基于Logistic回归分析建立踝关节骨肿瘤良恶性鉴别简易评分模型及诊断效能

目的 基于踝关节骨性结构（包括胫骨远端、腓骨远端及距骨）骨肿瘤的临床及X线特征建立评分模型,并评价其诊断效能。方法 回顾性分析接受X线检查并经病理证实的114例踝关节骨性结构骨肿瘤患者的临床与X线征象,纳入25个特征,临床9个 、X线16个 ,通过二分类Logistic回归分析,获取相关性高的征象,构建简易评分模型评价肿瘤良恶性,并利用ROC曲线分析该模型的诊断效能。结果 经二分类Logistic回归分析,年龄（OR=4.545）、病理性骨折（OR=2.567）、骨膜反应（OR=4.675）及软组织肿块（OR=8.148）为危险因素,长横径之比（OR=0.126）、硬化边（OR<0.001）、边缘（OR=0.074）及病灶主体（OR=0.070）为保护因素。建立简易评分模型：评分=（长横比+硬化边+边缘+病灶主体）-（年龄+病理骨折+骨膜反应+软组织肿块）,以上各因素每存在一个累加1分,若无则为0分。此简易评分模型AUC为0.897（P<0.001）,良恶性临界值为1.5分,敏感度为86.9%,特异度为74.7%。结论 踝关节简易评分系统有助于影像医师对踝关节骨性结构骨肿瘤定性诊断,可提高诊断效率并提供肿瘤良恶性鉴别的客观依据。     

乳腺X线摄影特殊体位选择对乳腺后1/3病变显示的临床价值

目的 探讨乳腺X线摄影优化设计的特殊体位结合常规标准体位对乳腺后1/3(乳腺后带)病变显示的应用价值.方法 搜集2019年7月至2020年7月行乳腺X线常规标准体位及特殊体位摄影的受试者图像资料,回顾性分析优化设计的常规标准体位、特殊体位及两者相结合对乳腺后1/3病变的图像质量、检出率、边缘及大小显示程度的影响.结果 ...     

基于X线及超声乳腺影像报告和数据系统构建机器学习模型预测乳腺癌分子分型

目的 观察基于X线及超声的乳腺影像报告和数据系统（BI-RADS）选取影像学特征构建的机器学习模型预测乳腺癌分子分型的可行性。方法 回顾性分析200例经病理的浸润性乳腺癌，根据免疫组织化学结果分为Luminal组（n=109）与非Luminal组（n=91），组内按7 ：3比例随机分为训练亚组及测试亚组。采集11个临床信息，并提取24个影像学特征，建立4种机器学习模型，通过受试者工作特征（ROC）曲线评价各模型预测不同分子分型乳腺癌的效能，比较各模型曲线下面积（AUC）的差异。结果 测试组随机森林（RF）、极端梯度提升（XGBoost）、逻辑回归（LR）及支持向量机（SVC）模型判断不同分子分型乳腺癌的敏感度分别为74.10%、74.10%、77.80%和70.40%，特异度分别为63.60%、51.50%、57.60%和60.60%，准确率分别为68.30%、61.70%、66.70%和65.00%；其中RF模型判断Luminal型与非Luminal型乳腺癌的AUC值最大（AUC=0.70，P<0.05），但与其他模型间差异均无统计学意义（P均>0.05）。结论 RF模型预测不同分子分型乳腺癌的效能较好。     

几何模型匹配乳腺头足位与内外斜位X线片所示病灶

目的 观察几何模型（GM）匹配乳腺头足（CC）位与内外斜（MLO）位X线片所示病灶的价值。方法 回顾性分析493例接受乳腺CC位和MLO位X线摄影的乳腺病灶患者,共598个乳腺病灶,包括499个钙化灶和99个肿块。构建GM用于匹配CC与MLO位片所示乳腺病灶,再以环形法（AB）和直线法（SS）进行对比,分别计算匹配误差,包括GM匹配误差、AB径向误差及SS轴向误差;分析GM对CC及MLO位图像中同一病灶的匹配性能,评价其应用价值。结果 GM对乳腺钙化灶和肿块的匹配误差分别为2.85（1.45,5.08）及3.70（1.35,6.25） mm,差异无统计学意义（Z=－1.344,P=0.179）。对乳腺上部病灶,AB匹配的径向误差和SS匹配的轴向误差均大于下部病灶（P均<0.001）;对乳腺外侧病灶,AB的径向误差和SS的轴向误差均大于内侧病灶（P均<0.05）。GM、AB及SS间匹配误差整体差异有统计学意义（H=93.012,P<0.001）;两两比较差异均有统计学意义（P均<0.05）,GM匹配性能明显优于AB和SS。GM匹配误差与摄片时乳腺压迫厚度无明显相关性。结论 GM用于匹配乳腺CC位与MLO位X线片所示病灶较具价值。