简介：

简介：

简介：摘要目的探讨邻近房室环间隔(VSAVA)不同部位室性心律失常(VA)的心电图特点及鉴别流程。方法2010年8月至2021年10月在温州医科大学附属第二医院经电生理检查与消融治疗符合邻近VSAVA起源的特发性VA患者287例纳入本研究，其中男169例，年龄(61.50±15.67)岁，年龄范围12~86岁，根据胸部X线片影像及三维标测定位分为2组：①邻近三尖瓣环间隔(VSTA)组226例，其中男132例，年龄(61.92±15.88)岁；②邻近二尖瓣环间隔(VSMA)组61例，其中男37例，年龄(59.93±15.07)岁。分析并比较两组患者心电图QRS时限的特征及变化规律。结果消融成功261例(90.94%，261/287)。分析其心电图特征，发现：①若以V1导联呈QR、Qr、qr、qR型；QS型与rS型分别作为鉴别邻近VSMA、邻近VSTA中下部与其上部起源VA的指标，其敏感性、特异性、阳性与阴性预测值分别为75.41%(46/61)、95.13%(215/226)、80.70%(46/57)、93.48%(215/230)；93.71%(179/191)、85.42%(82/96)、92.75%(179/193)、87.23%(82/94)；68.57%(24/35)、98.81%(249/252)、88.89%(24/27)、95.77%(249/260)；②若以RV2/SV2比值>5预测VA起源于邻近VSMA的敏感性、特异性、阳性和阴性预测值分别为98.36%(60/61)、92.03%(208/226)、76.92%(60/78)和99.52%(208/209)，提示RV2/SV2比值>5预测VA起源于邻近VSMA部VA的价值优于V1导联呈QR、Qr、qr、qR型。结论射频消融治疗邻近VSAVA部VA安全有效，不同部位心电图特征亦异，且有一定的变化规律。掌握这些特点对术前初步判定其起源部位，缩短手术时间，提高消融术成功率将有所裨益。

简介：摘要目的探讨基于CT影像组学列线图鉴别甲状腺滤泡性肿瘤良生与恶性的价值。方法回顾性收集2016年1月至2018年12月复旦大学附属肿瘤医院经手术病理证实的200例甲状腺滤泡性肿瘤患者的临床资料及CT图像，其中甲状腺滤泡癌（FTC）46例、甲状腺滤泡腺瘤（FTA）154例。采用随机数表法随机分为训练集（n=140）和验证集（n=60）。采用LIFEx软件提取增强CT图像的48个影像组学特征。根据最小绝对收缩和选择算子回归进行特征降维、筛选及模型建立，在此基础上绘制列线图。利用受试者操作特征曲线及曲线下面积（AUC）评估列线图预测甲状腺良性与恶性滤泡性肿瘤的效能，通过校准曲线对列线图进行内部及外部验证，最后应用决策曲线分析评估列线图的临床应用价值。结果经筛选得到4种特征用于建立预测甲状腺良性与恶性滤泡性肿瘤的列线图，分别为灰度区域矩阵（GLZLM）-区域长度不均匀性、GLZLM-低灰度区域因子、传统指数-HU单元Q3值、传统指数-HU单元平均值。列线图在训练集中区分FTC和FTA的AUC为0.863（95%CI 0.746~0.932），准确度为87.9%，灵敏度为67.9%，特异度为91.1%；验证集中AUC为0.792（95%CI 0.658~0.917），准确度为75.0%，灵敏度为66.7%，特异度为90.5%。校正曲线结果显示列线图预测值与病理结果之间具有良好的一致性，决策曲线分析表明列线图在临床上具有良好的应用价值。结论CT影像组学模型对于鉴别甲状腺良性与恶性滤泡性肿瘤具有较好的效能，基于此的列线图可准确、直观地预测甲状腺滤泡性肿瘤患者的恶性概率。

简介：摘要目的建立基于MRI-T2WI影像组学列线图并评价其鉴别卵巢交界性上皮源性肿瘤（boderline epithelial ovarian tumors, BEOTs）及恶性上皮源性肿瘤（malignant epithelial ovarian tumors, MEOTs）的效能及临床应用价值。材料与方法回顾性分析2016年1月至2021年5月间南京医科大学附属淮安第一医院经病理证实的上皮源性卵巢肿瘤患者的临床及影像资料，共计192例，其中BEOTs 72例，MEOTs 120例，按8∶2比例随机分为训练集（n=153）及测试集（n=39），从每个患者的轴位T2WI图像中手动勾画感兴趣区并提取影像组学特征。使用Mann-Whitney U检验、相关性分析及最小绝对收缩选择算子（least absolute shrinkage and selection operator, LASSO）回归进行特征选择，并构建影像组学模型及计算影像组学评分Radscore。结合临床因素及Radscore，采用多元logistic回归模型构建影像组学列线图模型。最后通过ROC曲线、校准曲线及决策曲线分析评价列线图模型的临床应用价值。结果经特征筛选后最终保留10个影像组学特征。结合HE4和Radscore的影像组学列线图在训练集及测试集中的曲线下面积值（area under the cure, AUC)（训练集：0.947，测试集：0.914）均大于单一的影像组学模型（训练集：0.925，测试集：0.819）。ROC曲线及决策曲线分析结果显示，影像组学列线图模型更具优势。结论结合MRI-T2WI影像组学特征和临床因素的影像组学列线图模型可直观、准确地鉴别BEOTs及MEOTs，并为下一步的临床决策提供指导。

简介：摘要目的探讨双层探测器光谱CT单能量图像（VMI）及电子云密度图（EDM）在肺磨玻璃结节（GGN）良性与恶性鉴别诊断中的价值。方法回顾性分析2019年7月至2020年8月南京医科大学鼓楼医学院经病理证实的65例GGN患者影像资料。65例中，良性27例、恶性38例，均于术前2周内接受双层探测器光谱CT扫描，并在后处理工作站重建出常规120 kVp混合能量图像（PI）、电子云密度图及40~80 keV虚拟单能量图。采用Mann-Whitney U检验比较良性与恶性GGN在PI、40~80 keV VMI中的CT值及电子云密度（ED）；采用独立样本t检验比较良性与恶性GGN的大小；采用χ²检验分析并比较良性与恶性GGN的CT征象，包括病灶大小、部位、形态、边缘、内部结构、邻近结构、结节类型等。采用受试者操作特征（ROC）曲线分析不同能谱定量参数对良性与恶性GGN的鉴别诊断效能。将差异有统计学意义的CT征象及各能谱定量参数采用logistic回归进行多因素分析，找出预测GGN为恶性病变的独立危险因素，然后将各独立危险因素单独或联合行ROC曲线分析。结果病灶形态、毛刺、分叶、部位、大小在肺良性与恶性GGN间差异有统计学意义（P<0.05）。良性与恶性GGN的PI、40~80 keV VMI中CT值及EDM中的ED值差异均有统计学意义（P<0.05）。PI、40~80 keV VMI中CT值及EDM中的ED值鉴别诊断良性与恶性GGN的ROC曲线下面积（AUC）分别为0.680、0.682、0.683、0.686、0.694、0.676、0.722，其中ED值的AUC最高。以GGN形态、毛刺、分叶、部位、大小、ED值及PI、40~80 keV VMI中CT值为自变量，GGN为恶性或良性为因变量进行二元logistic回归分析，结果显示ED值（OR=1.045，95%CI 1.001~1.090，P=0.044）、病灶大小（OR=1.582，95%CI 1.159~2.158，P=0.004）、毛刺征（OR=11.352，95%CI 2.379~54.172，P=0.002）均为恶性GGN的独立危险因素。对ED值、病灶大小、毛刺征单独及三者联合进行ROC曲线分析，鉴别诊断GGN良性与恶性的AUC为0.722、0.772、0.698、0.885，ED+病灶大小+毛刺征联合诊断的AUC最大，其灵敏度、特异度分别为92.1%、74.1%。结论双层探测器光谱CT平扫图像鉴别诊断肺GGN时，EDM的诊断效能高于其他VMI；当EDM联合病灶大小及毛刺征进行综合诊断时效能进一步提高。