脑小血管病(small vessel disease,SVD)是一类以脑内小血管受损为主的临床影像综合征,可能会导致卒中、血管性认知障碍、神经心理疾病与其他功能障碍等。自2013年血管性神经病变的影像报告标准(standards for reporting vascular change...脑小血管病(small vessel disease,SVD)是一类以脑内小血管受损为主的临床影像综合征,可能会导致卒中、血管性认知障碍、神经心理疾病与其他功能障碍等。自2013年血管性神经病变的影像报告标准(standards for reporting vascular changes on neuroimaging,STRIVE)发布以来,SVD的神经影像学特征得到了初步的分类与标准化。然而,在临床实践与科学研究中,对SVD影像特征的认识和应用仍存在诸多不一致和不规范之处。随着对SVD病理生理机制的深入探索与影像技术的不断进步,新的SVD影像特征和定量标志物被相继发现,为SVD的诊断和评估提供了更为全面且精准的信息。在此基础上,STRIVE-2应运而生,以期能更全面地揭示SVD对脑功能与结构的影响。为了规范中国SVD的神经影像学评估和诊断,本共识将在STRIVE-2的基础上,结合中国具体国情,对SVD的神经影像学特征进行深入解读,旨在推动SVD影像学诊断术语的标准化,提高临床诊断的准确性,进一步促进相关领域的研究与进步。展开更多
目的基于动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)和扩散峰度成像(diffusion kurtosis imaging,DKI)参数图构建影像组学模型,评估其在预测三阴性乳腺癌(triple-negative breast cancer,TNBC)中的应用价值。材料与方法...目的基于动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)和扩散峰度成像(diffusion kurtosis imaging,DKI)参数图构建影像组学模型,评估其在预测三阴性乳腺癌(triple-negative breast cancer,TNBC)中的应用价值。材料与方法回顾性分析165例乳腺癌患者病例资料,根据患者的病理结果分为非TNBC组(120例)和TNBC组(45例)。所有患者术前均接受DCE-MRI和DKI检查。按照8∶2的比例随机分为训练集(n=132)和测试集(n=33)。在第2期DCE-MRI图像、平均扩散峰度值(mean kurtosis,MK)和平均扩散率(mean diffusivity,MD)参数图中勾画出病变区域的三维感兴趣区(three-dimensional region of interest,3D ROI),并提取影像组学特征。使用K最佳、最小冗余最大相关(max-relevance and min-redundancy,mRMR)以及最小绝对收缩和选择算子回归(least absolute shrinkage and selection operator,LASSO)算法依次对特征进行降维和选择,然后,通过逻辑回归(logistic regression,LR)分类器分别建立第2期DCE-MRI模型、DKI参数图模型(MD+MK、MD、MK)及联合模型(DCE-MRI+MD+MK),并采用5折交叉验证法验证模型的稳定性。模型的预测性能通过受试者工作特征(receiver operating characteristic,ROC)曲线和曲线下面积(area under the curve,AUC)进行评估,并使用DeLong检验分析模型间的统计学差异。最后,通过决策曲线分析(decision curve analysis,DCA)评估影像组学模型在临床中的应用价值。结果从每个序列3D ROI中分别提取了2286个影像组学特征,从第2期DCE-MRI、MD+MK、MD、MK及DCE-MRI+MD+MK中分别选取了8、9、12、7、21个特征与TNBC相关。第2期DCE-MRI模型、MD+MK模型、MD模型和MK模型在测试集的AUC分别为0.810、0.769、0.676、0.625;联合模型(DCE-MRI+MD+MK)在测试集中的AUC是0.884,其准确率、敏感度和特异度分别为78.8%、79.2%和77.8%。最后,把临床特征与影像组学特征进行联合建立列线图模型。结果表明,影像组学联合模型(DCE-MRI+MD+MK)优于MD+MK模型、MD模型、MK模型及第2期DCE-MRI模型,但与列线图模型的AUC和DCA差异无统计学意义(P>0.05),表明影像组学联合模型(DCE-MRI+MD+MK)能够在临床实践中提供与列线图模型相似的诊断性能。结论基于DCE-MRI联合DKI参数图的影像组学联合模型(DCE-MRI+MD+MK)及列线图模型可以在术前有效地预测TNBC,有助于临床对TNBC的诊断、制订治疗方案及改善预后。展开更多
目的探讨动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)影像组学联合血细胞参数在鉴别管腔上皮型(Luminal)和非管腔上皮型(Non-Luminal)乳腺癌中的价值。材料与方法回顾性分析227例经病理证...目的探讨动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)影像组学联合血细胞参数在鉴别管腔上皮型(Luminal)和非管腔上皮型(Non-Luminal)乳腺癌中的价值。材料与方法回顾性分析227例经病理证实的乳腺癌患者的DCE-MRI图像,按照7∶3的比例随机分为训练集(n=162)和验证集(n=65)。根据免疫组化结果将病灶分为Luminal型和Non-Luminal型。勾画DCE-MRI图像中肿瘤的瘤体作为感兴趣区进行影像组学特征提取。分析影像组学特征、临床病理特征及血细胞参数,构建了3个模型,用于鉴别Luminal和Non-Luminal,分别为模型1(影像组学)、模型2(血细胞参数)、模型3(影像组学+血细胞参数)。利用受试者工作特征曲线评价模型在二者之间鉴别诊断中的效能。采用决策分析曲线评价不同风险阈值下模型的净获益情况。结果模型3训练集的曲线下面积(area under the curve,AUC)值、敏感度、特异度分别为0.840(0.774~0.893)、87.9%、71.4%,验证集对应的值分别为0.818(0.703~0.903)、87.5%、68.0%。在训练集及验证集中,模型1的AUC均高于模型2(0.817 vs.0.636,0.838 vs.0.515,P=0.001和P<0.001),同时模型3的AUC均高于模型2(0.840 vs.0.636,0.818 vs.0.515,P值均<0.001)。决策曲线示三个模型在鉴别Luminal和Non-Luminal亚型均有明确临床获益,并且模型3、模型1优于模型2。结论联合DCE-MRI影像组学和血细胞参数的模型能帮助鉴别Luminal和Non-Luminal亚型,有助于准确制订乳腺癌的治疗方案。展开更多
文摘脑小血管病(small vessel disease,SVD)是一类以脑内小血管受损为主的临床影像综合征,可能会导致卒中、血管性认知障碍、神经心理疾病与其他功能障碍等。自2013年血管性神经病变的影像报告标准(standards for reporting vascular changes on neuroimaging,STRIVE)发布以来,SVD的神经影像学特征得到了初步的分类与标准化。然而,在临床实践与科学研究中,对SVD影像特征的认识和应用仍存在诸多不一致和不规范之处。随着对SVD病理生理机制的深入探索与影像技术的不断进步,新的SVD影像特征和定量标志物被相继发现,为SVD的诊断和评估提供了更为全面且精准的信息。在此基础上,STRIVE-2应运而生,以期能更全面地揭示SVD对脑功能与结构的影响。为了规范中国SVD的神经影像学评估和诊断,本共识将在STRIVE-2的基础上,结合中国具体国情,对SVD的神经影像学特征进行深入解读,旨在推动SVD影像学诊断术语的标准化,提高临床诊断的准确性,进一步促进相关领域的研究与进步。
文摘目的基于动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)和扩散峰度成像(diffusion kurtosis imaging,DKI)参数图构建影像组学模型,评估其在预测三阴性乳腺癌(triple-negative breast cancer,TNBC)中的应用价值。材料与方法回顾性分析165例乳腺癌患者病例资料,根据患者的病理结果分为非TNBC组(120例)和TNBC组(45例)。所有患者术前均接受DCE-MRI和DKI检查。按照8∶2的比例随机分为训练集(n=132)和测试集(n=33)。在第2期DCE-MRI图像、平均扩散峰度值(mean kurtosis,MK)和平均扩散率(mean diffusivity,MD)参数图中勾画出病变区域的三维感兴趣区(three-dimensional region of interest,3D ROI),并提取影像组学特征。使用K最佳、最小冗余最大相关(max-relevance and min-redundancy,mRMR)以及最小绝对收缩和选择算子回归(least absolute shrinkage and selection operator,LASSO)算法依次对特征进行降维和选择,然后,通过逻辑回归(logistic regression,LR)分类器分别建立第2期DCE-MRI模型、DKI参数图模型(MD+MK、MD、MK)及联合模型(DCE-MRI+MD+MK),并采用5折交叉验证法验证模型的稳定性。模型的预测性能通过受试者工作特征(receiver operating characteristic,ROC)曲线和曲线下面积(area under the curve,AUC)进行评估,并使用DeLong检验分析模型间的统计学差异。最后,通过决策曲线分析(decision curve analysis,DCA)评估影像组学模型在临床中的应用价值。结果从每个序列3D ROI中分别提取了2286个影像组学特征,从第2期DCE-MRI、MD+MK、MD、MK及DCE-MRI+MD+MK中分别选取了8、9、12、7、21个特征与TNBC相关。第2期DCE-MRI模型、MD+MK模型、MD模型和MK模型在测试集的AUC分别为0.810、0.769、0.676、0.625;联合模型(DCE-MRI+MD+MK)在测试集中的AUC是0.884,其准确率、敏感度和特异度分别为78.8%、79.2%和77.8%。最后,把临床特征与影像组学特征进行联合建立列线图模型。结果表明,影像组学联合模型(DCE-MRI+MD+MK)优于MD+MK模型、MD模型、MK模型及第2期DCE-MRI模型,但与列线图模型的AUC和DCA差异无统计学意义(P>0.05),表明影像组学联合模型(DCE-MRI+MD+MK)能够在临床实践中提供与列线图模型相似的诊断性能。结论基于DCE-MRI联合DKI参数图的影像组学联合模型(DCE-MRI+MD+MK)及列线图模型可以在术前有效地预测TNBC,有助于临床对TNBC的诊断、制订治疗方案及改善预后。
文摘目的探讨动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)影像组学联合血细胞参数在鉴别管腔上皮型(Luminal)和非管腔上皮型(Non-Luminal)乳腺癌中的价值。材料与方法回顾性分析227例经病理证实的乳腺癌患者的DCE-MRI图像,按照7∶3的比例随机分为训练集(n=162)和验证集(n=65)。根据免疫组化结果将病灶分为Luminal型和Non-Luminal型。勾画DCE-MRI图像中肿瘤的瘤体作为感兴趣区进行影像组学特征提取。分析影像组学特征、临床病理特征及血细胞参数,构建了3个模型,用于鉴别Luminal和Non-Luminal,分别为模型1(影像组学)、模型2(血细胞参数)、模型3(影像组学+血细胞参数)。利用受试者工作特征曲线评价模型在二者之间鉴别诊断中的效能。采用决策分析曲线评价不同风险阈值下模型的净获益情况。结果模型3训练集的曲线下面积(area under the curve,AUC)值、敏感度、特异度分别为0.840(0.774~0.893)、87.9%、71.4%,验证集对应的值分别为0.818(0.703~0.903)、87.5%、68.0%。在训练集及验证集中,模型1的AUC均高于模型2(0.817 vs.0.636,0.838 vs.0.515,P=0.001和P<0.001),同时模型3的AUC均高于模型2(0.840 vs.0.636,0.818 vs.0.515,P值均<0.001)。决策曲线示三个模型在鉴别Luminal和Non-Luminal亚型均有明确临床获益,并且模型3、模型1优于模型2。结论联合DCE-MRI影像组学和血细胞参数的模型能帮助鉴别Luminal和Non-Luminal亚型,有助于准确制订乳腺癌的治疗方案。
