Baidu
map

盘点:Radiology2018年10月汇总(上)!

2018-12-04 shaosai MedSci原创

【盘点】Radiology2018年10月汇总(上)!

Radiology:评价乳腺癌微钙化哪种检查手段好?

本研究旨在比较2D钼靶联合数字乳腺断层X线成像(DBT)与传统全景数字钼靶(FFDM)在乳腺摄影筛查微钙化的价值。

本研究共纳入了72例经钼靶筛查复查微钙化的患者,利用FFDM和DBT进行进出评价。所采集数据中包含54例乳腺X线摄影良性微钙化、18例恶性微钙化和20例无微钙化并作为对照的患者。FFDM与乳腺X线摄影联合DBT进行比较。由4例阅片者独立评价每组数据并将微钙化复查制作成标。计算SM联合DBT和FFDM检出微钙化的敏感性和特异性。利用Fleiss kappa值评价组间一致性。

结果为,FFDM、SM联合DBT阅片者的Fleiss kappa值分别为0.66 (P < .001) 、0.63 (P < .001),阅片者利用FFDM检出整体微钙化、恶性微钙化的敏感性分别为80% (229 / 288; 95%CI: 74%, 84%)、92% (66 / 72; 95% CI: 83%, 97%);阅片者利用SM联合DBT检出整体微钙化、恶性微钙化的敏感性分别为75% (215 / 288; 95% CI: 69%, 80%)、94% (68 / 72; 95% CI: 86%, 98%)。阅片者利用FFDM检出整体微钙化、恶性微钙化的特异性分别为98% (78 / 80; 95% CI: 91%, 100%)、8% (78 / 80; 95% CI: 91%, 100%),阅片者利用SM联合DBT检出整体微钙化、恶性微钙化的特异性分别为95% (76 / 80; 95% CI: 88%, 99%)、95% (76 / 80; 95% CI: 88%, 99%)。混合效应模型显示不同检出手段间无明显差异性(?0.03; 95% CI: ?0.08, 0.01; P = .13)。

本研究表明,相对于全景数字钼靶,乳腺X线摄影联合数字乳腺断层X线成像对检出钼靶随访中的微钙化具有相似敏感性和特异性。


Radiology:基于CT平扫腹主动脉钙化定量在预测非症状性成人血管事件要优于Framingham风险评分?!

本研究旨在验证是否基于CT平扫腹主动脉钙化(AAC)定量在预测非症状性成人血管事件要优于Framingham风险评分(FRS)。

本研究共纳入了829例非症状性并行腹部CT平扫的患者,对其进行随访平均11.2 年± 2.8评价心血管事件。利用半定量软件定量评价基于CT的AAC作为改良Agatston评分。利用Kaplan-Meier曲线和Cox比例危害模型进行事件-心血管事件分析。利用ROC曲线和净重新分类指数变化比较FRS与AAC的预测能力。

结果为,共有156/829例患者在行CT后出现心血管事件(6.7年± 3.5,包括39 [5%]例心肌梗死和79 [10%]例死亡)。在心血管事件组AAC要明显升高(平均AAC, 3478 vs 664; P < .001)。单变量和多变量Cox模型均显示AAC是预测心血管事件的独立指标,独立于FRS(P < .001)。Kaplan-Meier散点图显示AAC要优于FRS。在所有时间点,AAC的曲线下面积(AUC)要明显高于FRS(例如,2年后,AUC of 0.82 vs 0.64; P = .014)。利用200作为最佳截断值,AAC改善了FRS风险分类和经分类指数达到35.4%。

本研究表明,基于CT腹主动脉钙化是预测远期心血管事件的独立指标,其优于Framingham风险评分。该研究表明,腹部CT平扫中腹主动脉钙化具有额外的临床价值。


Radiology:扩散加权MRI预测异柠檬酸脱氢酶型胶质瘤的价值比较

本研究旨在评价是否扩散MRI指标与II、III级胶质瘤异柠檬酸脱氢酶(IDH)状态具有相关性,探究是否利用高级模型如神经突触弥散与密度成像(NODDI)和扩散峰度程度较扩散张量成像(DTI)更有较高的诊断准确率。

本研究纳入了192例II(n = 62)、III级(n = 58)或IV级神经胶质瘤并行扩散MRI(b = 700和2000 sec/mm2)的患者。利用DTI、扩散峰度成像和NODDI指标测量扩散MR图像中高信号的区域,根据IDH基因表型、1p/19q共缺失状态和肿瘤级别,利用Mann-Whitney检验比较组间差异。

在II、III级IDH野生型胶质瘤中,最大FA值、KA值和受限分数要明显高于IDH突变型胶质瘤,最小扩散系数要显着低于IDH突变型胶质瘤(P = .011、P = .002、P = .044、P = .027),ROC曲线下面积为0.72-0.76。在IDH野生型胶质瘤中,II、III和IV级胶质瘤中无显着差异性。在IDH突变型胶质瘤中,有无1p/19q缺失并无统计学差异。

本研究表明,扩散加权MRI指标显示II和III级胶质瘤异柠檬酸脱氢酶状态具有相助差异性。高级扩散MRI模型并不能提高诊断准确率,这也支持单壳层扩散张量成像采集在颅脑肿瘤成像的扫描方案。


Radiology:AI多是会帮助,取代是很难

本研究旨在建立和验证基于深部学习自动检测算法(DLAD)在胸片恶性肺结节的价值,比较其与胸部放射科医生等内科医生的诊断效能。

利用34676例患者的43292张胸部片(正常与肺结节比例为34067:9225)建立DLAD,在卷积神经网络中由13名高级支持放射科医生进行标记、注释。验证DLAD的胸片分类和肺结节检出能力。利用ROC曲线下面积和JAFROC FOM评价DLAD的胸片分类和肺结节检出能力。评价观察者诊断能力测试包括18例内科医生(包括9名高年资放射科医生)。评价和比较DLAD、内科医生和DLAD辅助性内科医生的诊断能力。

根据验证数据集,DLAD的胸片分类和肺结节检出能力为0.92-0.99 (AUROC)、0.831-0.924 (JAFROC FOM)。DLAD在观察能力方面要高于17/18(AUROC)、15/18(JAFROC FOM)名医生。在DLAD的辅助下,所有医生检出肺结节的能力明显升高(平均JAFROC FOM提高为0.043; 范围0.006-0.190; P < .05)。

本研究表明,基于深部学习自动检测算法在胸片分类和恶性肺结节检出能力方面要优于内科医生,其有助于提高内科医生的诊断能力。


Radiology:常规尸检、MRI/CT辅助性穿刺尸检哪个更准确?

本研究旨在比较穿刺尸检与常规尸检的诊断价值。

本研究共纳入了295/2197具行常规尸检的尸体。共有139/295个尸体家属获得知情同意,最后有99/139具尸体纳入研究。所行穿刺性尸检结果与常规尸检是相对独立的。穿刺性活检联合MRI/CT辅助下尸检和CT引导下对主要器官和病变活检。与公开死因为参考,比较穿刺性尸检结果与常规尸检结果的差异,两者对整体、主要诊断的差异,临床病因的发生率及解决临床问题的百分比。

穿刺性尸检与常规尸检对尸体死因一致性为91/99(92%)。经协商后穿刺性尸检与常规尸检对尸体死因一致性分别达到96/99(97%)、94/99(95%)(P = .73)。所有288个主要诊断与死因相关。穿刺性尸检确定诊断为259/288(90%),常规尸检为224 (78%),两者共同为200 (69%)。在临床检查中,124/288(43%)个诊断未能建立。共有219个额外的临床问题。共有189(86%)个临床问题由穿刺活检得到解决,共有182(83%)个临床问题由常规尸检得到解决。

本研究表明,经穿刺尸检诊断死因的价值与常规尸检相似,而经穿刺尸检具有更广泛的诊断价值。


Radiology:胰腺癌哪些CT征象提示切了也白切?

本研究根据NCCN标准评价胰腺癌R0期可切除CT征象的诊断价值。

回顾性分析由高年资腹部放射科医生审核的616例胰腺癌患者胰腺CT结构化报告,根据NCCN标准评价可切除性(可切除、边界切除或不能切除)。基于行手术切除患者CT可切除征象评价切除边界阴性(R0)率。利用Logistic回归分析识别与R0切除相关指标。

结果为,共有371例患者行手术切除,可切除、边界切除或不能切除的R0率分别为73% (171 / 235), 55% (57 / 104), and 16% (five / 32) (P < .001)。在多元分析中,肿瘤直径>4cm(P < .001)、毗邻肠腔静脉(P < .001)是具有CT可切除征象胰腺癌切除边界阳性的显着相关指标。对于毗邻肠腔静脉的可切除胰腺癌、非毗邻肠腔静脉的可切除胰腺癌、≤2cm可切除胰腺癌和>4cm可切除胰腺癌的Ro切除率分别为80% (123 / 154) 、59% (48 / 81)、83% (57 / 69) 、29% (five / 17)。

本研究表明,CT可切除征象能够用于根据R0切除可能性的胰腺癌患者的分类。肿瘤直径越大、肿瘤毗邻肠腔静脉是与可切除胰腺癌患者切除边界阳性的指标。


Radiology:半自动CT分析软件帮你诊断腕关节运动学异常

本研究旨在利用4D CT分析桡月分离时桡舟角(RSA)和月头状角(LCA)分离在技术上的可能性。

本研究共纳入了37例可疑舟月骨不稳定性且行4D CT和CT关节造影的患者。由两名阅片者在桡月关节分离状态下计算RSA和LCA的5个角度指标。利用CT关节造影作为舟月韧带撕裂的参考标准。

结果为,在对照组(n=23),两名阅片者所测RSA值分别为103° ± 8、104° ± 9,变异系数为11%,LCA值分别为86° ± 9°、90° ± 11°,变异系数为13%。RSA的组间和组内一致性均良好,LCA的组间和组内一致性为一般到良好。在病例组(n=14),与对照组相比,LCA角幅,标准差和最大角要明显减低,分别为36% /44% (P = .003)、37%/44% (P = .002)、13%/19% (P = .003)。在病例组,RSA角幅并无显着差异性。LCA具有最高敏感性(71%-93%),RSA具有最高特异性(87%-100%)。

本研究表明,桡月关节分离下腕关节半自动4D CT分析对评价腕关节运动学异常具有技术上可行性和可重复性。


Radiology:隐源性脑脊液漏患者到底哪里漏?

本研究旨在利用动态CT脊髓造影术定位常规影像学检查阴性的自发性颅内低压综合征(SIH)患者脑脊液漏(CSF),即隐源性脑脊液漏,的价值。

本研究共纳入74例SIH并脊髓造影证实为CSF漏的患者。在14例患者中,常规影像学检查诊断阴性后,动态CT脊髓造影检查示俯卧位或侧卧位显示准确脑脊液漏的位点。在图像分析中,首次硬膜外对比剂漏的位点定义为硬膜破损的位置。

结果为,患者平均年龄为44岁。所有均行脊髓MRI、常规动态脊髓造影和CT脊髓造影。动态CT脊髓造影范围包括7个椎体水平。10例患者脑脊液漏是因为钙化刺破所致,余下4例是由于脊神经根所致的硬膜撕裂。动态CT脊髓造影平均CT剂量指数为107 mGy (范围为12-246 mGy),平均计量长度乘积为1347 mGy·cm (范围为550-3750 mGy·cm)。

本研究表明,动态CT脊髓造影对识别常规影像学检查阴性硬膜撕裂所致脑脊液漏精确位置具有很大的价值。


Radiology: 68Ga-PSMA-11 PET/MRI与多参数MRI诊断前列腺癌哪个更好?

本研究旨在比较68Ga-前列腺特异性膜抗体(PSMA-11)PET/MRI与多参数MRI诊断前列腺癌的准确性。

本研究回顾性分析了活检证实为前列腺癌并于根治性前列腺切除术前行 68Ga-PSMA-11 PET/MRI的患者。参考标准为大组组切片病理结果。阅片者对影像学和病理学结果未知。基于30解剖区域对肿瘤进行定位。利用原始stringent and alternative neighboring法计算 68Ga-PSMA-11 PET/MRI和多参数MRI基于区域的敏感性和特异性。与肿瘤Gleason评分比较,比较最大标准化摄取量(SUVmax)和PI-RADS第二版分级。利用广义估计方程评价总体平均敏感性、特异性,并验证肿瘤特征和SUVmax或 PI-RADS评分的相关性。

结果为,共有32例患者纳入研究。PET/MRI和多参数MRI的基于区域特异的敏感性分别为74% (95%CI: 70%, 77%)、50% (95% CI: 45%, 0.54%)与73% (95% CI: 68%, 79%)、69% (95% CI: 62%, 75%)。在选择相邻方法中,PET/MRI与多参数MRI的基于区域敏感性相似(88% [95% CI: 85%, 91%] vs 90% [95% CI: 87%, 92%], P = .99);在总体平均方法评估中,两者为(70% [95% CI: 64%, 76%] vs 70% [95% CI: 64%, 75%], P = .99)。SUVmax 与Gleason评分≥7具有相关性(OR: 1.71 [95% CI: 1.27, 2.31], P < .001)。

本研究表明,68Ga-PSMA-11 PET/MRI在诊断前列腺癌中要优于多参数MRI。


版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (2)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=354560, encodeId=59a235456079, content=学习了, beContent=null, objectType=article, channel=null, level=null, likeNumber=96, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=, createdBy=82311653708, createdName=医者仁心5538, createdTime=Wed Dec 05 22:04:22 CST 2018, time=2018-12-05, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=354445, encodeId=2d1635444595, content=学习了,谢谢分享, beContent=null, objectType=article, channel=null, level=null, likeNumber=90, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=, createdBy=7c592194322, createdName=1209e435m98(暂无昵称), createdTime=Tue Dec 04 20:53:36 CST 2018, time=2018-12-04, status=1, ipAttribution=)]
    2018-12-05 医者仁心5538

    学习了

    0

  2. [GetPortalCommentsPageByObjectIdResponse(id=354560, encodeId=59a235456079, content=学习了, beContent=null, objectType=article, channel=null, level=null, likeNumber=96, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=, createdBy=82311653708, createdName=医者仁心5538, createdTime=Wed Dec 05 22:04:22 CST 2018, time=2018-12-05, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=354445, encodeId=2d1635444595, content=学习了,谢谢分享, beContent=null, objectType=article, channel=null, level=null, likeNumber=90, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=, createdBy=7c592194322, createdName=1209e435m98(暂无昵称), createdTime=Tue Dec 04 20:53:36 CST 2018, time=2018-12-04, status=1, ipAttribution=)]
    2018-12-04 1209e435m98(暂无昵称)

    学习了,谢谢分享

    0

相关资讯

盘点:Radiology2018年9月汇总(下)!

【盘点】Radiology2018年9月汇总(下)!

盘点:Radiology2018年9月汇总(上)!

【盘点】Radiology2018年9月汇总(上)!

盘点:Radiology2018年8月汇总(上)!

【盘点】Radiology2018年8月汇总(上)!

盘点:Radiology2018年8月汇总(下)!

【盘点】Radiology2018年8月汇总(下)!

Nature review Cancer:人工智能在医学影像学中的应用

人工智能(AI)算法,特别是深度学习,已经在图像识别中取得非常好的效果。从卷积神经网络到变分自动编码器的各种方法在医学图像分析领域得到了无数的应用并迅速推进。在过去的影像学实践中,由有经验的放射科医生在视觉上评估医学图像以用于疾病的检测,描述和监测。AI方法擅长自动识别复杂的图像数据,并提供定量的,而不是定性的影像图像特征评估。在本文中,我们首先建立了对AI方法的一般理解,特别是与基于图像任务有关

盘点:Radiology2018年7月汇总(下)!

【盘点】Radiology2018年7月汇总(下)!

Baidu
map
Baidu
map
Baidu
map