目的探讨双低剂量(低剂量对比剂联合低辐射剂量)CTU在泌尿系统疾病中的应用价值。方法收集2013至2014年CTU检查的病例157例,所有病例均确诊。双低剂量组78例,采用自动管电流调制法,120 k V,扫描平扫期、皮质期、髓质期和排泄期,SD值分别设定为20、15、15、20,碘海醇1.3 m L/kg,速率3 m L/s。常规剂量组79例,采用自动管电流调制法,120 k V,扫描平扫期、皮质期、髓质期和排泄期,各期SD值设定为10,碘佛醇0.8 m L/kg,速率3 m L/s。计算各病例的有效剂量。对比分析CT诊断结果与临床确诊结果。SPSS 16.0进行统计学分析。结果双低剂量组和常规剂量组对泌尿系结石、泌尿系畸形、肾肿物的诊断敏感性、特异性、阳性预测值、阴性预测值均为100%。尿路上皮癌的敏感性分别为91.67%,92.31%,阴性预测值均为83.33%,尤登指数均为0.92。两种CTU检查方法对泌尿系统疾病诊断性能差异无统计学意义。双低剂量组的对比剂用量和辐射有效剂量分别降低37.05%,61.68%,差异有统计学意义。结论双低剂量CTU对泌尿系统疾病诊断性能可靠,明显降低对比剂用量和辐射剂量,值得临床推广应用。
目的:探讨基于CT图像深度学习模型在术前预测结直肠癌(colorectal cancer,CRC)旁肿瘤沉积(tumor deposits,TDs)的价值。方法:回顾性分析经术后病理证实的300例CRC患者CT图像及临床资料,对横轴位静脉期增强的CT图像进行图像归一化及重采样,并采用ITK-SNAP软件在图像上对全肿瘤区域进行全瘤标注,根据病理结果分为TDs组和无TDs组,并按照7∶3比例随机分为训练集(210例)和验证集(90例)。对全瘤标注图像进行深度学习特征提取及影像组学特征提取,采用最小绝对收缩与选择算子(Least Absolute Shrinkage and Selection Operator,LASSO)回归进行影像组学特征筛选并分别建立影像组学模型、深度学习模型及影像组学+深度学习模型,使用受试者工作特征曲线下面积(area under the ROC curve,AUC)评估各模型的诊断效能,使用决策曲线分析(decision curve analysis,DCA)评估模型的临床价值。结果:影像组学模型、深度学习模型、影像组学+深度学习模型在训练集中的AUC值(95%CI)分别为0.810(0.776~0.872)、0.846(0.776~0.917)、0.868(0.812~0.924),在验证集中的AUC值(95%CI)分别为0.800(0.736~0.864)、0.826(0.761~0.891)、0.855(0.795~0.916),敏感性分别为73.22%、56.56%、67.67%,特异性分别为64.01%、85.93%、87.30%,Delong测试验证集中三组模型间均有统计学差异(P<0.05)。三组模型在训练集和验证集中均有良好的校准和区分能力,影像组学联合深度学习模型诊断效能最高,DCA曲线显示影像组学联合深度学习模型对预测TDs净获益最佳。结论:基于CT图像深度学习模型对术前预测CRC旁TDs具有很好的诊断价值,影像组学联合深度学习模型诊断效能最高,预测TDs净获益最佳,能有助于更好帮助临床医师治疗决策。
