第一部分肺腺癌临床病理特征及CT特征与STAS状态的相关性目的探讨肺腺癌临床病理特征及CT特征与气腔播散(spread through air space,STAS)的相关性。材料与方法回顾性分析709例经手术病理证实且术前三个月内行CT检查的肺腺癌病人的临...
详细信息
第一部分肺腺癌临床病理特征及CT特征与STAS状态的相关性目的探讨肺腺癌临床病理特征及CT特征与气腔播散(spread through air space,STAS)的相关性。材料与方法回顾性分析709例经手术病理证实且术前三个月内行CT检查的肺腺癌病人的临床病理资料及术前胸部CT影像资料。使用Mann-Whitney U秩和检验、χ2检验及两独立样本t检验分析临床病理特征及CT特征与STAS状态相关性。将单因素分析有意义的临床病理特征及CT特征纳入多因素逻辑斯蒂回归(logistic regression,LR)分析,筛选独立危险因素。(49)<0.05认为差异有统计学意义。结果709例肺腺癌病人中,男性301例,女性408例,年龄20~86岁,平均年龄59.7±12.4岁。其中131例STAS阳性(STAS阳性组),578例STAS阴性(STAS阴性组)。单因素分析表明5个临床特征、5个病理特征及12个CT特征与STAS状态相关,多因素分析表明4个临床特征[性别、T分期、N分期、癌胚抗原(carcino-embryonic antigen,CEA)]、3个病理特征(组织学亚型、淋巴管浸润、支气管切缘)及3个CT特征[结节类型、肿瘤最大直径及实性成分百分比(percentage of the solid component,PSC)]是STAS的独立危险因素。结论一些术前CT特征与肺腺癌STAS状态有关,有可能成为术前预测肺腺癌STAS状态的影像学标记。第二部分基于CT放射组学机器学习模型预测肺腺癌气腔播散的研究目的探讨基于术前CT放射组学机器学习模型预测肺腺癌气腔播散(STAS)的价值。材料与方法回顾性分析来自深圳市人民医院(中心I)的709例病人和来自中国医学科学院肿瘤医院深圳医院(中心II)的120例病人。所有病人均经病理证实为肺腺癌,并在手术前3个月内接受了CT检查。将来自中心I的709名病人按照0.7:0.3随机分为训练集(n=496)和内部验证集(n=213),来自中心II的120例病人被用作外部测试集。回顾性分析两个中心病人的临床和CT特征。通过在薄层CT图像上半自动绘制三维感兴趣区域(three-dimensional volumes of interest,3D-VOI)来提取放射组学特征。使用Pearson相关分析剔除重复性高(r>0.8)的特征。使用Mann-Whitney U秩合检验比较STAS阳性和阴性组间放射组学特征的差异,并使用多因素LR分析确定STAS的独立危险因素。在训练集中使用随机森林(random forest,RF)算法建立四种机器学习模型[模型I(放射组学特征),模型II(CT特征),模型III(临床特征)和模型IV(联合放射组学特征、CT特征和临床特征)]并在验证集中进行验证。并将这一过程重复101次。计算受试者工作特征曲线(receiver operating characteristic curve,ROC)下面积(AUC值)评估模型的预测效能。采用Kruskal-Wallis H秩合检验进行四种模型总体间比较及采用Nemenyi法检验进一步两两比较选出最佳模型。使用最佳模型在外部测试集进行预测进一步评价模型的预测效能。P<0.05认为差异有统计学意义。结果107个放射组学特征中,单因素分析表明57个放射组学特征在STAS阳性和STAS阴性组间差异存在统计学意义。多因素LR分析证实3个放射组学特征为肺腺癌STAS状态的独立危险因素。四种RF机器学习模型得到的中位AUC值分别为0.795[四分位数间距(interquartile range,IQR):(0.777~0.810)]、0.799(IQR:0.780~0.817)、0.610(IQR:0.582~0.631)和0.811(IQR:0.797~0.830)(χ2=245.00,P<0.001)。Nemenyi法检验显示仅模型I与模型II之间的差异不具有统计学意义,其余模型两两之间的差异均具有统计学意义。最终选出的最佳模型为基于放射组学特征、CT特征及临床特征建立的联合模型(模型IV),其在外部测试集的诊断效能为0.88[95%可信区间(confidence interval,CI):0.79~0.97,敏感度:84.2%,特异度:81.2%]。结论基于术前CT放射组学的机器学习模型预测肺腺癌STAS状态可达到较高的诊断效能,可为临床手术方式的选择提供决策支持。
第一部分基于深度学习的乳腺X线摄影密度分类系统的临床价值目的探讨基于深度学习(deep learning,DL)的乳腺X线摄影密度分类系统的临床价值。材料与方法回顾性分析深圳市人民医院2018年11~12月1686例(无DL辅助)和2019年1~3月2046例(有DL辅助)乳腺X线摄影检查,由5名从事乳腺影像诊断的医生分成两组:低年资组(工作经验<10年)和高年资组(工作经验>10年),根据美国放射学院(American college of radiology,ACR)第5版乳腺影像报告和数据系统(breast imaging reporting and data system,BI-RADS)标准对两个时间段所有病例进行二分类(致密型、非致密型)和四分类(a型:几乎全部为脂肪、b型:散在纤维腺体密度、c型:乳腺组织密度不均、d型:极度致密)评估,计算DL系统与低年资组和高年资组结果相比的准确性及两组医生对DL评估结果的接受度,采用线性加权Kappa检验(linear weighted kappa,K)组内相关系数(intraclass correlation coefficients,ICC)分析两组医生及所有医生在有和无DL辅助情况下对乳腺密度评估的一致性。结果在低年资组,DL系统预测乳腺密度的准确性和接受度分别为96.32%和96.79%(二分类)、85.59%和89.62%(四分类),在高年资组,DL系统预测乳腺密度准确性和临床接受度分别为95.49%和97.98%(二分类)、84.34%和95.31%(四分类)。此外,在DL系统辅助的情况下,低年资组医生间、高年资组医生间及全部医生间的一致性均有提高,二分类评估中,K值和ICC值分别从0.729、0.749、0.760提高到0.811、0.812、0.795。四分类评估中,K值和ICC值分别从0.729、0.794、0.778提高到0.810、0.817、0.820。结论基于DL的乳腺X线摄影密度分类系统具有较高的准确性和接受度,并有助于提高放射科医生对乳腺密度评估的一致性。第二部分基于深度学习的乳腺X线摄影病灶检测系统的临床价值目的探讨基于深度学习的乳腺X线摄影病灶检测系统的临床应用价值。材料与方法回顾性分析深圳市人民医院2019年4~12月1755例乳腺X线摄影检查。由DL系统和2名从事乳腺影像诊断的低年资医生采用盲法独立阅片,以一名高年资医生结合临床资料、相关影像检查及病理结果的审核结果为参考标准,比较DL系统与两名低年资医生对钙化及肿块病灶检出的敏感性,并采用χ2检验分析不同因素(患者年龄、乳腺密度分类、BI-RADS分类、钙化形态、分布、肿块形态、边缘、密度、大小等)对于DL系统及两名低年资医生的影响。(49)<0.05认为差异有统计学意义。结果本研究共纳入1755例乳腺X线摄影检查病例,每个病例中病灶按个数记录,其中检出钙化885例(共3067个钙化),肿块324例(共618个肿块)。(1)DL系统及两名低年资医生对于钙化检出的敏感性分别为97.52%(2991/3067)、94.33%(2893/3067)、92.53%(2838/3067)。DL系统及两名低年资医生对于不同钙化分布的检出差异均有统计学意义(P<0.05),DL系统对不同患者年龄、乳腺密度分类、钙化形态、BI-RADS分类的钙化检出差异无统计学意义(P>0.05),而两名低年资医生的差异有统计学意义(P<0.05)。(2)DL系统及两名低年资医生对于肿块检出的敏感性分别为86.25%(533/618)、83.98(519/618)、77.99%(482/618),DL系统对于不同乳腺密度分类的肿块检出差异无统计学意义(P>0.05),而两名低年资医生的差异有统计学意义(P<0.05)。DL系统及两名低年资医生对于不同患者年龄、肿块形态、边缘、密度及大小、BI-RADS分类的肿块检出均有统计学差异(P<0.05)。结论基于DL的乳腺X线摄影病灶检出系统对钙化及肿块病变检出均具有很高的敏感性。对于钙化检出具有一定的稳定性,可辅助放射科医生减少漏诊,尤其是可疑恶性钙化的漏诊。而对于肿块检测不受乳腺密度的影响,可辅助医生减少因腺体致密造成的肿块漏诊。第三部分基于深度学习的乳腺X线摄影病灶检测系统对BI-RADS 0类病变的临床价值目的探讨基于深度学习的乳腺X线摄影病灶检测系统对BI-RADS 0类病变的临床价值。材料与方法回顾性收集深圳市人民医院2010年1月2019年1月1075例乳腺X线摄影检查评估为BI-RADS 0类的患者,其中单侧乳腺评估为BI-RADS 0类997例,双侧乳腺评估为BI-RADS 0类78例。记录每个患者的年龄、乳腺密度、判断为BI-RADS 0类原因、进一步影像检
暂无评论