价值。方法选择2020年1月至2021年1月乳腺相关疾病患者95例,以病理诊断结果分为良性组(57例)及恶性组(38例);病例纳入时间分为训练组(66例)及验证组(29例)。均经T_1加权成像(T_1WI)、T_2加权成像(T_2WI)、扩散加权成像(DWI)、动态对比增强(DCE)、表观弥散系数(ADC)多模态MRI检查,比较2组患者临床病理资料,MRI检查结果与病理结果进行对照分析,提取多模态病灶相关影像组学参数,采用支持向量机(SVM)分类器基于训练组患者单一、多影像组学指标构建诊断乳腺癌影像组学模型,通过验证组分析模型诊断效能,诊断效能通过构建受试者工作特征(ROC)曲线进行分析。结果良性乳腺疾病中纤维腺瘤占比49%;恶性乳腺疾病中浸润性导管癌占比74%。恶性组患者年龄、肿块大小高于良性组(P<0.05)。采用四格表法分析发现,T_1WI、T_2WI、ADC、DCE、DWI诊断乳腺癌的灵敏度为61%、67%、71%、79%、86%。从训练组患者病灶感兴趣区(ROI)提取平扫、扩散、增强等MRI检查提取形态特征、一阶特征、纹理特征3种特征。ROC曲线分析发现,T_1WI、T_2WI、DWI、ADC、DCE联合诊断乳腺癌的曲线下面积(AUC)分别为0.715、0.769、0.785、0.835、0.792。平扫、扩散、增强、平扫+扩散、平扫+增强、增强+扩散、平扫+增强+扩散等多影像组学模型诊断乳腺癌的AUC分别为0.746、0.798、0.816、0.839、0.890、0.906、0.927。结论通过多模态MRI图像中定量特征构建影像组学模型在诊断乳腺癌方面具有一定价值,其中平扫+增强+扩散等多影像组学模型诊断乳腺癌的价值更高,可在临床广泛应用。

磁共振成像与多层螺旋CT诊断对胃癌术前N分期及淋巴结转移的诊断效能及影像学特点分析

目的 分析磁共振成像(MRI)与多层螺旋CT(MSCT)诊断对胃癌术前N分期及淋巴结转移的诊断效能及影像学特点。方法 本研究选取我院2020年1月至2022月12月接收的132例胃癌患者,所选患者均接受MRI扫描与MSCT扫描检查,统计分析MRI扫描与MSCT扫描对胃癌的术前N分期、淋巴结转移情况的诊断准确率。结果 MRI及MSCT对患者术前N分期的诊断结果比较差异无统计学意义(P>0.05)。MRI诊断中,发生淋巴结转移患者的相对表观扩散系数(rADC)低于未发生淋巴结转移的患者组(P<0.05),MSCT诊断中,发生淋巴结转移患者的rADC与未发生淋巴结转移的患者组比较更高(P<0.05)。ROC曲线分析结果表明,MRI对淋巴结转移诊断的r ADC阈值为0.78时曲线下面积为0.809,灵敏度为78.5%,特异度为54.8%。MSCT淋巴结转移诊断的强化程度阈值为36.22 Hu时曲线下面积为0.882,灵敏度为77.3%,特异度为91.8%。结论 MRI与MSCT诊断对胃癌术前N分期及淋巴结转移均具有较高的诊断效能。

动态对比增强磁共振成像定量参数及影像组学特征早期预测乳腺癌新辅助化疗疗效的研究进展

近年来,新辅助化疗(NAC)已经成为局部进展期乳腺癌的标准治疗方法。早期预测乳腺癌NAC疗效及鉴别治疗无反应者,有助于临床选择合适的化疗方案,以免患者接受无效治疗和发生不良反应,还可以避免术后盲目使用化疗药物,为临床制订个体化治疗方案提供参考依据。动态对比增强磁共振成像(DCE-MRI)定量参数被广泛应用于乳腺癌NAC疗效的评估中。影像组学可以评估肿瘤的异质性,具有重要的临床研究价值,是目前研究的热点。本文对DCE-MRI定量参数及影像组学特征早期预测乳腺癌NAC疗效的研究进展进行综述。

基于不同磁共振成像技术的影像组学在乳腺病变鉴别诊断中的应用

乳腺癌是女性最常见的恶性肿瘤,在中国女性肿瘤发病中居于首位。目前乳腺磁共振成像(magnetic resonance imaging,MRI)已经被广泛应用于乳腺检查中,且较其他影像学检查具有显著优势。影像组学是近十年来研究的热点,可提取出人眼识别不了的影像特征,为乳腺病变提供定性诊断。基于MRI的影像组学在乳腺良恶性病变的鉴别中具有显著价值,本综述主要详细阐述了基于不同MRI技术的影像组学在乳腺病变中的应用,回顾了近年来基于不同MRI的影像组学研究进展,以及这些技术在乳腺病变的诊断与鉴别等方面的价值。本综述能够为乳腺病变的诊断与鉴别等提供有效信息,为乳腺病变的个性化治疗方案提供重要参考,助力尽早实现精准医学。

心脏磁共振影像组学对肥厚型心肌病的价值研究

目的初步探索基于心脏磁共振(cardiovascular magnetic resonance,CMR)影像组学揭示肥厚型心肌病(hypertrophic cardiomyopathy,HCM)患者心肌病变影像组学特征的临床应用价值。材料与方法回顾性分析宁夏医科大学总医院2018年1月1日至2022年12月31日确诊为HCM的患者142例及健康对照组72例的CMR影像及临床资料。选择CMR未增强亮血电影序列左心室长轴位两腔心、四腔心二尖瓣口水平切面,以舒张末期壁厚(end-diastolic wall thickness,EDWT)为基础,将HCM患者心肌分为肥厚区域(无HCM家族史,EDWT≥15 mm;有HCM家族史,EDWT≥13 mm)与非肥厚区域(无HCM家族史,EDWT<15 mm;有HCM家族史,EDWT<13 mm),和健康对照组在室间隔、心尖、左心室侧壁、左心室前壁及左心室下壁等相同解剖部位室壁分别进行感兴趣区(region of interest,ROI)勾画及影像组学特征提取,分组后行影像组学特征组间比较。采用Mann-Whitney U检验、递归特征消除法(recursive feature elimination,RFE)及最小绝对收缩与选择算法(least absolute shrinkage and selection operator,LASSO)进行影像组学特征筛选并使用支持向量机(supportvector machine,SVM)算法建立影像组学模型,最后计算准确度、敏感度、特异度、阳性预测值(positive predictive value,PPV)、阴性预测值(negative predictive value,NPV)受试者操作特征曲线下面积(area under the curve,AUC),分别评价各模型效能;并统计分析HCM患者及健康对照组临床资料。结果(1)HCM组的左心室收缩末期容积(left ventricular end systolic volume,LVESV)、LVESV指数(LVESV index,LVESVI)、左心室舒张末期室壁质量(left ventricular end diastolic wall mass,LVED wall mass)、左心室舒张末期室壁+乳头肌质量(left ventricular end diastolic wall+papillary mass,LVED wall+papillary mass)、左心室收缩末期室壁质量(left ventricular end systolic wall mass,LVES wall mass)、左心室收缩末期室壁+乳头肌质量(left ventricular end systolic wall+papillary mass,LVES wall+papillary mass)、舒张末期左室壁最大厚度(left ventricular maximum wall thickness,LVMWT)均高于健康对照组(P<0.05)。(2)HCM患者肥厚区域、非肥厚区域与健康对照组左心室相同解剖部位室壁影像组学鉴别模型鉴别效果良好;HCM非肥厚区域组(左心室前壁)与HCM肥厚区域组(左心室前壁)影像组学鉴别模型为本研究的最优模型,其AUC值、准确度、敏感度、特异度、PPV及NPV在训练集中为0.98、93%、94%、92%、89%、96%;在测试集中为0.97、94%、92%、96%、92%、96%。结论影像组学可通过深入全面的定量分析HCM患者不同病变状态心肌组织,为评估HCM患者心肌组织学改变提供客观敏感的新方法,有助于更准确地评估HCM患者病情、提高CMR检查效率及减少检查费用,有望为探寻方便快捷检测心肌组织学状态的人工智能技术开发及临床应用提供新思路。

基于不同扩散模型参数图的影像组学分析磁共振早期诊断临床显著性前列腺癌的价值

目的旨在探讨基于磁共振单指数和扩散峰度模型功能参数图的影像组学分析早期诊断临床显著性前列腺癌(clinically significant prostate cancer,csPCa)的价值。材料与方法回顾性地分析2022年4月至2023年7月就诊于马鞍山市人民医院的前列腺疾患病例238例,经超声下引导穿刺或手术病理证实,其中csPCa 96例、非临床显著性前列腺癌(non-clinically significant prostate cancer,ncsPca)142例,年龄56~84(62.34±7.62)岁。将238例患者按照7∶3的比例进行随机分组为训练集和测试集。所有患者均行MRI多参数扫描,通过后处理生成表观扩散系数(apparent diffusion coefficient,ADC)伪彩图,并得到扩散峰度模型中的平均扩散峰度(mean kurtosis,MK)和平均扩散系数(mean diffusivty,MD)伪彩图,图像预处理后,提取各个功能参数图的共计1056个组学特征,对ADC、MD和MK模型的数据采用最大相关最小冗余(maximum relevance minimum redundancy,MRMR)算法和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)消除冗余、进行特征降维,保留与标签高相关的特征,应用10倍交叉验证后得到特征子集。最终ADC模型筛选出5个组学特征,MD模型筛选出6个组学特征,MK模型筛选出6个组学特征,建立逻辑回归模型,分别计算临床模型、影像学模型和临床-影像学联合模型的阈值、准确度、敏感度、特异度,绘制受试者工作特征(receiver operating characteristic,ROC)曲线并计算曲线下面积(area under the curve,AUC)及95%置信区间(confidence interval,CI),利用DeLong检验对各个模型进行两两组合,比较两组间的AUC值是否具有统计学意义,进一步使用决策曲线分析(decision curve analysis,DCA)评估模型的净获益。结果临床模型在训练集中的AUC、特异度和敏感度分别为0.840(95%CI:0.778~0.901)、78.7%、76.8%,在测试集中分别为0.675(95%CI:0.539~0.812)、79.0%、59.2%。影像学模型中ADC模型在训练集中的AUC、特异度和敏感度分别为0.927(95%CI:0.890~0.964)、81.9%、86.9%,在测试集中分别为0.909(95%CI:0.835-0.983)、90.6%、84.1%;MD模型在训练集中的AUC、特异度和敏感度分别为0.934(95%CI:0.899~0.969)、85.1%、84.0%,在测试集中分别为0.960(95%CI:0.910~1.000)、93.0%、85.1%;MK模型在训练集中的AUC、特异度和敏感度分别为0.935(95%CI:0.900~0.971)、90.4%、84.0%,在测试集中分别为0.856(95%CI:0.770~0.941)、81.3%、66.6%。临床-影像学联合模型在训练集中的AUC、特异度和敏感度分别为0.946(95%CI:0.912~0.980)、88.2%、89.8%,在测试集中分别为0.963(95%CI:0.925~1.000)、93.0%、85.1%。DeLong检验结果显示影像学模型和临床-影像学联合模型两两比较差异均无统计学意义(P>0.05),临床模型与其他两个模型的AUC值差异具有统计学意义(Z=2.836,P=0.004)。DCA显示各个模型的阈值概率在0.1~1.0范围内,对临床有净获益,不同模型对csPCa的诊断均具有较高的诊断效能,以临床-影像学联合模型的诊断效能最高。结论MRI单指数、扩散峰度模型功能参数图的影像组学分析技术是csPCa的有效检出方法,构建的临床-影像学联合模型对csPCa具有较高的诊断价值,能够为临床早期诊断和治疗提供相关技术支持。

化学交换饱和转移磁共振对比剂及其影像学特性

目的:寻找具有合适化学交换位点的小分子化合物作为磁共振对比剂并探讨其CEST特性和潜在应用价值。方法:初步筛选18种小分子化合物,通过磷酸盐缓冲液制备成试管模型。利用7.0 T磁共振成像仪上的CEST序列进行数据采集。利用MATLAB平台上工程师编辑的程序脚本进行数据后处理。采用GraphPad Prism软件中的pearson相关性分析方法对数据结果进行统计学分析。结果:除生物素外,所测试的一系列小分子物质均具有CEST特性。L-苯丙氨酸、盐酸多巴胺和奥沙拉秦钠的最佳化学交换位点分别为2.65 ppm、2.6 ppm和9.8 ppm,CEST效应的大小与饱和能量呈正相关,与pH值呈负相关(P<0.05)。3-硝基-4氨基苯酚和硫普罗宁的化学位移偏移位点分别位于1.65 ppm和-2.5 ppm,其CEST效应的大小与pH值无显著相关性(P>0.05)。2,5-二羟基苯酚和5-氨基水杨酸具有2个化学交换位点,分别为1.8 ppm、8.5 ppm和1.0 ppm、8.0 ppm,最适pH值为6.8。其它小分子物质,如丙烯酰胺(2.75 ppm)、L-半胱氨酸(-2.75 ppm)、内消旋-2,3-二巯基丁二酸(-2.5 ppm)、血卟啉(-12.5 ppm)、水杨酸(9.3 ppm)、环糊精(0.5 ppm)、透明质酸(1.0 ppm)、叶酸(1.8 ppm)、3,5-二羟基苯甲酰胺(1.8 ppm)和谷胱甘肽(-2.75 ppm和3.0 ppm),由于分子结构不同,各自的CEST特性亦不同。结论:我们通过一小群初步筛选的候选物,证明了具有CEST效应的一类小分子化合物具有作为非金属依赖性磁共振对比剂的潜力。水杨酸及其类似物是一类非常理想的外源性CEST对比剂候选物。总之,每种小分子物质都有其独特的CEST特性,未来可以有针对性设计其潜在应用价值。

基于磁共振T2WI影像组学模型对胎盘植入性疾病进行产前诊断及分型

目的探讨基于磁共振T2WI的影像组学模型在产前预测胎盘植入性疾病(placenta accreta spectrum disorders,PAS)及其亚型的应用价值。材料与方法回顾性分析了2018年1月至2023年1月在北京妇产医院住院分娩的193例单胎妊娠孕妇数据,其中PAS 134例,非PAS 59例,所有患者根据同一分型的总数按2∶1的比例随机划分为训练集和测试集。在T2WI序列图像提取影像组学特征,Pearson相关系数和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归用于特征筛选,基于筛选后的特征构建PAS预测模型。然后,计算便于临床应用的影像组学评分评估PAS分型,使用单因素分析与多因素分析进一步分析其他潜在的临床危险因素,包括年龄、孕周、此前孕次、此前产次、此前剖宫产次数、胎盘问题(前置胎盘)和既往子宫手术史,选择临床主要风险因素建立基于影像组学评分和临床特征的临床-影像组学模型并绘制诺莫图。通过受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)评估模型的预测性能,采用DeLong检验比较模型间的预测效能,校准曲线用于评估预测模型的校准程度,决策曲线用于评估预测模型临床价值。结果在T2WI序列图像上提取了806个影像组学特征,经过Pearson相关分析后保留147个影像组学特征,经LASSO回归处理后筛选出10个影像组学特征,基于影像组学特征构建影像组学模型。影像组学模型的训练集AUC值为0.933(95%CI:0.888~0.978),准确率为88.37%,敏感度为88.78%,特异度为87.10%,阳性预测值(positive predictive value,PPV)为95.60%,阴性预测值(negative predictive value,NPV)为71.05%;测试集AUC值为0.914(95%CI:0.835~0.993),准确率为89.06%,敏感度为90.91%,特异度为85.00%,PPV为90.00%,NPV为80.95%。校准曲线和决策曲线表明模型具有较高性能和潜在临床应用价值。影像组学评分对穿透性胎盘植入具有较强的识别能力,训练集和测试集准确率分别为82.95%、89.06%,敏感度和NPV在训练集和测试集都达到了100.00%,特异度分别为81.35%、88.33%。同时,本研究成功构建了临床-影像组学模型并绘制诺莫图用于可视化预测患者的PAS,训练集中临床-影像组学模型的AUC值为0.969(95%CI:0.946~0.993),测试集中AUC值为0.976(95%CI:0.947~1.000)。DeLong检验测试结果表明两模型性能存在显著性差异(P<0.05),临床-影像组学模型具有更好的性能表现。结论基于临床特征及影像组学评分构建的临床-影像组学模型预测效能较好,可作为产前预测是否存在PAS的方法。且影像组学评分对PAS亚型具有较好的鉴别能力,尤其是对于穿透性胎盘植入。

基于磁共振影像组学和语义特征对高级别胶质瘤和转移瘤的鉴别研究

目的本研究旨在结合传统MRI序列及增强检查,提取多模态高通量影像组学特征并联合语义特征,使用不同的机器学习分类器构建不同的模型并绘制列线图来鉴别高级别胶质瘤(high-grade glioma,HGG)和单发性脑转移瘤(solitary brain metastasis,SBM)。材料与方法本研究对101名患者的多参数MR图像进行了回顾性分析,由两位资深医师标定肿瘤感兴趣区,然后对每个序列分别提取影像组学特征后进行组合,共提取428组影像组学特征。为消除人为标定差异,进行组内相关系数一致性检验,并运用最大相关最小冗余算法选取最具相关性的特征,然后进一步通过最小绝对收缩和选择算子算法筛除冗余特征。本研究采用支持向量机、逻辑回归、随机森林及K近邻四种算法建立分类模型。结合放射科医生评估的七项语义特征,通过卡方检验和多因素分析去除差异无统计学意义的语义特征。然后结合组学特征建立综合模型并绘制列线图。最终,评价各模型的诊断能力,以确定最优分类器。结果HGG及SBM患者建立的影像组学模型中LR的受试者工作特征曲线下面积(area under the curve,AUC)值最高,训练集与测试集分别为0.90和0.90。语义特征建立的模型中随机森林模型性能最好,训练集和测试集AUC分别为0.82和0.87。语义特征联合影像组学评分后采用逻辑回归建立的模型性能最好,训练集和测试集AUC分别为0.91和0.92。结论本研究使用影像组学机器学习分类器并联合其他图像语义特征绘制列线图对HGG及SBM进行鉴别,这是一种非侵入性方法,具有较好的准确性,为临床决策和实践提供了较大的帮助。

低场强磁共振成像系统的发展简史及其在神经系统疾病中的应用和展望

近10年来,高场强MRI系统在医学领域的应用和研究不断深入,但其安装和扫描条件要求较高,运行成本昂贵,限制了其在基层医院的普及。相比之下,低场强(0.01~1.0 T)MRI虽然成本较低,但因其成像性能欠佳,也未能在临床实践中发挥更大的作用。随着技术的不断发展,目前低场强MRI有望实现类似于高场强MRI系统的各种应用,通过优化软件、硬件设计和技术革新,低场强MRI可以在保持成本经济、便于转运优势的同时提高信噪比,达到提高诊断性能,更广泛地应用于临床实际场景的目标。特别是在急重症诊断方面,低场强MRI有望成为脑血管疾病诊断和监测的重要工具之一。本文追溯了低场强MRI的发展历程,对其在神经系统疾病临床应用中的进展进行了综述,旨在为未来低场强MRI技术的发展探寻方向。

磁共振影像组学在阿尔茨海默病中的研究进展

阿尔茨海默病(Alzheimer.sdisease,AD)是一种常见的神经退行性疾病,目前尚无有效的疗法。因此,需要生物标志物用于早期诊断,以控制AD的影响。基于MRI的影像组学是指通过挖掘MRI中的高维特征,利用数据表征算法进行疾病评估^([1])。近来,影像组学在AD各阶段的评估方面取得了一系列进展。2024年Yin等采用海马影像组学使AD和对照组分类的ROC曲线下面积(area under curve,AUC)可达96%。Huang等^([2])创建了整合影像组学和临床量表的列线图,其对轻度认知障碍(mild cognitive impairment,MCI)向AD转换预测的一致性指数达到0.978。

基于T2WI和DWI的磁共振影像组学在术前预测直肠癌壁外血管侵犯的价值研究

目的:探讨基于磁共振(magnetic resonance imaging,MRI)T2加权成像(T2-weighted imaging,T2WI)和弥散加权成像(diffusion-weighted imaging,DWI)的影像组学,在术前预测直肠癌壁外血管侵犯(extramural vascular invasion,EMVI)的诊断效能。方法:回顾性收集2010年1月至2023年6月经术后病理证实为直肠腺癌且术前行直肠MRI扫描的患者168例,按7∶3随机分为训练集和验证集。提取T2WI、DWI的影像组学特征,采用最大相关最小冗余(the maximum relevance minimum redundancy,mRMR)和十倍交叉验证的最小绝对收缩与选择算子(the least absolute shrinkage and selection operator,LASSO)回归分析降维并选择影像组学特征,计算每例患者的影像组学总评分(Radscore),使用Radscore建立影像组学模型。在训练集中,研究纳入了3个临床特征[年龄、性别、术前癌胚抗原(carcinoembryonic antigen,CEA)]和6个磁共振影像学特征[ADC值、浸润深度、肿瘤长度、肿瘤部位、T分期、MRI壁外血管侵犯(magnetic resonance imaging-defined EMVI,mrEMVI)评分],通过单因素、多因素Logistic回归分析建立临床模型。联合Radscore和临床模型的独立危险因素,建立临床-影像组学模型(联合模型)。采用受试者操作特征(receiver operating characteristic,ROC)曲线评估各模型的诊断效能,通过DeLong检验比较不同模型的效能差异,采用校准曲线评估列线图术前预测结果与术后病理真实状况的拟合度,运用决策曲线分析(decision curve analysis,DCA)评价3种模型的临床应用价值。结果:联合模型、临床模型、影像组学模型ROC曲线在训练集和验证集中AUC分别为0.926、0.888、0.756和0.917、0.896、0.782,联合模型的诊断效能最佳。Delong检验显示,在训练集和验证集中,联合模型诊断效能高于影像组学模型(P<0.05);在训练集中,联合模型的诊断效能高于临床模型(P<0.05),但在验证集中差异无统计学意义(P>0.05)。校准曲线显示列线图术前预测结果与术后病理结果一致性良好(P<0.05)。DCA结果表明,当风险阈值概率在0.24~0.77时,联合模型在临床上的获益高于临床模型和影像组学模型。结论:基于T2WI和DWI的MRI影像组学模型术前预测直肠癌EMVI有较高的诊断效能,联合临床模型中独立危险因素构建的临床-影像组学MRI模型(联合模型)进一步提高了诊断效能。

基于多参数磁共振的影像组学模型预测前列腺癌Ki67的表达

目的基于多参数磁共振建立影像组学模型预测前列腺癌Ki67的表达。方法回顾性分析我院2020年12月1日~2023年6月30日经病理证实、磁共振数据完成的PCa患者176例,按照7:3的比例分配到训练组(n=140)及验证组(n=36)。从PACS工作站中导出患者T2加权成像、T2加权脂肪抑制成像、小视野扩散加权成像、表观扩散系数的DICOM图像,在4个序列图像中勾画出病变区域的三维感兴趣区,并提取其中的影像组学特征,使用Spearman相关系数和LASSO回归对特征进行降维和选择,利用筛选出的组学特征建立影像组学模型。利用绘制ROC曲线并计算曲线下面积(AUC),阐述模型的诊断意义,并通过验证组对诊断效能施行验证。结果共提取1834个影像组学特征,最终筛选得到20个组学特征与Ki67表达状态相关。在互相独立创建的8个影像组学模型中,分别为逻辑回归、支持向量机、K-近邻、随机森林、极度随机树、极致梯度提升、轻量级梯度提升机和多层感知机,此中轻量级梯度提升机模型效益最优,训练组的AUC值为0.948(95%CI:0.913~0.982),测试组的AUC值为0.832(95%CI:0.698~0.967)。结论基于多参数磁共振构建的影像组学模型可以预测Ki67表达状况,且轻量级梯度提升机模型最好。

多参数磁共振影像组学列线图在术前可有效预测直肠癌淋巴血管浸润

目的 探讨基于多参数磁共振影像组学结合临床危险因素构建的列线图模型在术前预测直肠癌淋巴血管浸润的价值。方法 回顾性分析蚌埠医学院第一附属医院术前行多参数MRI检查且术后病理证实为直肠腺癌的患者112例,收集患者的临床和盆腔影像资料,以7:3的比例随机分为训练集和验证集。通过单-多因素Logistic回归分析筛选与直肠癌淋巴血管浸润相关的临床独立危险因素;分别于T2WI、扩散加权成像和T1WI增强序列手动勾画感兴趣区并提取影像组学特征,经特征降维筛选最优影像组学特征构建影像组学模型;结合临床预测因子与影像组学评分标签构建列线图模型。采用ROC曲线下面积、校准曲线、决策曲线分析评价模型的预测效能。结果 列线图模型的预测效能最佳,其曲线下面积在训练集和验证集分别为0.876(95%CI:0.799~0.952)、0.769(95%CI:0.600~0.938),显著高于单独影像组学模型(0.818、0.741)和临床模型(0.714、0.548)。结论 本研究构建的列线图模型在预测直肠癌淋巴血管浸润方面具有较高的诊断性能,可以术前为临床决策提供重要指导。

多核磁共振代谢成像在中枢神经系统中的应用

常规的1H-MRI依赖于1H在人体内的丰富含量与广泛分布可提供较高的检测灵敏度,目前已经广泛应用于科研与临床工作中。其他非氢质子核素如钠(23 Na)、磷(31 P)、氘(2H)等多核在监测生命过程中亦具有重要作用,高场多核MRI的发展为医学影像领域带来了新的挑战与机遇。31 P-MRS是最适用于无创检测能量代谢和磷脂代谢的方法,可进行生化反应速率和代谢通量定量以及磷酸化水平测量。23 Na成像可以检测活体组织中的钠分布,提供细胞完整性、钠钾ATP酶活性等重要信息。2H是1H的稳定同位素,其标记化合物可参与1H化合物相同的代谢通路,不仅能定量葡萄糖摄取率,还能对糖代谢通路的多种下游产物进行可视化和精准定量。多核MRS/MRI能对常规的1H-MRI提供补充的病理生理学信息,对探索疾病的发病机制、早期检测、治疗决策、疗效评估等提供了新的研究手段。本文旨在对近年多核磁共振技术在中枢神经系统中的研究进展进行综述。

磁共振影像组学在颅内肿瘤诊断中的应用进展

颅内肿瘤是目前临床常见的疾病,随着人们对医疗期望的提高和精准医疗的倡导,这就对颅内肿瘤的诊断提出了更早、更精准的要求。磁共振成像(magnetic resonance imaging,MRI)因其高分辨率、无辐射、多参数成像的优点成为了临床诊断的优选手段,但是这依然离不开医师传统的主观经验。与视觉观察和主观定性不同,影像组学通过将高维图像信息转化为数学数据,并采用客观和定量的方法进行分析。该文就影像组学流程及其基于MRI图像在颅内肿瘤诊断中的应用进行综述。

基于磁共振的影像组学鉴别高级别胶质瘤和脑转移瘤的研究现状

高级别胶质瘤(high-grade glioma,HGG)和脑转移瘤(brain metastases,BM)是成人最常见的脑肿瘤类型,两种肿瘤的治疗管理措施是不同的,而且由于两者影像学上特征的相似性,如何快速可靠地确定肿瘤的初步特征对临床诊断结果有着重大影响。颅脑磁共振成像(magnetic resonance imaging,MRI)包含大量的解剖特征信息,但是由于HGB和BM在磁共振影像上的有很多相似性,MRI不能准确区分HGB和BM。MRI通过机器学习算法和影像组学可以挖掘和分析肿瘤的异质性,可显著提高MRI区分HGB和BM的准确度,进而用于恶性脑肿瘤患者的临床鉴别诊断和制订患者治疗计划中去,同时避免侵入性组织采样的需要,减少患者脑组织的损伤,提高患者的诊疗体验感,具有较好的研究前景和临床实践指导意义。现就基于MRI的影像组学鉴别高级别胶质瘤和脑转移瘤的研究进展进行简单综述和未来展望。

双参数磁共振影像组学联合PSAD在前列腺癌Gleason分级分组中的应用价值

目的探讨双参数磁共振成像(biparametric magnetic resonance imaging,bpMRI)影像组学联合前列腺特异性抗原密度(prostate-specific antigen density,PSAD)在低、高级别前列腺癌(prostate carcinoma,PCa)中的诊断价值。方法回顾性分析2018年6月至2022年10月台州市中心医院经病理证实为PCa患者的临床及影像资料。根据Gleason分级分组(Gleason grade group,GGG),将GGG≤2定义为低级别PCa,GGG>2定义为高级别PCa。按7∶3比例将不同级别的PCa患者随机分为训练组和测试组。基于T2加权成像(T2 weighted imaging,T2WI)、表观扩散系数(apparent diffusion coefficient,ADC)序列提取影像组学特征,采用最大相关最小冗余、最小绝对收缩和选择算子进行特征选择和降维,并进行5倍交叉验证,保留最佳特征组合构建影像组学模型。通过受试者操作特征曲线(receiver operating characteristic curve,ROC曲线)和Delong检验评估各模型的诊断性能。采用决策曲线分析(decision curve analysis,DCA)评价模型的临床效用。结果所有模型中,T2WI-ADC-PSAD联合模型的诊断效能最高,在训练组和测试组中的曲线下面积(area under the curve,AUC)分别为0.882、0.772。Delong检验结果显示,在训练组中,T2WI-ADC-PSAD模型与T2WI模型的AUC比较差异无统计学意义(P>0.05),与其他模型的AUC比较差异均有统计学意义(P<0.05)。在测试组中,T2WI-ADC-PSAD模型与其他模型的AUC比较差异均无统计学意义(P>0.05)。DCA结果显示,当阈值概率低于97%时,T2WI-ADC-PSAD模型可为临床决策提供更高的净效益。结论BpMRI影像组学联合PSAD可提高对低、高级别PCa的诊断效能,并指导患者的治疗决策。