目的建立辅助超声造影(contrast-enhanced ultrasound,CEUS)诊断早期肝肿瘤的机器学习模型,并探索其临床诊断效能。方法采用病例-对照研究设计方案,筛选2015年6月至2020年6月在陆军军医大学第一附属医院超声科行CEUS检查,有病理诊断结...目的建立辅助超声造影(contrast-enhanced ultrasound,CEUS)诊断早期肝肿瘤的机器学习模型,并探索其临床诊断效能。方法采用病例-对照研究设计方案,筛选2015年6月至2020年6月在陆军军医大学第一附属医院超声科行CEUS检查,有病理诊断结果且肝肿瘤直径≤30 mm患者的病例资料。最终490例患者共520个肿瘤[恶性肿瘤474个(91.15%),良性肿瘤46个(8.85%)]纳入研究,其中男性406例(82.86%),女性84例(17.14%);年龄22~82(51.98±0.46)岁。由4位超声科医师分析常规超声及CEUS影像特征,意见不一致时经讨论达成共识。将纳入病例资料按照近4∶1比例随机划分为训练集(n=400)和测试集(n=90)。采用支持向量机、随机森林、邻近算法和Logistic等4种模型分析患者常规超声及CEUS影像特征、慢性肝病史和肿瘤标志物。应用准确性、特异性、敏感性和受试者工作曲线下面积(area under the subject curve,AUC)等指标评价模型性能。结果4种模型中,随机森林模型性能最优,在测试集中的准确性、敏感性、特异性和AUC分别为0.97、0.83、0.71、0.987(95%CI:0.934~1.000),其中AUC与其他3种模型差异无统计学意义(均P>0.05)。随机森林模型中按照特征贡献度排名,前5名分别是:肝硬化、年龄、CEUS和常规超声中直径、延迟期增强方式,与以往研究中得出的临床诊断肝脏恶性肿瘤的指标一致,表明本研究建立的模型具有较好的可解释性。结论本研究建立了能联合分析患者CEUS特征、慢性肝病和肿瘤标志物的机器学习模型,在CEUS中诊断早期肝肿瘤的准确性较高。展开更多
目的对比评估2017欧洲抗风湿联盟(European League Against Rheumatism,EULAR)类风湿关节炎超声评分法临床应用的可行性。方法采用横断面研究设计,纳入2017年1月至2019年2月于第一附属医院风湿免疫科确诊为类风湿关节炎(rheumatoidarthr...目的对比评估2017欧洲抗风湿联盟(European League Against Rheumatism,EULAR)类风湿关节炎超声评分法临床应用的可行性。方法采用横断面研究设计,纳入2017年1月至2019年2月于第一附属医院风湿免疫科确诊为类风湿关节炎(rheumatoidarthritis,RA)并行完整小关节超声检查患者62例,分析双侧手、腕、足小关节滑膜炎灰阶超声(greyscale ultrasound,GSUS)与能量多普勒超声(power Doppler ultrasound,PDUS)表现。由1名具有10年肌骨超声工作经验的高年资医师及1.5年肌骨超声工作经验的初级医师分别按照2017 EULAR评分法进行两次评分,加权kappa评价观察者内、观察间一致性。高年资医师再次按照临床应用较广泛的Szkudlarek评分法评价,χ^(2)检验比较两种评分法。以高年资医师2017 EULAR评分为参照,计算每例患者2017 EULAR评分法关节滑膜炎GSUS、PDUS的总评分,与临床指标DAS28、ESR、CRP、RF、Anti-CCP、IL-6、TNF作相关性分析,非正态变量采用Spearman,双正态变量采用Pearson。结果与Szkudlarek评分法对比,滑膜炎GSUS 2级在近指、跖趾关节分布差异具有统计学意义(P<0.05),GSUS 3级在掌指、近指、跖趾关节差异均具有统计学意义(P<0.05);滑膜炎PDUS 1、2级在腕、掌指、近指、跖趾关节差异均具有统计学意义(P<0.05)。滑膜炎GSUS、PDUS与DAS28、ESR、CRP、IL-6呈正相关(P<0.05)。不同年资评价者滑膜炎GSUS、PDUS具有较好的观察者内、观察者间一致性,kappa值在0.494~1之间。结论2017 EULAR评分法可相对改善既往超声半定量评分法分布不均的情况,与DAS28、ESR、CRP、IL-6等临床指标呈正相关,不同经验观察者一致性较好,是值得临床应用推广的评分法。展开更多
文摘目的建立辅助超声造影(contrast-enhanced ultrasound,CEUS)诊断早期肝肿瘤的机器学习模型,并探索其临床诊断效能。方法采用病例-对照研究设计方案,筛选2015年6月至2020年6月在陆军军医大学第一附属医院超声科行CEUS检查,有病理诊断结果且肝肿瘤直径≤30 mm患者的病例资料。最终490例患者共520个肿瘤[恶性肿瘤474个(91.15%),良性肿瘤46个(8.85%)]纳入研究,其中男性406例(82.86%),女性84例(17.14%);年龄22~82(51.98±0.46)岁。由4位超声科医师分析常规超声及CEUS影像特征,意见不一致时经讨论达成共识。将纳入病例资料按照近4∶1比例随机划分为训练集(n=400)和测试集(n=90)。采用支持向量机、随机森林、邻近算法和Logistic等4种模型分析患者常规超声及CEUS影像特征、慢性肝病史和肿瘤标志物。应用准确性、特异性、敏感性和受试者工作曲线下面积(area under the subject curve,AUC)等指标评价模型性能。结果4种模型中,随机森林模型性能最优,在测试集中的准确性、敏感性、特异性和AUC分别为0.97、0.83、0.71、0.987(95%CI:0.934~1.000),其中AUC与其他3种模型差异无统计学意义(均P>0.05)。随机森林模型中按照特征贡献度排名,前5名分别是:肝硬化、年龄、CEUS和常规超声中直径、延迟期增强方式,与以往研究中得出的临床诊断肝脏恶性肿瘤的指标一致,表明本研究建立的模型具有较好的可解释性。结论本研究建立了能联合分析患者CEUS特征、慢性肝病和肿瘤标志物的机器学习模型,在CEUS中诊断早期肝肿瘤的准确性较高。