目的本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性。材料与方法收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病...目的本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性。材料与方法收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病变480个。患者被分为建模组[n=310,数字乳腺X线摄影(digital mammography,DM)检查]、内部验证组(n=108,DM检查),和外部验证组[n=62,数字乳腺体层合成摄影(digital breast tomosynthesis,DBT)检查]。记录患者术前乳腺X线(DM或DBT),MRI以及临床特征。采用XGBoost算法和多因素逻辑回归分析,分别构建XGBoost模型和逻辑回归(logistic regression,LR)模型。使用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型的诊断效能。结果在建模组中,患者以7∶3随机分为训练集(n=217)和测试集(n=93)。训练集、测试集、训练集的内部验证组及训练集的外部验证组中,恶性非肿块病灶分别为159(73%)、58(62%)、73(68%)和43(69%)。XGBoost模型的诊断效能明显优于LR模型,在独立的训练集、测试集、训练集的内部验证组及训练集的外部验证组中均表现出良好的诊断效能,曲线下面积(area under the curve,AUC)在0.884~0.913之间。XGBoost模型在四个队列中也表现出良好的校准能力和临床净获益。结论XGBoost模型能够准确鉴别乳腺非肿块病变的良恶性,具有推广应用的潜力。展开更多
抽动秽语综合征(Gilles de la Tourette syndrome,GTS)属于儿童期神经发育障碍类疾病,少数病例延至成年期;GTS典型征象包括不自主运动及发声抽动,多伴随注意缺陷多动障碍等,严重影响患者生存质量。GTS起病多与皮质-纹状体-丘脑-皮质(cor...抽动秽语综合征(Gilles de la Tourette syndrome,GTS)属于儿童期神经发育障碍类疾病,少数病例延至成年期;GTS典型征象包括不自主运动及发声抽动,多伴随注意缺陷多动障碍等,严重影响患者生存质量。GTS起病多与皮质-纹状体-丘脑-皮质(cortico-striato-thalamo-cortical,CSTC)环路功能异常关联。目前,基于MRI对GTS发病、先兆冲动、抽动程度及社会认知诸方面的机制研究,已逐渐成为业内热点;结构和功能MRI对GTS感觉、运动、情感、认知等相关脑区的激活及网络改变,能够予以揭示。笔者围绕近年内基于体素形态学分析(voxel-based morphometry,VBM)、弥散张量成像(diffusion tensor imaging,DTI)、功能MRI(functional MRI,fMRI)、磁共振波谱(magnetic resonance spectroscopy,MRS)等不同模态成像的相关文献,进行归纳总结,为疾病早期识别及后续的深入探索提供帮助。展开更多
文摘目的本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性。材料与方法收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病变480个。患者被分为建模组[n=310,数字乳腺X线摄影(digital mammography,DM)检查]、内部验证组(n=108,DM检查),和外部验证组[n=62,数字乳腺体层合成摄影(digital breast tomosynthesis,DBT)检查]。记录患者术前乳腺X线(DM或DBT),MRI以及临床特征。采用XGBoost算法和多因素逻辑回归分析,分别构建XGBoost模型和逻辑回归(logistic regression,LR)模型。使用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型的诊断效能。结果在建模组中,患者以7∶3随机分为训练集(n=217)和测试集(n=93)。训练集、测试集、训练集的内部验证组及训练集的外部验证组中,恶性非肿块病灶分别为159(73%)、58(62%)、73(68%)和43(69%)。XGBoost模型的诊断效能明显优于LR模型,在独立的训练集、测试集、训练集的内部验证组及训练集的外部验证组中均表现出良好的诊断效能,曲线下面积(area under the curve,AUC)在0.884~0.913之间。XGBoost模型在四个队列中也表现出良好的校准能力和临床净获益。结论XGBoost模型能够准确鉴别乳腺非肿块病变的良恶性,具有推广应用的潜力。
文摘目的探讨增强T2^(*)加权血管成像(enhanced T2 star-weighted angiography,ESWAN)序列中R2^(*)值、相位值、幅度值在T2WI低信号肾脏病变良恶性鉴别诊断中的可行性。材料与方法回顾性收集行ESWAN检查、经病理组织学证实的145例T2WI低信号肾脏病变患者(共145个病灶,恶性病变112个,良性病变33个)的术前MRI图像。在肿瘤最大面积的层面上绘制肿瘤T2WI低信号的感兴趣区。通过Kruskal-Wallis检验、卡方检验对参数进行比较,将有统计学意义的参数进行联合,通过多变量logistic回归建立模型,分析差异有统计学意义的参数,并且绘制其鉴别T2WI低信号肾脏病变良恶性的受试者工作特征(receiver operating characteristic,ROC)曲线,采用DeLong检验评价其诊断效能。结果R2^(*)值和幅度值鉴别T2WI低信号肾脏病变良恶性差异具有统计学意义(P=0.001)。R2^(*)值的ROC曲线下面积(area under the curve,AUC)为0.891[95%置信区间(confidence interval,CI):0.829~0.937,P<0.001],敏感度、特异度分别为97.3%、72.7%;幅度值的AUC为0.869(95%CI:0.803~0.920,P<0.001),敏感度、特异度分别为86.6%、81.8%;相位值的AUC为0.563(95%CI:0.478~0.645,P=0.249),敏感度、特异度分别为67.9%、54.6%;R2^(*)值联合幅度值的AUC为0.886(95%CI:0.823~0.933,P<0.001),敏感度、特异度分别为97.3%、72.7%;R2^(*)值联合病变长径的AUC为0.894(95%CI:0.832~0.939,P<0.001),敏感度、特异度分别为92.0%、81.8%;幅度值联合病变长径的AUC为0.858(95%CI:0.790~0.910,P<0.001),敏感度、特异度分别为75.9%、90.9%。结论R2^(*)值、R2^(*)值联合病变长径、R2^(*)值联合幅度值是鉴别T2WI低信号肾脏病变良恶性的有效方法,R2^(*)值联合病变长径具有更好的诊断性能。
