抽动秽语综合征(Gilles de la Tourette syndrome,GTS)属于儿童期神经发育障碍类疾病,少数病例延至成年期;GTS典型征象包括不自主运动及发声抽动,多伴随注意缺陷多动障碍等,严重影响患者生存质量。GTS起病多与皮质-纹状体-丘脑-皮质(cor...抽动秽语综合征(Gilles de la Tourette syndrome,GTS)属于儿童期神经发育障碍类疾病,少数病例延至成年期;GTS典型征象包括不自主运动及发声抽动,多伴随注意缺陷多动障碍等,严重影响患者生存质量。GTS起病多与皮质-纹状体-丘脑-皮质(cortico-striato-thalamo-cortical,CSTC)环路功能异常关联。目前,基于MRI对GTS发病、先兆冲动、抽动程度及社会认知诸方面的机制研究,已逐渐成为业内热点;结构和功能MRI对GTS感觉、运动、情感、认知等相关脑区的激活及网络改变,能够予以揭示。笔者围绕近年内基于体素形态学分析(voxel-based morphometry,VBM)、弥散张量成像(diffusion tensor imaging,DTI)、功能MRI(functional MRI,fMRI)、磁共振波谱(magnetic resonance spectroscopy,MRS)等不同模态成像的相关文献,进行归纳总结,为疾病早期识别及后续的深入探索提供帮助。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
目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic str...目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。展开更多
目的探讨酰胺质子转移加权(amide proton transfer weighted,APTw)成像与表观扩散系数(apparent diffusion coefficient,ADC)在评估直肠癌肿瘤出芽(tumor budding,TB)等级中的价值。材料与方法回顾性分析了121例直肠癌患者的临床及影像...目的探讨酰胺质子转移加权(amide proton transfer weighted,APTw)成像与表观扩散系数(apparent diffusion coefficient,ADC)在评估直肠癌肿瘤出芽(tumor budding,TB)等级中的价值。材料与方法回顾性分析了121例直肠癌患者的临床及影像资料,根据病理TB计数进行分组,分为中-低级别组和高级别组,对比两组间APT值及ADC值;采用组内相关系数(intra-class correlation coefficient,ICC)对观察者间所测数据的一致性进行检测。应用二元logistic回归整体输入法分析变量与直肠癌TB等级的相关性。采用受试者工作特征(receiver operating characteristic,ROC)曲线分析差异有统计学意义的参数以及其联合后的评估效能,计算曲线下面积(area under the curve,AUC)及其95%置信区间,以及对应的阈值、敏感度、特异度。采用DeLong检验比较各AUC的差异。采用Spearman相关性分析方法来分析各参数与TB的相关性。结果121例直肠癌患者中中-低级别组69例,高级别组52例。2位医师测量的APT值及ADC值结果一致性良好(ICC分别为0.925、0.877)。中-低级别直肠癌TB组的APT值(2.068%±0.588%)低于高级别TB组(3.167%±0.592%)(P<0.001);中-低级别直肠癌TB组的ADC值[(1.064±0.131)×10^(-3)mm^(2)/s]高于高级别TB组[(0.903±0.138)×10^(-3)mm^(2)/s]。在多变量分析中,APT值[比值比:15.079(95%CI:4.822~47.154)]和ADC值[比值比:0.004(95%CI:0.001~0.228)]是预测TB等级的独立危险因素。APT、ADC及两者联合评估直肠癌TB等级的AUC分别为0.916、0.821、0.918。DeLong检验结果显示ADC值与APT值、两者联合后评估TB等级的AUC间差异有统计学意义(P=0.024、0.004)。决策曲线显示两者联合后较单独使用APT及ADC值具有更高的临床价值。APT值与TB等级呈中度正相关(r=0.713,P<0.001),ADC值与TB等级呈中度负相关(r=-0.550,P<0.001)。结论APT和ADC值均能够术前有效评估直肠癌的TB等级,两者联合应用可提高诊断效能。展开更多
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。
文摘目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。
文摘目的探讨酰胺质子转移加权(amide proton transfer weighted,APTw)成像与表观扩散系数(apparent diffusion coefficient,ADC)在评估直肠癌肿瘤出芽(tumor budding,TB)等级中的价值。材料与方法回顾性分析了121例直肠癌患者的临床及影像资料,根据病理TB计数进行分组,分为中-低级别组和高级别组,对比两组间APT值及ADC值;采用组内相关系数(intra-class correlation coefficient,ICC)对观察者间所测数据的一致性进行检测。应用二元logistic回归整体输入法分析变量与直肠癌TB等级的相关性。采用受试者工作特征(receiver operating characteristic,ROC)曲线分析差异有统计学意义的参数以及其联合后的评估效能,计算曲线下面积(area under the curve,AUC)及其95%置信区间,以及对应的阈值、敏感度、特异度。采用DeLong检验比较各AUC的差异。采用Spearman相关性分析方法来分析各参数与TB的相关性。结果121例直肠癌患者中中-低级别组69例,高级别组52例。2位医师测量的APT值及ADC值结果一致性良好(ICC分别为0.925、0.877)。中-低级别直肠癌TB组的APT值(2.068%±0.588%)低于高级别TB组(3.167%±0.592%)(P<0.001);中-低级别直肠癌TB组的ADC值[(1.064±0.131)×10^(-3)mm^(2)/s]高于高级别TB组[(0.903±0.138)×10^(-3)mm^(2)/s]。在多变量分析中,APT值[比值比:15.079(95%CI:4.822~47.154)]和ADC值[比值比:0.004(95%CI:0.001~0.228)]是预测TB等级的独立危险因素。APT、ADC及两者联合评估直肠癌TB等级的AUC分别为0.916、0.821、0.918。DeLong检验结果显示ADC值与APT值、两者联合后评估TB等级的AUC间差异有统计学意义(P=0.024、0.004)。决策曲线显示两者联合后较单独使用APT及ADC值具有更高的临床价值。APT值与TB等级呈中度正相关(r=0.713,P<0.001),ADC值与TB等级呈中度负相关(r=-0.550,P<0.001)。结论APT和ADC值均能够术前有效评估直肠癌的TB等级,两者联合应用可提高诊断效能。