目的:基于磁共振弥散峰度成像(DKI)序列参数图像构建影像组学列线图模型,对乳腺癌脉管浸润进行术前预测。方法:纳入2018年12月至2022年12月术前行DKI检查的乳腺癌患者169例,根据术后病理将其分为浸润组(73例)和非浸润组(96例),按照7︰3...目的:基于磁共振弥散峰度成像(DKI)序列参数图像构建影像组学列线图模型,对乳腺癌脉管浸润进行术前预测。方法:纳入2018年12月至2022年12月术前行DKI检查的乳腺癌患者169例,根据术后病理将其分为浸润组(73例)和非浸润组(96例),按照7︰3比例分为训练集(118例,浸润49例)和验证集(51例,浸润24例)。基于DKI参数图像提取肿块的影像组学特征,构建影像组学模型。采用逻辑回归联合影像组学和临床特征构建列线图模型,并绘制受试者工作特征(ROC)曲线以评估各模型的诊断效能。结果:在测试队列中,列线图模型的曲线下面积明显高于临床模型(0.864 vs 0.725,P<0.05)。结论:使用基于DKI提取影像组学联合临床特征构建的列线图模型,可以有效预测乳腺癌患者术前的脉管浸润情况。展开更多
目的探讨基于轴位脂肪抑制T2加权成像(fat suppression-T2 weighted imaging,FS-T2WI)及T1加权对比增强(T1-weighted contrast-enhanced,T1CE)序列联合临床预测因子创建的临床-影像组学模型在预测无淋巴结转移的直肠癌患者术前淋巴血管...目的探讨基于轴位脂肪抑制T2加权成像(fat suppression-T2 weighted imaging,FS-T2WI)及T1加权对比增强(T1-weighted contrast-enhanced,T1CE)序列联合临床预测因子创建的临床-影像组学模型在预测无淋巴结转移的直肠癌患者术前淋巴血管浸润(lymphovascular invasion,LVI)中的应用价值。材料与方法回顾性纳入2016年12月至2021年12月河南省人民医院收治的行MRI扫描且术后病理证实为直肠癌的221例患者的病例及影像资料。采用单因素和多因素logistic回归分析LVI阳性组和LVI阴性组的临床数据,以确定LVI的独立预测因子;通过ITK-SNAP软件手动勾画肿瘤全层感兴趣区(region of interest,ROI),利用开源软件PyRadiomics提取影像组学特征,采用SPSS随机数字表法按8∶2比例将患者分为训练集(177例)和测试集(44例),并经过特征降维构建影像组学标签;基于临床预测因子是否加入影像组学模型构建了四个预测模型。根据受试者工作特征曲线下面积(area under the curve,AUC)、敏感度和特异度评估不同预测模型的诊断效能。结果肿瘤最大直径是直肠癌患者LVI的独立临床预测因子(P<0.05)。单独的FS-T2WI、T1CE序列以及两者联合(FS-T2WI+T1CE)的测试集AUC分别为0.757、0.802及0.869,FS-T2WI+T1CE联合临床预测因子的临床-影像组学模型诊断效能最好,测试集AUC为0.898(95%CI:0.769、0.968)。结论本研究构建的临床-影像组学模型具有较高的诊断效能,可以辅助临床对无淋巴结转移的直肠癌患者术前个体化LVI预测,改善治疗方案。展开更多
目的 本研究旨在基于术前多参数MRI的深度迁移学习(deep transfer learning,DTL)特征建立模型,以预测子宫内膜癌(endometrial carcinoma,EC)患者淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态。材料与方法 回顾性收集2016...目的 本研究旨在基于术前多参数MRI的深度迁移学习(deep transfer learning,DTL)特征建立模型,以预测子宫内膜癌(endometrial carcinoma,EC)患者淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态。材料与方法 回顾性收集2016年2月至2023年7月本院187例经手术病理确诊的EC患者的临床信息及术前MRI图像。并按7∶3比例随机分为训练集(131例)和测试集(56例)。在轴位T2加权成像、扩散加权成像、表观扩散系数(apparent diffusion coefficient,ADC)图及对比增强T1加权图像上手动勾画病灶感兴趣区。采用ResNet50、ResNet101及DenseNet121网络建立12种DTL模型,接着,采用平均值、最大值及最小值三种决策级融合方法建立融合模型,并从中选取最佳模型作为最终的DTL模型。通过单因素和多因素logistic回归分析筛选出临床特征后建立临床模型,并使用logistic回归联合DTL和临床特征建立DTL-临床联合模型。采用受试者工作特征曲线评估模型诊断EC患者LVSI的效能,通过DeLong检验比较曲线下面积(area under the curve,AUC),校准曲线分析模型的拟合优度,决策曲线分析(decision curve analysis,DCA)探讨模型的临床适用性。结果 测试集中,基于ADC图像建立的ResNet101模型在诊断EC患者LVSI时表现出最高的AUC值,为0.850 [95%置信区间(confidence interval,CI):0.736~0.963]。。采用平均值融合方法建立的融合模型,在测试集中AUC值最高,达到了0.932(95%CI:0.868~0.996),为最佳DTL模型。logistic回归分析表明年龄是EC患者LVSI的独立危险因素。DTL-临床联合模型在测试集中AUC为0.934(95%CI:0.871~0.997),诊断效能优于临床模型[AUC为0.554 (95%CI:0.436~0.671),P<0.001],与DTL模型比较差异无统计学意义(P=0.909)。Hosmer-Lemeshow检验显示联合模型在训练集和测试集中均具有较好的拟合效果(P=0.814及0.402),DCA显示临床净获益更大。结论 基于术前多参数MRI建立的DTL模型,以及将DTL特征与临床特征相结合建立的联合模型,能有效预测EC患者LVSI状态,诊断效能优于临床模型。DTL在小样本EC的MRI数据中表现优异,为LVSI术前预测提供重要临床辅助工具。展开更多
目的探讨子宫低级别子宫内膜样癌患者淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)的影响因素。方法回顾性分析2015年1月~2023年5月167例手术病理诊断低级别(G1、G2)子宫内膜样癌患者的临床资料。选择年龄、是否绝经、异常阴...目的探讨子宫低级别子宫内膜样癌患者淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)的影响因素。方法回顾性分析2015年1月~2023年5月167例手术病理诊断低级别(G1、G2)子宫内膜样癌患者的临床资料。选择年龄、是否绝经、异常阴道出血时间、合并代谢综合征、CA125升高(≥35 U/ml)、子宫内膜厚度、宫腔占位、合并子宫腺肌症、国际妇产科联盟(International Federation of Gynecology and Obstetrics,FIGO)2009分期9项指标进行单因素分析,对P<0.05的因素进行二元logistic回归分析。结果167例子宫低级别子宫内膜样癌患者中,LVSI 24例(14.4%)。对单因素分析中P<0.05的4项因素(异常阴道出血时间≥4个月、CA125升高、合并子宫腺肌症、分期Ⅱ期及以上)进行二元logistic回归分析,结果显示分期Ⅱ期及以上(OR=7.357,95%CI:2.140~25.288,P=0.002),CA125升高(OR=4.883,95%CI:1.612~14.794,P=0.005)为子宫低级别子宫内膜样癌LVSI的独立预后因素。结论FIGO 2009分期Ⅱ期及以上、CA125≥35 U/ml与子宫低级别子宫内膜样癌患者LVSI有关,间接提示淋巴结转移风险,术前应高度关注,以便制定更为精准的手术方案。展开更多
目的观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法回顾性分析178例经术...目的观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法回顾性分析178例经术后病理证实为宫颈癌的患者病例,其中70例LVSI(+)、108例LVSI(-),按照8∶2划分为训练集[142例,54例LVSI(+)、88例LVSI(-)]和测试集[36例,16例LVSI(+)、20例LVSI(-)]。对临床因素行单因素logistic分析,筛选出LVSI(+)独立预测因素。使用DTL方法和传统影像组学方法提取矢状位T2WI图像中病灶的DTL特征和影像组学特征,构建DTL特征数据集、影像组学特征数据集和DTL特征与影像组学特征融合的数据集,分别以t检验、Pearson分析和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归对训练集各特征数据集进行特征降维,以其最佳者构建影像组学(radiomics,Rad)模型、DTL模型、融合模型(Rad+DTL模型),并筛选最佳影像组学模型;基于上述最佳影像组学模型评分与临床独立因子构建联合模型,并绘制列线图。以校准曲线评估模型校准度,以决策曲线分析评价模型的应用价值。结果淋巴结转移、粒细胞比率均为LVSI(+)的独立预测因子(P<0.05)。Rad+DTL模型为最佳影像组学模型。联合模型在训练集和测试集中的受试者工作特征曲线下面积(area under the curve,AUC)高于Rad+DTL模型(0.984 vs.0.966,P<0.05;0.912 vs.0.759,P=0.05)。联合模型的校准度较高,临床净收益更大。结论基于MR-T2WI的DTL特征、影像组学特征联合临床特征构建的联合模型可有效预测宫颈癌LVSI。展开更多
目的:探讨子宫颈癌淋巴脉管间隙浸润(lymph-vascular space invasion,LVSI)及宫旁浸润与其他临床病理因素的关系。方法:回顾性分析2009年1月至2019年1月期间于西安交通大学第一附属医院妇科接受手术治疗1245例早期子宫颈癌患者的临床资...目的:探讨子宫颈癌淋巴脉管间隙浸润(lymph-vascular space invasion,LVSI)及宫旁浸润与其他临床病理因素的关系。方法:回顾性分析2009年1月至2019年1月期间于西安交通大学第一附属医院妇科接受手术治疗1245例早期子宫颈癌患者的临床资料,分别根据是否LVSI及宫旁浸润分为LVSI组、无LVSI组和宫旁浸润组、无宫旁浸润组,采用单因素和多因素Logistic回归分析脉管及宫旁浸润危险因素。结果:1245例LVSI率14.1%(175/1245),宫旁浸润率1.85%(23/1245)。单因素分析显示LVSI的发生与病灶类型、病理类型、肿瘤细胞分化程度、子宫颈浸润深度、淋巴转移、切缘阳性、宫旁浸润比较,差异有统计学意义(P<0.05)。根据淋巴转移情况分层分析发现,在淋巴未转移组LVSI的发生率与年龄、病灶类型、病理类型、子宫颈浸润深度比较,差异有统计学意义(P均<0.05)。Logistic回归分析显示病灶类型为内生型、病理为鳞癌、子宫颈深肌层浸润和淋巴转移相较于非内生型、非鳞癌、子宫颈浸润浅肌层、无淋巴转移早期子宫颈癌患者是发生LVSI的独立危险因素(OR>1,P<0.05)。单因素分析显示宫旁浸润与病灶类型、子宫颈浸润深度、累及阴道、累及宫体下段、切缘阳性、淋巴转移、LVSI有关(P<0.05)。Logistic回归分析示病灶类型为内生型、累及宫体下段、淋巴转移相较于非内生型、未累及宫体下段、无淋巴转移的早期子宫颈癌患者是发生宫旁浸润的独立危险因素(OR>1,P<0.05)。结论:子宫颈深肌层浸润、淋巴结转移、内生型的子宫颈鳞癌患者更可能发生LVSI;病灶类型为内生型、累及宫体下段、淋巴转移的患者更可能发生宫旁浸润。展开更多
文摘目的:基于磁共振弥散峰度成像(DKI)序列参数图像构建影像组学列线图模型,对乳腺癌脉管浸润进行术前预测。方法:纳入2018年12月至2022年12月术前行DKI检查的乳腺癌患者169例,根据术后病理将其分为浸润组(73例)和非浸润组(96例),按照7︰3比例分为训练集(118例,浸润49例)和验证集(51例,浸润24例)。基于DKI参数图像提取肿块的影像组学特征,构建影像组学模型。采用逻辑回归联合影像组学和临床特征构建列线图模型,并绘制受试者工作特征(ROC)曲线以评估各模型的诊断效能。结果:在测试队列中,列线图模型的曲线下面积明显高于临床模型(0.864 vs 0.725,P<0.05)。结论:使用基于DKI提取影像组学联合临床特征构建的列线图模型,可以有效预测乳腺癌患者术前的脉管浸润情况。
文摘目的基于治疗前多参数磁共振成像(multi-parametric magnetic resonance imaging,mpMRI)影像组学特征构建模型预测局部晚期宫颈癌(locally advanced cervical cancer,LACC)新辅助化疗(neoadjuvant chemotherapy,NACT)后淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态。材料与方法回顾性分析了300例于2013年至2022年来自于河南省人民医院(训练集187人,LVSI阳性73人)和河南省肿瘤医院(验证集113人,LVSI阳性31人)接受NACT并行根治性子宫切除术LACC患者的临床及影像资料。于轴位弥散加权成像(axial diffusion-weighted imaging,Ax_DWI)、矢状位T2加权成像(sagittal T2-weighted imaging,Sag_T2WI)和矢状位对比增强T1加权成像(sagittal T1-weighted contrast-enhanced imaging,Sag_T1C)上勾画肿瘤感兴趣区(region of interest,ROI)并提取特征,利用递归特征消除算法与最小绝对值收缩与选择算法筛选影像组学特征。随后,基于逻辑回归分类器分别建立单序列模型,双序列模型及基于三序列组学特征的联合序列模型。使用受试者工作特征(receiver operating characteristic,ROC)曲线评估各模型性能,使用DeLong检验比较曲线下面积(area under the curve,AUC),通过决策曲线评估模型的临床价值。结果在验证集中,基于Ax_DWI、Sag_T2WI及Sag_T1C构建的单序列模型的AUC分别为0.717[95%置信区间(confidence interval,CI):0.605~0.829]、0.734(95%CI:0.633~0.836)和0.733(95%CI:0.626~0.841);基于Ax_DWI+Sag_T2WI、Ax_DWI+Sag_T1C及Sag_T2WI+Sag_T1C构建的双序列模型的AUC值分别为0.763(95%CI:0.660~0.866)、0.786(95%CI:0.692~0.881)与0.815(95%CI:0.731~0.899);联合序列模型的AUC值为0.829(95%CI:0.740~0.914),高于各单序列模型与双序列模型,但联合序列模型与Ax_DWI模型、Sag_T2W1模型及Ax_DWI+Sag_T2W1模型之间AUC差异无统计学意义(P=0.015~0.047)。决策曲线显示联合序列模型的临床净效益高于单序列模型与各双序列模型。结论基于治疗前mpMRI影像组学特征构建的联合序列模型可有效预测LACC患者NACT后的LVSI状态。
文摘目的·探讨体素不相干运动(intravoxel incoherent motion,IVIM)与动态对比增强(dynamic contrast enhancement,DCE)磁共振成像(magnetic resonance imaging,MRI)术前评估早期宫颈癌淋巴脉管浸润(lymphovascular space invasion,LVSI)状态的临床价值。方法·收集早期宫颈癌患者56例,均在术前行IVIM与DCE MRI检查,分别测量癌灶最大径、肌层浸润深度(比例)以及MRI定量参数(IVIM:f、D、D^*;DCE:Ktrans、Kep、Ve)。根据术后病理结果,将病例分为LVSI阳性组与LVSI阴性组,并记录患者年龄、FIGO分期、病理类型和分化程度。比较2组患者基本资料和MRI参数的差异,Logistic回归分析早期宫颈癌发生LVSI的关联因素,受试者操作特征曲线分析这些关联因素用于评估LVSI情况的诊断效能。结果·LVSI阳性组与LVSI阴性组间患者年龄、FIGO分期、病理类型、肿瘤分化程度、肿瘤最大径比较,差异无统计学意义;LVSI阳性组癌灶肌层浸润深度(比例)显著高于LVSI阴性组(P=0.000),而Ktrans值、D^*值显著低于LVSI阴性组(P=0.003,P=0.004);D值、f值、Kep值、Ve值在2组间比较,差异无统计学意义;Logistic回归分析显示肌层浸润深度(比例)和Ktrans值与早期宫颈癌发生LVSI独立相关;两者独立诊断LVSI状态的曲线下面积(area under the curve,AUC)与准确度分别为0.760与75.1%、0.723与71.4%;联合诊断的AUC为0.839,准确度为76.8%;纳入D^*值后三者诊断的AUC为0.874,准确度为87.5%。结论·宫颈癌肌层浸润深度(比例)、Ktrans值有助于术前评估早期宫颈癌LVSI状态,两者进一步联合D^*值可提高其诊断效能。
文摘目的探讨基于轴位脂肪抑制T2加权成像(fat suppression-T2 weighted imaging,FS-T2WI)及T1加权对比增强(T1-weighted contrast-enhanced,T1CE)序列联合临床预测因子创建的临床-影像组学模型在预测无淋巴结转移的直肠癌患者术前淋巴血管浸润(lymphovascular invasion,LVI)中的应用价值。材料与方法回顾性纳入2016年12月至2021年12月河南省人民医院收治的行MRI扫描且术后病理证实为直肠癌的221例患者的病例及影像资料。采用单因素和多因素logistic回归分析LVI阳性组和LVI阴性组的临床数据,以确定LVI的独立预测因子;通过ITK-SNAP软件手动勾画肿瘤全层感兴趣区(region of interest,ROI),利用开源软件PyRadiomics提取影像组学特征,采用SPSS随机数字表法按8∶2比例将患者分为训练集(177例)和测试集(44例),并经过特征降维构建影像组学标签;基于临床预测因子是否加入影像组学模型构建了四个预测模型。根据受试者工作特征曲线下面积(area under the curve,AUC)、敏感度和特异度评估不同预测模型的诊断效能。结果肿瘤最大直径是直肠癌患者LVI的独立临床预测因子(P<0.05)。单独的FS-T2WI、T1CE序列以及两者联合(FS-T2WI+T1CE)的测试集AUC分别为0.757、0.802及0.869,FS-T2WI+T1CE联合临床预测因子的临床-影像组学模型诊断效能最好,测试集AUC为0.898(95%CI:0.769、0.968)。结论本研究构建的临床-影像组学模型具有较高的诊断效能,可以辅助临床对无淋巴结转移的直肠癌患者术前个体化LVI预测,改善治疗方案。
文摘目的 本研究旨在基于术前多参数MRI的深度迁移学习(deep transfer learning,DTL)特征建立模型,以预测子宫内膜癌(endometrial carcinoma,EC)患者淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态。材料与方法 回顾性收集2016年2月至2023年7月本院187例经手术病理确诊的EC患者的临床信息及术前MRI图像。并按7∶3比例随机分为训练集(131例)和测试集(56例)。在轴位T2加权成像、扩散加权成像、表观扩散系数(apparent diffusion coefficient,ADC)图及对比增强T1加权图像上手动勾画病灶感兴趣区。采用ResNet50、ResNet101及DenseNet121网络建立12种DTL模型,接着,采用平均值、最大值及最小值三种决策级融合方法建立融合模型,并从中选取最佳模型作为最终的DTL模型。通过单因素和多因素logistic回归分析筛选出临床特征后建立临床模型,并使用logistic回归联合DTL和临床特征建立DTL-临床联合模型。采用受试者工作特征曲线评估模型诊断EC患者LVSI的效能,通过DeLong检验比较曲线下面积(area under the curve,AUC),校准曲线分析模型的拟合优度,决策曲线分析(decision curve analysis,DCA)探讨模型的临床适用性。结果 测试集中,基于ADC图像建立的ResNet101模型在诊断EC患者LVSI时表现出最高的AUC值,为0.850 [95%置信区间(confidence interval,CI):0.736~0.963]。。采用平均值融合方法建立的融合模型,在测试集中AUC值最高,达到了0.932(95%CI:0.868~0.996),为最佳DTL模型。logistic回归分析表明年龄是EC患者LVSI的独立危险因素。DTL-临床联合模型在测试集中AUC为0.934(95%CI:0.871~0.997),诊断效能优于临床模型[AUC为0.554 (95%CI:0.436~0.671),P<0.001],与DTL模型比较差异无统计学意义(P=0.909)。Hosmer-Lemeshow检验显示联合模型在训练集和测试集中均具有较好的拟合效果(P=0.814及0.402),DCA显示临床净获益更大。结论 基于术前多参数MRI建立的DTL模型,以及将DTL特征与临床特征相结合建立的联合模型,能有效预测EC患者LVSI状态,诊断效能优于临床模型。DTL在小样本EC的MRI数据中表现优异,为LVSI术前预测提供重要临床辅助工具。
文摘目的探讨子宫低级别子宫内膜样癌患者淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)的影响因素。方法回顾性分析2015年1月~2023年5月167例手术病理诊断低级别(G1、G2)子宫内膜样癌患者的临床资料。选择年龄、是否绝经、异常阴道出血时间、合并代谢综合征、CA125升高(≥35 U/ml)、子宫内膜厚度、宫腔占位、合并子宫腺肌症、国际妇产科联盟(International Federation of Gynecology and Obstetrics,FIGO)2009分期9项指标进行单因素分析,对P<0.05的因素进行二元logistic回归分析。结果167例子宫低级别子宫内膜样癌患者中,LVSI 24例(14.4%)。对单因素分析中P<0.05的4项因素(异常阴道出血时间≥4个月、CA125升高、合并子宫腺肌症、分期Ⅱ期及以上)进行二元logistic回归分析,结果显示分期Ⅱ期及以上(OR=7.357,95%CI:2.140~25.288,P=0.002),CA125升高(OR=4.883,95%CI:1.612~14.794,P=0.005)为子宫低级别子宫内膜样癌LVSI的独立预后因素。结论FIGO 2009分期Ⅱ期及以上、CA125≥35 U/ml与子宫低级别子宫内膜样癌患者LVSI有关,间接提示淋巴结转移风险,术前应高度关注,以便制定更为精准的手术方案。
文摘目的观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法回顾性分析178例经术后病理证实为宫颈癌的患者病例,其中70例LVSI(+)、108例LVSI(-),按照8∶2划分为训练集[142例,54例LVSI(+)、88例LVSI(-)]和测试集[36例,16例LVSI(+)、20例LVSI(-)]。对临床因素行单因素logistic分析,筛选出LVSI(+)独立预测因素。使用DTL方法和传统影像组学方法提取矢状位T2WI图像中病灶的DTL特征和影像组学特征,构建DTL特征数据集、影像组学特征数据集和DTL特征与影像组学特征融合的数据集,分别以t检验、Pearson分析和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归对训练集各特征数据集进行特征降维,以其最佳者构建影像组学(radiomics,Rad)模型、DTL模型、融合模型(Rad+DTL模型),并筛选最佳影像组学模型;基于上述最佳影像组学模型评分与临床独立因子构建联合模型,并绘制列线图。以校准曲线评估模型校准度,以决策曲线分析评价模型的应用价值。结果淋巴结转移、粒细胞比率均为LVSI(+)的独立预测因子(P<0.05)。Rad+DTL模型为最佳影像组学模型。联合模型在训练集和测试集中的受试者工作特征曲线下面积(area under the curve,AUC)高于Rad+DTL模型(0.984 vs.0.966,P<0.05;0.912 vs.0.759,P=0.05)。联合模型的校准度较高,临床净收益更大。结论基于MR-T2WI的DTL特征、影像组学特征联合临床特征构建的联合模型可有效预测宫颈癌LVSI。
文摘目的:探讨子宫颈癌淋巴脉管间隙浸润(lymph-vascular space invasion,LVSI)及宫旁浸润与其他临床病理因素的关系。方法:回顾性分析2009年1月至2019年1月期间于西安交通大学第一附属医院妇科接受手术治疗1245例早期子宫颈癌患者的临床资料,分别根据是否LVSI及宫旁浸润分为LVSI组、无LVSI组和宫旁浸润组、无宫旁浸润组,采用单因素和多因素Logistic回归分析脉管及宫旁浸润危险因素。结果:1245例LVSI率14.1%(175/1245),宫旁浸润率1.85%(23/1245)。单因素分析显示LVSI的发生与病灶类型、病理类型、肿瘤细胞分化程度、子宫颈浸润深度、淋巴转移、切缘阳性、宫旁浸润比较,差异有统计学意义(P<0.05)。根据淋巴转移情况分层分析发现,在淋巴未转移组LVSI的发生率与年龄、病灶类型、病理类型、子宫颈浸润深度比较,差异有统计学意义(P均<0.05)。Logistic回归分析显示病灶类型为内生型、病理为鳞癌、子宫颈深肌层浸润和淋巴转移相较于非内生型、非鳞癌、子宫颈浸润浅肌层、无淋巴转移早期子宫颈癌患者是发生LVSI的独立危险因素(OR>1,P<0.05)。单因素分析显示宫旁浸润与病灶类型、子宫颈浸润深度、累及阴道、累及宫体下段、切缘阳性、淋巴转移、LVSI有关(P<0.05)。Logistic回归分析示病灶类型为内生型、累及宫体下段、淋巴转移相较于非内生型、未累及宫体下段、无淋巴转移的早期子宫颈癌患者是发生宫旁浸润的独立危险因素(OR>1,P<0.05)。结论:子宫颈深肌层浸润、淋巴结转移、内生型的子宫颈鳞癌患者更可能发生LVSI;病灶类型为内生型、累及宫体下段、淋巴转移的患者更可能发生宫旁浸润。
文摘目的探究合成MRI的定量参数[纵向弛豫时间(longitudinal relaxation time,T1)、横向弛豫时间(transverse relaxation time,T2)、质子密度(proton density,PD)]在预测宫颈鳞癌淋巴脉管间隙浸润(lymphovascular space invasion,LVSI)状态中的价值。材料与方法前瞻性招募2020年5月至2022年11月首次因疑似宫颈癌于山西医科大学第二医院就诊的患者。患者术前行盆腔常规MRI平扫、合成MRI矢状位扫描,测定肿瘤实质区的T1、T2、PD值。根据LVSI状态,将受试者分为LVSI阳性及阴性组,采用独立样本t检验或U检验,比较两组间T1,T2和PD值的差异。采用受试者工作特征(receiver operating characteristic,ROC)曲线评估各参数独立及联合分析在预测宫颈鳞癌LVSI状态的诊断效能。结果本研究共纳入80名经手术病理证实的宫颈鳞癌患者,其中LVSI阳性51例,LVSI阴性29例。宫颈鳞癌LVSI阳性组的T1值[(1191.60±101.17)ms vs.(1316.58±107.42)ms]和T2值[(80.72±5.62)ms vs.(89.79±7.43)ms]低于LVSI阴性组,差异有统计学意义(P<0.001)。T1、T2值诊断宫颈鳞癌患者LVSI状态的ROC曲线下面积(area under the curve,AUC)分别为0.798、0.850。T1和T2值联合诊断的AUC值为0.881。DeLong检验结果显示,T1和T2联合诊断与T1、T2值独立诊断的AUC值差异无统计学意义(P>0.05)。结论合成MRI定量参数有助于术前评估宫颈鳞癌的LVSI状态,为临床医生制订治疗方案提供参考。
