简介：摘要目的探讨对比增强乳腺X线摄影（CESM）中减影图像灰度值（GV）测量对乳腺钙化病变良性与恶性的鉴别诊断价值。方法该研究为回顾性研究。收集2017年3月至2021年7月北京大学肿瘤医院因乳腺X线摄影检出以钙化为唯一可疑征象而接受CESM检查的连续性病例95例，均为女性，年龄34~76（48±7）岁。患者均接受头尾（CC）位及内外斜（MLO）位CESM。2名医师根据目标钙化剪影图像上有无强化作出良、恶性主观判断。另由2名医师在减影图像上分别测量MLO及CC位的钙化病变区GV，并以乳腺腺体、胸大肌、皮下脂肪等区域作为背景实质测量GV，计算病灶/背景灰度差值（DGV）及病灶/背景灰度差值比（DRGV）。以变异系数评价GV稳定性，以Kappa检验分析2名医师测量的一致性；以独立样本t检验或Mann-Whitney U检验比较良性与恶性钙化不同区域GV值的差异；以受试者操作特征曲线（ROC）分析GV鉴别钙化良性与恶性效能。诊断效能间的比较采用χ2检验。结果纳入的95例患者中共97个钙化，其中良性62个，恶性35个。2名医师测量MLO及CC位钙化病变区GV值的一致性和稳定性均较高。恶性钙化病变区GV、DGV、DRGV均高于良性钙化（P<0.05）。MLO位和CC位钙化区域GV鉴别诊断良性与恶性钙化的ROC曲线下面积分别0.799、0.843，以CC位钙化区域GV=2015.5为阈值，其诊断准确度为76.8%，与有一定CESM阅片经验的医师主观判断的准确度（82.1%，78/95）差异无统计学意义（P>0.05）。结论CESM减影图像上进行钙化区域的GV测量可帮助鉴别乳腺钙化的良性与恶性，尤其CC位测量的诊断准确度高。

简介：摘要目的探讨动态增强MRI信号增强幅度定性诊断乳腺癌新辅助治疗后可疑残余强化灶的价值。方法回顾性分析2015年1月至2016年6月在北京大学肿瘤医院接受新辅助治疗后的168例患者的168个残余可疑强化灶，并根据病理结果分为无残余癌组（59例）和残余癌组（109例），再对168个残余可疑强化灶根据分子分型与基线强化形态进行分层。根据乳腺影像报告和数据系统，记录残余可疑强化灶在新辅助治疗前（基线）MRI上病灶强化形态、肿块样强化边缘及非肿块样强化分布；以动态对比增强MRI第2个时相（注入对比剂后1 min 45 s~2 min）作为早期时相、第5个时相（注入对比剂后5~6 min）作为晚期时相，测量患者动态增强早期和晚期的残余可疑强化灶信号强度和时间-信号强度曲线（TIC），并计算信号增强幅度比值（SER）。采用独立样本t检验、Mann-Whitney U检验、χ²检验比较残余癌与无残余癌组的临床特征及SER的差异。采用受试者操作特征（ROC）曲线分析SER区分残余可疑强化灶为残余癌与无残余癌的效能。结果无残余癌组与残余癌组浸润性导管癌级别、激素受体状态、基线MRI病灶强化形态及TIC类型差异有统计学意义（P<0.05）。无残余癌组增强早期SER［31%（23%，61%）］、晚期SER（72%±43%）均低于残余癌组［分别为49%（28%，71%）、88%±38%，Z=-2.26、t=-2.43，P=0.024、0.016］，差异有统计学意义。激素受体阴性合并单肿块样残余可疑强化灶中，无残余癌组增强早期SER（33%±16%）和晚期SER［64%（42%，74%）］均低于残余癌组［分别为59%±30%、84%（77%，106%），t=-2.86、Z=-3.17，P=0.008、0.001］。增强早期和晚期SER区分可疑残余强化灶为残余癌与无残余癌的ROC曲线下面积值差异有统计学意义（分别为0.606和0.637，Z=2.16，P=0.031）。结论对于乳腺癌新辅助治疗后MRI上主观难以定性的可疑残余强化，尤其是激素受体阴性合并单肿块样病变，SER可以作为辅助判断方法且增强晚期的分析是必要的。

简介：摘要目的基于原发肿瘤及淋巴结CT特征建立评分模型预测食管鳞癌患者喉返神经旁淋巴结（RLN-LN）转移风险。方法回顾性收集2014年1月至2019年12月于北京大学肿瘤医院行食管癌根治术并清扫RLN-LN的92例食管鳞癌患者。根据术后淋巴结病理结果分为RLN-LN转移组（n=37）和非转移组（n=55）。评估术前CT图像，记录食管癌患者年龄、性别、分化程度、肿瘤位置、肿瘤大小（肿瘤长度、肿瘤厚度、厚度/长度）、RLN-LN大小（淋巴结短径、长径、短径/多平面重建（MPR）最长径］。采用多元logistic回归筛选独立预测因子并建立评分模型，采用ROC曲线评估评分模型及独立预测因子诊断RLN-LN转移的效能，采用Z检验比较曲线下面积（AUC）的差异。应用Hosmer-Lemeshow检验和校准曲线评估模型拟合度。结果肿瘤位置、肿瘤长度、RLN-LN短径、短径/MPR最长径是RLN-LN转移的独立预测因子，其诊断RLN-LN转移的AUC分别为0.586、0.705、0.831、0.777。基于以上4个CT特征建立评分模型，评分模型诊断RLN-LN转移的AUC为0.903（95%CI 0.846~0.959），优于各单一CT特征（Z=5.812，P<0.001；Z=2.161，P=0.030；Z=2.929，P=0.003；Z=4.052，P<0.001）。拟合优度Hosmer-Lemeshow检验结果显示P=0.555，校准曲线提示评分模型预测RLN-LN转移风险与实际转移风险之间具有良好的一致性。结论基于CT图像的评分模型有助于食管鳞癌RLN-LN转移状态危险分层。