磁共振核奥氏效应在精准医学中的潜力:从基础研究到临床应用

核磁共振(nuclear magnetic resonance,NMR)光谱学中的核奥氏效应(nuclear overhauser effect,NOE)是能够提供分子内部和分子间距离与构象信息的关键现象。通过分析NOE效应,能够深入解析分子结构,尤其是复杂生物分子和药物分子的三维构象,这对于现代医学的发展具有重要意义。随着精准医学的迅猛发展,NOE效应在药物设计、疾病诊断和个性化治疗中的应用潜力日益凸显。本文综述了NOE效应在精准医学中的多方面应用,重点分析了其在药物分子与靶标蛋白结合方式的解析、病理状态下生物分子构象变化的检测,以及个性化治疗中生物标志物的识别等方面的贡献。同时,结合具体的案例研究和实验数据,进一步阐述了NOE效应在从基础研究到临床应用中的重要作用。本综述展示了NOE效应在现代医学中所具有的广泛应用前景,并指出其未来在精准医疗中可能的突破点,为进一步研究和应用提供了新的方向和思路。

原发性骨质疏松的医学影像学研究进展

骨质疏松症(osteoporosis,OP)其以骨矿含量降低伴有骨组织微结构破坏引起骨脆性增加并易发骨折的全身骨代谢性疾病[1,2],可有原发性、继发性、特发性骨质疏松三类。其中原发性骨质疏松(primary osteoporosis,POP)是随年龄增加的生理退行性病变,有绝经后骨质疏松(postmenopausal-osteoporosis,PMOP)和老年性骨质疏松症(senile-osteoporosis,SOP),即Ⅰ型和Ⅱ型。前者属于高转换型,是由于妇女绝经引起雌激素迅速减少,骨吸收速度大于形成,骨量丢失速度加快。后者是由于随年龄增加,机体内骨代谢的变化致使单位体积骨量低于正常,从而导致骨小梁间隙增宽,骨基质含量和骨强度降低[3]。

基于DCE-MRI图像深度学习模型鉴别诊断乳腺良恶性肿瘤的价值分析

目的探讨基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)图像深度学习模型鉴别诊断乳腺良恶性肿瘤的价值。材料与方法回顾性分析2018年9月至2022年12月厦门医学院附属第二医院病理学确诊303例乳腺肿瘤患者资料,良性144例,恶性159例。按7∶3的比例分层随机抽样患者,分成训练集212例、测试集91例。构建六个深度学习模型:50层深度残差网络(50-layer deep residual network,ResNet-50)、Inception-V3、Googlenet,密集连接的卷积网络(densely connected convolutional networks,DenseNet)-121、视觉几何组(visual geometry group,VGG)-19和移动神经网络(mobile neural network,MobileNet)-V3,同时应用梯度加权类激活映射(gradient-weighted class activation mapping,Grad-CAM)对模型进行可视化。最后通过第一、二轮阅片比较了深度学习模型、初级和高级放射科医师的诊断结果。通过受试者工作特征(receive operating characteristic,ROC)曲线、准确度、敏感度、特异度、阴性预测值(negative predictive value,NPV)及阳性预测值(positive predictive value,PPV)对不同深度学习模型及两轮阅片的诊断效能进行分析,计算各深度学习模型曲线下面积(area under the curve,AUC),使用DeLong检验对各模型间ROC曲线进行比较,使用配对卡方检验比较两轮阅片的诊断效能。结果训练集ResNet-50、Inception-V3、Googlenet、DenseNet-121、VGG-19和MobileNet-V3六种深度学习模型AUC分别为0.874[95%置信区间(confidence interval,CI):0.828~0.920]、0.771(95%CI:0.707~0.834)、0.993(95%CI:0.986~0.999)、0.926(95%CI:0.888~0.958)、0.947(95%CI:0.918~0.975)及0.945(95%CI:0.918~0.973)。测试集ResNet-50、Inception-V3、Googlenet、DenseNet-121、VGG-19和MobileNet-V3六种深度学习模型AUC分别为0.841(95%CI:0.755~0.927)、0.746(95%CI:0.641~0.851)、0.822(95%CI:0.736~0.909)、0.752(95%CI:0.650~0.855)、0.827(95%CI:0.737~0.918)及0.779(95%CI:0.685~0.874)。ResNet-50模型Grad-CAM可视化图像显示乳腺恶性肿瘤呈病灶中央激活,良性肿瘤呈周边激活。第一轮阅片,ResNet-50深度学习模型的准确度、特异度及敏感度分别为80.2%、86.7%及73.9%,初级医师的准确度、特异度及敏感度为73.6%、73.3%及73.9%,高级医师的准确度、特异度及敏感度为80.2%、80.0%及80.4%。第二轮阅片,在ResNet-50模型辅助下,初级医师准确度、特异度及敏感度增加15.4%、17.8%、13.1%(P<0.05),高级医师准确度、特异度及敏感度增加12.1%、13.3%、10.9%(P=0.001、0.031、0.063)。结论ResNet-50模型鉴别诊断良恶性乳腺肿瘤性能最佳,可视化图像可能成为影像诊断依据。借助该模型放射科医师鉴别诊断乳腺肿瘤良、恶性准确性明显提高,为临床决策提供客观依据。

机器学习基于动态对比增强MRI鉴别乳腺良性与恶性病变的价值

目的本研究旨在探讨不同机器学习方法在乳腺良性与恶性病变预测中的应用。方法回顾性分析厦门医学院附属第二医院2018年8月至2022年5月经病理证实的271个患者临床和影像资料。采用分层抽样方法以7:3的比例划分训练组和验证组,提取影像组学特征,训练组使用冗余性分析、最小绝对收缩和选择算子交叉验证算法进行特征筛选,采用逻辑回归、支持向量机、自适应增强算法及决策树4种不同具有监督学习的机器学习方法来预测乳腺良性与恶性病变的能力。使用受试者工作特征曲线(ROC曲线)、F1度量值和准确率对四种机器学习算法进行评估,并通过验证组进行验证。绘制校准曲线用于评价预测概率和实际概率之间的偏差。结果基于17个影像组学特征,逻辑回归算法鉴别乳腺良性与恶性病变的预测效果最好,验证组有最高的曲线下面积(AUC值)为0.832(0.744-0.919),准确率为78%,F1度量值为0.790。最终以逻辑回归机器学习算法建立预测模型,逻辑回归算法模型校准曲线具有良好的重叠性。结论基于乳腺动态对比增强MRI逻辑回归机器学习算法有助于鉴别乳腺良性与恶性病变,为临床医师的决策提供指导。

3.0T磁共振脑部快速动脉自旋标记成像的可行性研究

目的探讨3.0 T磁共振脑部快速动脉自选标记(fast arterial spin labeling,Fast ASL)成像的可行性。材料与方法2021年12月至2022年8月在我院前瞻性采用对比分组分析法和随机分组分析法两种方法进行受检者分组、数据收集与分析。采用3.0 T临床科研型磁共振仪,16通道头部相控阵线圈进行受检者的Fast ASL/ASL成像和常规磁共振序列[T1WI、T2WI、T2压脂液体抑制反转恢复(T2 fat saturation and fluid attenuated inversion recovery,T2 fs FLAIR)]、功能与血供序列[弥散加权成像(diffusion weighted imaging,DWI)、增强灌注加权成像(perfusion weighted imaging,PWI)、磁共振血管成像(magnetic resonance angiography,MRA)]的数据采集。对比分组分析法组25例受检者分别进行两种采集方案(Fast ASL和ASL)的图像采集并进行后处理重建分析。随机分组分析法组200例受检者,按照检查时间顺序交替进行随机分组各100例,进行单种采集方案(Fast ASL或ASL)的图像采集并进行后处理重建分析。采用GE AW 4.6后处理工作站functool软件包的3D ASL进行后处理,并对半定量脑血流量(cerebral blood flow,CBF)图进行图像质量评分及结果评价,采用SPSS 26.0进行统计学分析。结果对比分组分析法组中,Fast ASL组和ASL组的CBF图像质量得分分别为(4.32±0.55)、(4.72±0.54)分;两组数据配对存在相关性,配对样本t检验显示差异具有统计学意义(P<0.001);两组的CBF结果与相应PWI结果均存在相关性(P均<0.001),差异均不具有统计学意义(P=1.00、0.57);Fast ASL组无灌注异常者和灌注异常者、反映灌注情况的敏感度和特异度分别为8例(88.2%)和17例(75.0%),ASL组分别为7例(94.1%)和18例(75.0%),两组间差异不具有统计学意义(P=0.84)。随机分组分析法组中,Fast ASL组和ASL组的CBF图像质量得分分别为(4.30±0.50)、(4.75±0.46)分;两组数据方差不齐(P=0.04),独立样本t检验显示差异具有统计学意义(P<0.001);两组的CBF结果与相应PWI结果均存在相关性(P均<0.001),差异均不具有统计学意义(P=0.44、0.21);Fast ASL组无灌注异常者和灌注异常者、反映灌注情况的敏感度和特异度分别为34例(90.5%)和66例(75.7%),ASL组分别为23例(91.4%)和77例(84.2%),两组间差异不具有统计学意义(P=0.48)。无论是哪一分组方法的结果,Fast ASL组CBF的图像质量得分均略低于ASL组的,反映灌注情况的敏感度和特异度也略有差异,但均能显示并区分灌注异常灶。结论优化参数后的Fast ASL成像,可获得脑部半定量的CBF图,可以明确区分脑组织正常与异常灌注区域,为临床诊疗工作提供准确的脑部灌注信息,对于疾病的防治具有重要意义。尤其是采集时间可以缩短一半,对于无法耐受的受检者,可以获得相对满意的CBF效果,达到图像质量控制与采集时间的平衡,具有一定的可行性。