目的探讨动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)参数对喉癌术后放疗短期预后的评估价值。方法本研究采用病例-对照研究设计方案,选取浙江省湖州市中心医院放射科2021年1月至2023年12...目的探讨动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)参数对喉癌术后放疗短期预后的评估价值。方法本研究采用病例-对照研究设计方案,选取浙江省湖州市中心医院放射科2021年1月至2023年12月收治的127例喉癌患者为研究对象,患者接受不同肿瘤处理方式后进行根治性放疗。根据患者术后放疗肿瘤是否复发分为复发组(50例)和未复发组(77例),比较2组患者DCE-MRI参数[容量转移常数(volume transfer constant,Ktrans)、速率常数(rateconstant,Kep)、细胞外血管外间隙容积比(volumefractionofextracellular extravascular space,Ve)]及临床资料,采用多因素Logistic回归模型分析喉癌患者术后放疗短期预后的影响因素。采用受试者工作特征(receiver operating characteristic,ROC)及其曲线下面积(area under the curve,AUC)评估DCE-MRI参数对喉癌患者术后放疗短期预后的预测效能。结果复发组患者手术切缘阳性、术前病灶最大径≥4 cm、溃疡型病灶、N分期为N1~N3期、分期为晚期(Ⅲ、Ⅳ)占比均高于未复发组(P<0.05);复发组的Ktrans、Kep高于未复发组,Ve低于未复发组(P<0.05);多因素Logistic回归分析显示,手术切缘为阳性、N分期为N1~N3期、Ktrans、Kep是喉癌术后放疗短期预后的独立危险因素,Ve是保护因素(P<0.05);ROC结果显示,Ktrans、Kep、Ve三参数联合应用和五指标联合应用的Logistic回归模型诊断喉癌术后放疗短期预后的AUC(95%CI)分别为0.920(0.858~0.961)、0.923(0.862~0.963),三参数联合应用较单独应用的AUC明显提高(P<0.05),与五指标联合应用的AUC比较无差异。结论DCE-MRI参数Ktrans、Kep、Ve与喉癌术后放疗短期预后密切相关,Ktrans、Kep、Ve联合对喉癌患者术后放疗短期预后具有较好的预测效能。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
目的探讨基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)定量参数图像生境放射组学模型预测术前宫颈癌患者淋巴脉管间隙浸润(lymph-vascular space invasion,LVSI)状态的诊断价值。材料与...目的探讨基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)定量参数图像生境放射组学模型预测术前宫颈癌患者淋巴脉管间隙浸润(lymph-vascular space invasion,LVSI)状态的诊断价值。材料与方法回顾性分析了2015年5月至2024年10月于甘肃省人民医院行子宫根治性切除术的102名宫颈癌患者影像及临床资料。按照术后病理结果将患者分为LVSI(+)和LVSI(−)组。比较分析临床参数及DCE-MRI定量参数在两组间的差异,单因素及多因素回归分析筛选宫颈癌LVSI状态相关独立危险因素。在DCE-MRI图像上应用Tissue4D由髂内动脉的时间-信号强度曲线(time-intensity curve,TIC)确定血流峰值期,在该期勾画全肿瘤轮廓作为感兴趣体积(volume of interest,VOI)获得转运常数(volume transport constant,K^(trans))参数图。采用K-means方法选择最优聚类个数将K^(trans)定量参数图像的体素和特征值将VOI聚类成亚区域,提取瘤内影像组学特征数据集和生境影像组学特征,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,构建基于支持向量机(support vector machine,SVM),自适应增强算法(adaptive boosting,AdaBoost)、多层感知机(multilayer perceptron,MLP)在内的机器学习算法的瘤内影像组学模型、生境影像组学模型。采取特征融合(前融合)和结果融合(后融合)的方法构建生境影像组学和瘤内影像组学联合模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线和决策曲线等评估模型效能。结果102例宫颈癌患者中LVSI(+)38例,LVSI(−)64例。单因素逻辑回归分析结果表明年龄、身高、体质量、身体质量指数、K^(trans)、速率常数(rate constant,Kep)是宫颈癌LVSI状态相关的影响因素(OR值分别为0.989、0.997、0.991、0.978、0.045、0.372;P值分别为0.011、0.010、0.008、0.010、0.038、0.018),多因素回归分析未筛选出LVSI相关独立危险因素用于建立临床模型(P>0.05)。生境子区域最佳聚类个数为3类。基于生境区域和整个肿瘤产生18和8个最佳放射组学特征构建瘤内影像组学模型、生境影像组学模型;与瘤内、生境影像组学模型及后融合模型相比基于AdaBoost分类器构建的瘤内影像组学及生境影像组学前融合模型(Pre_AdaBoost模型)预测效能最优,在训练集和验证集的诊断能力最高,ROC曲线下面积、敏感度、特异度分别为0.916(95%置信区间:0.856~0.977)、88.5%、77.8%和0.831(95%置信区间:0.691~0.972)、91.7%、57.9%,且具有较高的临床净收益。结论基于DCE-MRI定量参数图生境影像组学和瘤内影像组学联合模型在预测宫颈癌LVSI方面具有一定价值,可以帮助促进个性化治疗决策。展开更多
目的探讨动态对比增强MRI(dynamic contrast-enhancement MRI,DCE-MRI)瘤周血管特征结合瘤内血流动力学参数在乳腺影像报告和数据系统(breast imaging reporting and data system,BI-RADS)4类肿瘤中的鉴别诊断价值。材料与方法回顾性分...目的探讨动态对比增强MRI(dynamic contrast-enhancement MRI,DCE-MRI)瘤周血管特征结合瘤内血流动力学参数在乳腺影像报告和数据系统(breast imaging reporting and data system,BI-RADS)4类肿瘤中的鉴别诊断价值。材料与方法回顾性分析2018年8月至2023年3月于大连医科大学附属第一医院行乳腺MRI检查为BI-RADS 4类且病理结果明确肿瘤的女性病例102例,其中良性组43例,恶性组59例。记录患者年龄、病灶最大径(dmax)、乳腺DCE-MRI基本影像学特征、瘤周血管特征及瘤内血流动力学参数值。通过单因素和多因素logistic回归分析比较两组间多参数的差异,利用受试者工作特征(receiver operating characteristic,ROC)曲线以及曲线下面积(area under the curve,AUC)分析瘤周血管特征指标与瘤内参数值联合应用对BI-RADS 4类乳腺良恶性两组肿瘤鉴别的诊断效能。应用DeLong检验对AUC进行比较。结果乳腺良性组和恶性组病例在年龄、dmax、背景实质强化(background parenchymal enhancement,BPE)、纤维腺体组织量(fibroglandular tissue,FGT)、瘤周相邻血管征(adjacent vascular sign,AVS)数目、瘤周血管最大径、患侧瘤周与健侧同一象限血管直径差值(△d)、瘤周血管出现期相以及瘤内容积转移常数(volume transfer constant,K^(trans))、速率常数(flux rate constant,K_(ep))、最大增强斜率(maximum slope of increase,MSI)和时间-信号强度曲线(time-signal intensity curve,TIC)类型的差异均具有统计学意义(P<0.05),而病变位置、信号增强率(signal enhancement ratio,SER)和血管外细胞外间隙容积比(volume fraction of extravascular extra vascular space,V_(e))差异无统计学意义(P>0.05)。通过多因素logistic回归分析结果显示,△d、dmax、MSI和K^(trans)为区分两组间的独立影响因素,其中优势比最大的是MSI值(AUC为0.923)。将瘤周血管特征△d分别与dmax、MSI和K^(trans)进行两者联合模型比较,以△d与MSI联合模型的诊断效能最高(AUC为0.933,敏感度和特异度分别为93.2%和83.7%),且△d联合MSI与△d联合K^(trans)比较的差异具有统计学意义(P=0.001);其他联合指标在两两比较时差异无统计学意义(P>0.05),联合模型高于单独MSI模型的诊断效能。结论瘤周血管特征指标(△d)联合瘤内半定量(MSI)血流动力学参数对评价BI-RADS 4类乳腺肿瘤具有较好的鉴别诊断价值。展开更多
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)参数对喉癌术后放疗短期预后的评估价值。方法本研究采用病例-对照研究设计方案,选取浙江省湖州市中心医院放射科2021年1月至2023年12月收治的127例喉癌患者为研究对象,患者接受不同肿瘤处理方式后进行根治性放疗。根据患者术后放疗肿瘤是否复发分为复发组(50例)和未复发组(77例),比较2组患者DCE-MRI参数[容量转移常数(volume transfer constant,Ktrans)、速率常数(rateconstant,Kep)、细胞外血管外间隙容积比(volumefractionofextracellular extravascular space,Ve)]及临床资料,采用多因素Logistic回归模型分析喉癌患者术后放疗短期预后的影响因素。采用受试者工作特征(receiver operating characteristic,ROC)及其曲线下面积(area under the curve,AUC)评估DCE-MRI参数对喉癌患者术后放疗短期预后的预测效能。结果复发组患者手术切缘阳性、术前病灶最大径≥4 cm、溃疡型病灶、N分期为N1~N3期、分期为晚期(Ⅲ、Ⅳ)占比均高于未复发组(P<0.05);复发组的Ktrans、Kep高于未复发组,Ve低于未复发组(P<0.05);多因素Logistic回归分析显示,手术切缘为阳性、N分期为N1~N3期、Ktrans、Kep是喉癌术后放疗短期预后的独立危险因素,Ve是保护因素(P<0.05);ROC结果显示,Ktrans、Kep、Ve三参数联合应用和五指标联合应用的Logistic回归模型诊断喉癌术后放疗短期预后的AUC(95%CI)分别为0.920(0.858~0.961)、0.923(0.862~0.963),三参数联合应用较单独应用的AUC明显提高(P<0.05),与五指标联合应用的AUC比较无差异。结论DCE-MRI参数Ktrans、Kep、Ve与喉癌术后放疗短期预后密切相关,Ktrans、Kep、Ve联合对喉癌患者术后放疗短期预后具有较好的预测效能。
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 探讨基于动态对比增强磁共振成像(dynamic contrast enhancement magnetic resonance imaging,DCE-MRI)药代动力学参数直方图特征预测前列腺癌(prostate cancer,PCa)内分泌治疗反应的价值。材料与方法 回顾性分析2018年1月至2023年10月河西学院附属张掖人民医院(中心1)和2020年2月至2023年2月甘肃省人民医院(中心2)PCa患者在内分泌治疗前2周的临床、影像资料,将中心1收集的105例病例按7∶3的比例分为训练集(73例)和内部验证集(32例),将中心2收集的47例病例作为外部验证集。选取DCE-MRI原始图像,通过Siemens Syngo.via工作站获得药代动力学参数容积转运常数(volume transfer contrast,Ktrans)、速率常数(rate contrast,Kep)、血管外细胞外容积分数(extravascular extracellular volume fraction,Ve)伪彩图。在3D Slicer软件中参照轴位T2WI在药代动力学参数伪彩图上逐层勾画全前列腺腺体感兴趣区(region of interest,ROI)后提取直方图特征,经最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)降维筛选出8个最优特征并计算直方图特征。采用单因素及后向多因素logistic回归分析内分泌治疗反应良好组和不良组的独立预测因素,并构建临床模型、直方图特征模型、联合模型。采用受试者工作特性曲线、校准曲线和决策曲线评价模型的效能,通过DeLong检验评估各模型曲线下面积(area under the curve,AUC),最后基于联合模型的独立预测因素绘制列线图。结果 训练集、内部验证集和外部验证集中治疗反应良好组和不良组之间Gleason评分、MRI-T分期、直方图特征差异均存在统计学意义(P<0.001)。后向多因素logistic回归分析显示Gleason评分(OR=0.925,95%CI:0.859~0.958,P=0.038)、MRI-T分期(OR=0.871,95%CI:0.800~0.949,P=0.002)及直方图特征(OR=0.096,95%CI:0.056~0.137,P<0.001)是PCa内分泌治疗反应的独立预测因素;临床模型在训练集、内部验证集及外部验证集的AUC分别为0.857(95%CI:0.774~0.939)、0.953(95%CI:0.888~0.996)、0.808(95%CI:0.676~0.941);直方图特征模型在训练集、内部验证集及外部验证集的AUC为0.874(95%CI:0.769~0.951)、0.816(95%CI:0.664~0.967)、0.674(95%CI:0.517~0.831);联合模型在训练集、内部验证集及外部验证集的AUC为0.951(95%CI:0.906~0.994)、0.973(95%CI:0.922~0.995)、0.830(95%CI:0.699~0.960);决策曲线和校准曲线分析表明,联合模型具有良好的临床应用价值和稳定性;DeLong检验及NRI值显示联合模型的预测效能优于临床模型和直方图特征模型。结论 DCE-MRI药代动力学参数直方图特征是预测PCa内分泌治疗反应的独立预测因素,联合模型在预测PCa内分泌治疗反应方面具有较好的价值,为临床治疗决策提供了新的思路。
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)定量参数直方图特征联合表观弥散系数(apparent diffusion coefficient,ADC)预测局部晚期宫颈癌(locally advanced cervical cancer,LACC)放化疗疗效的价值。材料与方法于甘肃省人民医院回顾性分析2017年1月至2023年12月88例LACC同步放化疗患者的临床及影像资料,前瞻性收集2023年12月至2024年5月15例LACC患者。按照实体瘤临床疗效评价标准(response evaluation criteria in solid tumor,RECIST)v1.1将患者分为显著反应组与非显著反应组。在DCE-MRI图像上选择肿瘤最大层面全肿瘤轮廓作为感兴趣区(region of interest,ROI)获得转运常数(volume transport constant,K^(trans))、血管外细胞外间隙容积分数(extravascular extracellular volume fraction,Ve)、速率常数(rate constant,K^(ep))原始频数表,导入IBM SPSS Statistics 27软件计算直方图特征,103例患者基于时间序列分层分割策略分为训练集88例,验证集15例,利用机器学习筛选最优DCE-MRI定量参数直方图特征并计算灌注参数评分(DCEscore);同时在ADC图测量ADC值。构建DCE直方图特征模型、ADC值及联合模型预测LACC放化疗疗效。采用受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线和决策曲线评估模型效能。比较临床参数及直方图特征在LACC患者放化疗疗效显著反应组及非显著反应组间差异,单因素及多因素回归分析筛选宫颈癌放化疗疗效独立危险因素。结果基于DCE-MRI定量参数直方图特征模型预测LACC患者放化疗疗效训练集、验证集ROC曲线下面积(area under the curve,AUC)分别为0.922、0.841;ADC值预测LACC患者放化疗疗效训练集、验证集AUC为0.835、0.705;DCEscore联合ADC值预测LACC患者放化疗疗效效能最佳,训练集、验证集AUC为0.943、0.909。临床参数中,身体质量指数(body mass index,BMI)在显著反应组及非显著反应组之间差异具有统计学意义(P=0.032)。单因素逻辑回归分析结果表明BMI、DCEscore、ADC是LACC放化疗疗效的影响因素(OR值分别为1.264、277.9、0.001;P值分别为0.008、<0.001、0.002),多因素逻辑回归筛选DCEscore及ADC值是宫颈癌放化疗疗效的独立危险因素(OR值分别为518.2、0.002;P值分别为<0.001、0.007)。结论基于DCE-MRI定量参数直方图特征联合ADC值构建的联合模型能够治疗前预测宫颈癌放化疗疗效,提示DCE-MRI定量参数直方图特征联合ADC值可能为LACC患者精准医疗提供一种无创评估方法。
文摘目的探索利用动态对比增强MRI(dynamic contrast-enhanced MRI,DCE-MRI)多参数及影像组学数据,构建中轴型脊柱关节炎炎症活动性评估模型,为临床诊治提供参考。材料与方法纳入93例经临床诊断的中轴型脊柱关节炎患者,依据强直性脊柱炎疾病活动评价积分(ankylosing spondylitis disease activity score,ASDAS)分为炎症活动性组和非炎症活动性组。所有患者均行骶髂关节DCE-MRI扫描。利用Omni-Kinetics后处理软件测量骶髂关节感兴趣区域定量渗透参数、定量灌注参数和半定量参数。使用ITK-SNAP软件勾画双侧骶骨、髂骨面的感兴趣体积(volume of interest,VOI),利用Artificial Intelligent Kit(A.K.)软件提取影像组学特征,然后通过交叉验证、LASSO等方法构建了不同中轴型脊柱关节炎炎症活动性的预测模型,包括加拿大脊柱炎研究联盟(Spondyloarthritis Research Consortium of Canada,SPARCC)评分模型、DCE-MRI多参数联合模型、DCE-MRI影像组学综合模型,通过受试者工作特征(receiver operating characteristic,ROC)曲线分析进行验证,并通过曲线下面积(area under the curve,AUC)、准确率、敏感度、特异度判别模型效能。结果(1)SPARCC的AUC(95%CI)为0.697(0.589~0.805);(2)反流速率常数(efflux rate constant,K_(ep))、达峰时间(time to peak,TTP)、血管外细胞外容积分数(extravascular extracellular volume fraction,V_(e))参数t检验或U检验P值<0.05,AUC(95%CI)分别为0.628(0.505~0.751)、0.648(0.535~0.761)、0.630(0.511~0.749),DCE-MRI多参数联合模型的AUC为0.712(0.600~0.823);(3)DCE-MRI影像组学的AUC(95%CI)为0.617(0.489~0.746)至0.889(0.826~0.953),DCE-MRI影像组学综合模型的AUC(95%CI)为0.951(0.910~0.992);(4)DCE-MRI影像组学综合模型的诊断效能优于DCE-MRI多参数联合模型及SPARCC评分模型(AUC:0.951 vs.0.712,0.951 vs.0.697;P均<0.001)。结论DCE-MRI影像组学综合模型在中轴型脊柱关节炎炎症活动性评估中优于DCE-MRI参数联合模型及SPARCC评分模型,为中轴型脊柱关节炎临床诊治提供了新的参考依据。
文摘目的探讨基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)定量参数图像生境放射组学模型预测术前宫颈癌患者淋巴脉管间隙浸润(lymph-vascular space invasion,LVSI)状态的诊断价值。材料与方法回顾性分析了2015年5月至2024年10月于甘肃省人民医院行子宫根治性切除术的102名宫颈癌患者影像及临床资料。按照术后病理结果将患者分为LVSI(+)和LVSI(−)组。比较分析临床参数及DCE-MRI定量参数在两组间的差异,单因素及多因素回归分析筛选宫颈癌LVSI状态相关独立危险因素。在DCE-MRI图像上应用Tissue4D由髂内动脉的时间-信号强度曲线(time-intensity curve,TIC)确定血流峰值期,在该期勾画全肿瘤轮廓作为感兴趣体积(volume of interest,VOI)获得转运常数(volume transport constant,K^(trans))参数图。采用K-means方法选择最优聚类个数将K^(trans)定量参数图像的体素和特征值将VOI聚类成亚区域,提取瘤内影像组学特征数据集和生境影像组学特征,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,构建基于支持向量机(support vector machine,SVM),自适应增强算法(adaptive boosting,AdaBoost)、多层感知机(multilayer perceptron,MLP)在内的机器学习算法的瘤内影像组学模型、生境影像组学模型。采取特征融合(前融合)和结果融合(后融合)的方法构建生境影像组学和瘤内影像组学联合模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线和决策曲线等评估模型效能。结果102例宫颈癌患者中LVSI(+)38例,LVSI(−)64例。单因素逻辑回归分析结果表明年龄、身高、体质量、身体质量指数、K^(trans)、速率常数(rate constant,Kep)是宫颈癌LVSI状态相关的影响因素(OR值分别为0.989、0.997、0.991、0.978、0.045、0.372;P值分别为0.011、0.010、0.008、0.010、0.038、0.018),多因素回归分析未筛选出LVSI相关独立危险因素用于建立临床模型(P>0.05)。生境子区域最佳聚类个数为3类。基于生境区域和整个肿瘤产生18和8个最佳放射组学特征构建瘤内影像组学模型、生境影像组学模型;与瘤内、生境影像组学模型及后融合模型相比基于AdaBoost分类器构建的瘤内影像组学及生境影像组学前融合模型(Pre_AdaBoost模型)预测效能最优,在训练集和验证集的诊断能力最高,ROC曲线下面积、敏感度、特异度分别为0.916(95%置信区间:0.856~0.977)、88.5%、77.8%和0.831(95%置信区间:0.691~0.972)、91.7%、57.9%,且具有较高的临床净收益。结论基于DCE-MRI定量参数图生境影像组学和瘤内影像组学联合模型在预测宫颈癌LVSI方面具有一定价值,可以帮助促进个性化治疗决策。
文摘目的探讨乳腺动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)、时间-信号强度曲线(time-signal intensity curve,TIC)及表观弥散系数(apparent diffusion coefficient,ADC)预测乳腺癌激素受体(hormone receptor,HR)表达状态的价值,评估MRI特征与激素受体状态之间的相关性及预测价值。材料与方法回顾性分析2019年11月至2025年3月206例经病理证实为浸润性乳腺癌患者的MRI表现,分析DCE-MRI中形态学特征、TIC与ADC值在不同HR表达状态(HR+/HR-)乳腺癌之间的差异,对差异有统计学意义的MRI表现进行单因素及多因素联合的logistic回归分析,并绘制ROC曲线,评估MRI特征预测乳腺癌激素受体表达状态的效能。结果HR+组与HR-组的形态学特征(包括肿瘤最大径、边缘、毛刺征、强化方式)、TIC与ADC的差异均具有统计学意义(P<0.05),HR+更容易表现为最大径≤2 cm、边缘不清晰、有毛刺、不均匀强化和TIC为Ⅲ型曲线,且平均ADC值低于HR-。其中MRI形态学特征、ADC值可以预测激素受体阳性或阴性乳腺癌,曲线下面积(area under the curve,AUC)分别为0.806(95%CI:0.747~0.864)、0.669(95%CI:0.593~0.744),敏感度分别为74.1%、75.3%、特异度分别为74.4%、51.2%,而将二者联合预测HR表达状态的AUC为0.837(95%CI:0.784~0.890),敏感度、特异度分别为84.0%、65.6%,其中MRI形态学特征联合ADC值的鉴别价值最高。结论MRI形态学特征、ADC值联合模型对于乳腺癌激素受体表达状态具有较好的预测价值,从而为临床治疗方案的制订和调整提供依据。
文摘目的探讨动态对比增强MRI(dynamic contrast-enhancement MRI,DCE-MRI)瘤周血管特征结合瘤内血流动力学参数在乳腺影像报告和数据系统(breast imaging reporting and data system,BI-RADS)4类肿瘤中的鉴别诊断价值。材料与方法回顾性分析2018年8月至2023年3月于大连医科大学附属第一医院行乳腺MRI检查为BI-RADS 4类且病理结果明确肿瘤的女性病例102例,其中良性组43例,恶性组59例。记录患者年龄、病灶最大径(dmax)、乳腺DCE-MRI基本影像学特征、瘤周血管特征及瘤内血流动力学参数值。通过单因素和多因素logistic回归分析比较两组间多参数的差异,利用受试者工作特征(receiver operating characteristic,ROC)曲线以及曲线下面积(area under the curve,AUC)分析瘤周血管特征指标与瘤内参数值联合应用对BI-RADS 4类乳腺良恶性两组肿瘤鉴别的诊断效能。应用DeLong检验对AUC进行比较。结果乳腺良性组和恶性组病例在年龄、dmax、背景实质强化(background parenchymal enhancement,BPE)、纤维腺体组织量(fibroglandular tissue,FGT)、瘤周相邻血管征(adjacent vascular sign,AVS)数目、瘤周血管最大径、患侧瘤周与健侧同一象限血管直径差值(△d)、瘤周血管出现期相以及瘤内容积转移常数(volume transfer constant,K^(trans))、速率常数(flux rate constant,K_(ep))、最大增强斜率(maximum slope of increase,MSI)和时间-信号强度曲线(time-signal intensity curve,TIC)类型的差异均具有统计学意义(P<0.05),而病变位置、信号增强率(signal enhancement ratio,SER)和血管外细胞外间隙容积比(volume fraction of extravascular extra vascular space,V_(e))差异无统计学意义(P>0.05)。通过多因素logistic回归分析结果显示,△d、dmax、MSI和K^(trans)为区分两组间的独立影响因素,其中优势比最大的是MSI值(AUC为0.923)。将瘤周血管特征△d分别与dmax、MSI和K^(trans)进行两者联合模型比较,以△d与MSI联合模型的诊断效能最高(AUC为0.933,敏感度和特异度分别为93.2%和83.7%),且△d联合MSI与△d联合K^(trans)比较的差异具有统计学意义(P=0.001);其他联合指标在两两比较时差异无统计学意义(P>0.05),联合模型高于单独MSI模型的诊断效能。结论瘤周血管特征指标(△d)联合瘤内半定量(MSI)血流动力学参数对评价BI-RADS 4类乳腺肿瘤具有较好的鉴别诊断价值。
文摘目的探讨基于动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)和扩散加权成像(diffusion-weighted imaging,DWI)的瘤内及瘤周影像组学预测乳腺癌人表皮生长因子受体2(human epidermal growth factor receptor-2,HER-2)状态的价值。材料与方法回顾性分析246例经术后病理证实的乳腺癌患者的临床及影像学资料,按7∶3比例随机分为训练组和验证组。采用ITK-SNAP软件手动勾画病灶瘤内感兴趣区,使用PHIgo-AK软件进行瘤周的扩展并提取瘤内及瘤周的影像组学特征。采用最小冗余最大相关(max-relevance and min-redundancy,mRMR)算法等选择DCE-MRI、DWI瘤内及瘤周的最优特征数。分别建立单序列及联合序列的影像组学模型,采用受试者工作特征(receiveroperating characteristic,ROC)曲线对各模型的预测效能进行分析,并计算曲线下面积(area under the curve,AUC),选出预测效能最高的模型,在训练组中从临床及常规影像学特征中通过单因素logistic回归筛选出预测HER-2状态的独立危险因素,结合预测效能最高模型的影像组学标签评分(radiomic score,rad-score)建立融合模型,并以诺模图(nomogram)展示,采用AUC值,决策曲线分析(decision curve analysis,DCA)评估模型的效能及临床价值。结果基于DCE-MRI和DWI瘤内及瘤周的影像组学联合模型预测HER-2状态的AUC值在训练组和验证组分别为0.953和0.948,效能最高。肿瘤最大径是区分乳腺癌HER-2状态的独立危险因素,最终结合rad-score和肿瘤最大径建立的融合模型对乳腺癌HER-2状态有良好的预测效能,在训练组的AUC值为0.961,验证组为0.958。结论基于DCE-MRI和DWI瘤内及瘤周的影像组学方法对乳腺癌HER-2状态的预测具有良好的价值。
文摘目的旨在评估动态对比增强磁共振成像(dynamic contrast-enhancement magnetic resonance imaging,DCE-MRI)结合扩散加权成像(diffusion weighted imaging,DWI)在预测前列腺癌(prostate cancer,PCa)Ki-67表达和Gleason评分中的诊断效能。材料与方法回顾性分析了2019年1月至2023年10月自贡市第四人民医院收治的66例PCa患者的临床及影像资料。结合T2WI、DWI序列和由DWI自动计算出的表观扩散系数(apparent diffusion coeffieient,ADC),在DCE-MRI图像上手动勾画肿瘤感兴趣区(region of interest,ROI),计算ROI药代动力学参数,包括容积转运常数(volume transfer contrast,K^(trans))、速率常数(rate contrast,K_(ep))、血管外细胞外容积分数(extravascular extracellular volume fraction,Ve),并测量ADC值。根据靶向穿刺病理诊断Gleason评分和Ki-67表达水平,分为Ki-67高表达组(Ki-67>10%)和低表达组(Ki-67≤10%),Gleason评分低级别(GG 1~2)和高级别(GG 3~5)组。组间差异比较使用两独立样本t检验或非参数检验,采用Spearman相关分析评价DCE-MRI参数和ADC值与Ki-67、Gleason评分的相关性,并建立logistic回归模型,通过受试者工作特征(receiver operating characteristic,ROC)曲线评估诊断效能。结果ADC值与Ki-67表达、Gleason评分均呈负相关(P<0.001),K^(trans)、K_(ep)、Ve与Ki-67表达均呈正相关(P<0.001),K^(trans)、K_(ep)与Gleason评分均呈正相关(P<0.001)。Ki-67高、低表达组K^(trans)、K_(ep)、Ve、ADC值比较差异均具有统计学意义(P<0.01),Gleason评分高、低级别组K^(trans)、K_(ep)、ADC值比较差异均具有统计学意义(P<0.01);Ki-67表达的ROC曲线分析显示,联合模型K^(trans)+K_(ep)+Ve+ADC诊断效能最好,曲线下面积(area under the curve,AUC)为0.940;Gleason评分分级的ROC曲线分析显示,联合模型K^(trans)+K_(ep)+ADC诊断效能最好,AUC为0.861。结论DCE-MRI的药代动力学参数和ADC值相结合,在预测PCa的Ki-67表达和Gleason评分中显示出高诊断效能。联合使用DCE-MRI定量参数与ADC值可提高PCa病理分级和生物侵袭性的预测准确性。
