腮腺多形性腺瘤和腺淋巴瘤的MSCT征象鉴别诊断价值

目的:探讨MSCT征象对术前鉴别诊断腮腺多形性腺(PA)和腺淋巴瘤(AL)的临床价值。方法:回顾性收集经术后病理确诊的122例腮腺肿瘤患者的临床和影像资料,包括PA和AL各61例。统计分析临床资料、MSCT征象在两组肿瘤间的差异,并采用受试者操作特性曲线(ROC)评价单参数及多参数联合鉴别PA和AL的诊断效能。结果:年龄、性别、吸烟率、多发性、浅后下极、血管贴边征、平扫CT值、动脉期(AP)净强化值、强化方式在两组间差异具有统计学意义(P<0.05),两组间病变长径、形态、浅深叶、上下极、边缘、囊变差异无统计学意义(P>0.05)。ROC分析各特征鉴别诊断AUC范围为0.596~0.889,其中AP净强化值AUC最高,灵敏度、特异度分别为93.75%、72.13%。AP净强化值和强化方式联合诊断AUC为0.921,灵敏度、特异度分别为88.39%、86.89%。结论:MSCT征象对腮腺PA和AL的诊断及鉴别诊断有重要价值。

基于颅脑T1WI对比增强图像构建卷积神经网络模型鉴别肺癌与乳腺癌脑转移

目的分析基于对比增强颅脑T1WI(T1CE)构建的卷积神经网络(CNN)模型鉴别肺癌与乳腺癌脑转移的效能。方法回顾性分析97例经手术病理证实的乳腺癌脑转移(39例)与肺癌脑转移(58例)患者,于颅脑T1CE中手动勾画病灶ROI并提取其影像组学特征,采用单因素分析及最小绝对收缩和选择(LASSO)算法进行特征降维,筛选最优特征;分别构建传统机器学习支持向量机(SVM)、随机梯度下降(SGD)、K邻近(KNN)、决策树(DT)、随机森林(RF)、极端随机树(ET)、逻辑回归(LR)模型及深度学习CNN模型,将按7∶3数据分为训练集和验证集,采用受试者工作特征(ROC)曲线评估8种模型鉴别验证集中肺癌与乳腺癌脑转移的效能。结果共纳入202个脑转移癌,含乳腺癌、肺癌脑转移各101个。基于颅脑T1CE提取1050个特征,经单因素分析及LASSO算法降维后得到5个最优特征;以之构建的SVM、SGD、KNN、DT、RF、ET、LR及CNN模型鉴别验证集肺癌与乳腺癌脑转移的曲线下面积(AUC)分别为0.88、0.83、0.87、0.74、0.84、0.86、0.88及0.90,其中CNN模型的AUC最高。结论基于颅脑T1CE构建的CNN模型可有效鉴别肺癌与乳腺癌脑转移。