财会人员应重视保护企业商业秘密

财会部门是企业的核心职能部门，在企业财务部门工作的财会人员掌握着企业的财务信息，这其中有许多是不能公开披露的内容，如：企业产品成本的具体情况、筹资计划、未公布的利润分配方案、兼并重组的具体方案等等，都是企业重要的商业秘密。另外，由于财会资料能够反映企业生产经营方面许多的重要内容，财会人员还掌握着企业大量的生产经营管理方面的商业秘密。在市场竞争日趋激烈的今天，这些商业秘密直接关系到企业的生死存亡，一些国有大型企业特别是在国家经济中占有重要地位的大型企业，

基于多参数MRI的影像组学模型对子宫内膜样腺癌微卫星不稳定状态的术前预测价值

目的探讨基于多参数MRI影像组学模型术前预测子宫内膜样腺癌患者微卫星不稳定(MSI)状态的应用价值。方法回顾性队列研究。纳入2017年1月—2021年12月山西省肿瘤医院经病理证实为子宫内膜样腺癌的患者225例。患者年龄29~78(55.1±7.5)岁,均行全子宫+双附件切除术,并于术前行盆腔多参数MRI检查。将225例患者按7∶3的比例随机分为训练集(158例)和验证集(67例),根据手术标本病理免疫组织化学检查结果分为高度微卫星不稳定(MSI-H)组58例和低度微卫星不稳定/微卫星稳定(MSI-L/MSS)组167例。对每例患者的快速自旋回波压脂序列T2加权像、增强T1加权像、表观弥散系数(ADC)3个序列进行图像分割和特征提取,在训练集中采用组内相关系数(ICC)、Mann-WhitneyU检验、Spearman相关及Boruta算法进行图像特征筛选,并使用朴素贝叶斯(NB)、随机森林(RF)及支持向量机(SVM)3种分类器构建影像组学模型。在训练集、验证集中分别采用受试者工作特征(ROC)曲线、Delong检验、决策分析曲线(DCA)评估并验证3种模型对MSI状态的诊断性能、预测性能、净收益。将筛选出的影像组学特征纳入诊断效能较高的最佳模型中,对每例患者进行影像组学评分,分别在训练集、验证集中评估MSI-H组和MSI-L/MSS组影像组学评分的分布情况。结果训练集与验证集间比较,患者肿瘤分化程度差异有统计学意义(χ^(2)=8.40,P=0.015),患者年龄、体质量指数、国际妇产科联盟分期,以及肌层浸润深度等临床病理资料差异均无统计学意义(P值均>0.05)。在训练集中,MSI-H组与MSI-L/MSS组比较,患者是否绝经2组间差异有统计学意义(χ^(2)=4.56,P=0.033),其他临床病理资料2组间差异均无统计学意义(P值均>0.05);在验证集中,2组间各临床病理差异均无统计学意义(P值均>0.05)。多参数MRI图像经特征提取后,每例患者获得4245个影像组学特征,在训练集中筛选出6个关键特征构建模型。在训练集中NB模型、RF模型及SVM模型预测子宫内膜样腺癌患者MSI状态的ROC曲线下面积(AUC)分别为0.764[95%可信区间(CI)0.682~0.846]、0.821(95%CI 0.751~0.892)和0.905(95%CI 0.848~0.961),验证集中AUC分别为0.712(95%CI 0.568~0.856)、0.812(95%CI 0.710~0.915)、0.875(95%CI 0.762~0.988),结果表明SVM模型的诊断性能最佳。Delong检验结果显示,训练集中SVM模型与NB模型、RF模型AUC间差异均有统计学意义(Z=-3.45、-2.33,P值均<0.05),而在验证集中AUC差异均无统计学意义(P值均>0.05)。DCA曲线显示,在训练集和验证集中,SVM模型预测MSI状态的净收益均优于NB模型、RF模型,也优于将所有患者MSI状态都看作MSI-H或MSI-L/MSS。采用最佳模型SVM模型对每例患者进行影像组学评分,训练集及验证集中MSI-H组与MSI-L/MSS组影像组学评分分布有明显差异。结论基于多参数MRI的SVM模型对于子宫内膜样腺癌患者MSI状态具有一定的术前预测价值。

多参数MRI的影像组学融合模型在术前预测宫颈癌淋巴结转移的应用价值

目的探讨基于多参数MRI及临床特征的融合模型在术前预测宫颈癌患者淋巴结转移的价值。方法回顾性分析山西省肿瘤医院2016年6月—2019年3月经病理证实为宫颈鳞癌并于术前行MRI检查的168例患者的资料。按照7∶3的比例,采用完全随机法将所有患者分为训练组115例和验证组53例。由两名影像科医师在MRI图像上手动勾画三维容积感兴趣区(VOI),并进行一致性分析。根据临床手术病理结果将所有患者分为淋巴结转移阴性(LN-)和阳性(LN+),临床及影像资料也对应分组。分别基于每例患者的T2WI、表观扩散系数(ADC)和增强T1WI(cT1WI)序列图像上均提取3111个影像组学特征,然后对训练组采用以最大相关最小冗余(MRMR)和最小绝对收缩与选择(LASSO)回归为主的四步法进行特征选择和影像组学标签的构建,并进行分层分析。通过多变量逻辑回归筛选独立临床危险因素并联合影像组学标签构建影像组学融合模型,并制作列线图。采用ROC曲线、校正曲线、决策分析曲线(DCA)评估列线图的预测性能及临床效益。结果训练组和验证组患者基线资料差异均无统计学意义(P值均>0.05)。基于T2WI、ADC和cT1WI合并特征降维后共得到6个影像组学特征(P值均<0.05),其中包括3个小波类特征参数和3个LoG类特征参数,均与淋巴结转移显著相关。单序列影像组学标签在训练组中ROC曲线下面积(AUC)值为0.763和0.829,显示具有良好的预测效能,合并上述序列构建的影像组学标签对应的AUC值0.859,其诊断效能优于其中任意单一序列,并在验证组得到验证。联合影像组学标签和MRI评价淋巴结状态构建的列线图在训练组和验证组中均显示出良好的鉴别能力和校正性能,对应的AUC分别为0.865和0.861。在独立验证组中的决策曲线示,当风险阈值>10%时,采用影像组学方法预测LN+的净收益优于将所有患者都看作LN+或LN-,也优于MRI评价淋巴结状态。结论通过联合基于多参数MRI的影像组学标签和MRI评价淋巴结状态建立的融合模型可作为术前评估宫颈癌淋巴结转移的一种辅助方法。

基于多参数MRI的影像组学融合模型对乳腺癌腋窝淋巴结转移的术前预测价值

目的探讨基于多参数MRI的影像组学融合模型在乳腺癌术前预测腋窝淋巴结(ALN)转移的应用价值。方法回顾性队列研究。纳入山西省肿瘤医院2020年8月—2021年9月经病理证实的272例乳腺癌患者的多参数MRI及临床病理资料。患者均为女性,年龄28~79(53.0±10.9)岁,其中ALN阳性107例、ALN阴性165例。按照7∶3的比例随机将患者分为训练组(191例)和验证组(81例)。从T2加权像(T2WI)、表观弥散系数(ADC)图和增强T1加权像(cT1WI)序列中提取影像组学特征。采用单因素逻辑回归、相关性分析和Boruta算法3个步骤进行特征选择,然后采用支持向量机(SVM)、随机森林(RF)和逻辑回归(LR)3种机器学习方法构建影像组学模型,并基于最优模型计算每位患者的影像组学分数(Radscore)。同时,通过多因素逐步回归分析筛选乳腺癌ALN转移的独立危险因素并构建临床模型。最后,联合Radscore和临床独立危险因素构建融合模型,并绘制列线图。采用受试者操作特征曲线、校准曲线和决策曲线(DCA)来评价模型对乳腺癌ALN转移的预测性能及临床效益。结果训练组和验证组患者肿瘤位置比较,差异有统计学意义(P<0.05);训练组中ALN阳性与ALN阴性患者间的肿瘤位置、MRI评估淋巴结状态比较,验证组中ALN阳性与ALN阴性患者间的雌激素受体、分子亚型及MRI评估淋巴结状态比较,差异均有统计学意义(P值均<0.05)。基于多参数MRI降维选择后,得到了6个与ALN转移呈显著相关的影像组学特征(P值均<0.05)。在训练组和验证组中,SVM、RF和LR模型均表现出很好的预测能力,AUC分别为0.784、0.826、0.703和0.733、0.817、0.703,其中RF模型效能最高。单因素、多因素回归分析显示,MRI评估淋巴结状态是乳腺癌ALN转移的独立预测因子[比值比(95%可信区间)=10.909(5.210~24.511),P<0.001],采用这一指标构建临床模型。联合Radscore和MRI评估ALN状态的融合模型在训练组和验证组中均表现出更好的性能,AUC分别为0.867和0.866,且其诊断效能均优于上述3种机器学习模型和临床模型(AUC分别为0.719和0.700)。DCA显示,3种机器学习模型、临床模型和融合模型均有一定的临床效益,其中融合模型的净收益值最大。结论基于多参数MRI影像组学特征和联合MRI评估淋巴结状态的融合模型有助于术前准确预测乳腺癌ALN转移状态。