一、CT颈部扫描及恶性度分级在预测口腔癌颈淋巴结转移中的作用(论文文献综述)
刘妮,谢元亮,黄增发,王翔[1](2021)在《基于CT增强影像组学模型预测甲状腺乳头状癌颈部淋巴结转移》文中研究表明目的:探讨基于CT增强图像的组学特征预测甲状腺乳头状癌(PTC)颈部淋巴结转移的可行性。方法:回顾性分析130个经病理证实的PTC结节(伴颈部淋巴结转移65个,无淋巴结转移65个)的CT增强扫描图像,应用Mazda纹理分析软件对CT图像进行预处理,并提取PTC结节的一阶和高阶纹理特征。应用Fisher相关系数、分类误差概率与平均相关系数(POE+ACC)和交互信息(MI)三种降维方法分别对纹理特征进行筛选,每种方法筛选出10个最佳纹理特征。应用Mazda软件的B11模块中的原始数据分析(RDA)、主成分分析(PCA)、线性判别分析(LDA)和非线性判别分析(NDA)四种统计学方法分别进行数据的进一步降维,计算不同统计学方法、不同降维方法组合下建立的影像组学模型的错判率、敏感度和特异度。结果:最佳纹理参数主要来源于二阶及高阶纹理特征(灰度游程矩阵、灰度共生矩阵和小波转换)。不同降维方法组合同一统计学方法时所获模型的错判率较为接近,范围为3.08%~16.92%。三种降维方法分别与非线性判别分析(NDA)组合时,所获模型的诊断结果一致,与另外3种统计学方法相比敏感度和特异度最高,分别为98.46%、95.38%,错判率最低(3.08%)且差异均有统计学意义(P<0.05)。结论:基于CT增强图像的PTC结节的二阶及高阶纹理特征对预测颈部淋巴结转移是可行的,不同的降维方法和统计学方法组合获得的组学模型诊断效能不同,推荐使用非线性判别分析与任一降维方法组合的组学模型。
张凤艳[2](2021)在《能谱CT定量分析及影像组学在甲状腺乳头状癌诊断及颈部淋巴结转移预测的应用研究》文中研究表明第一部甲状腺乳头状癌CT诊断的多因素分析目的:探讨多种CT征象在甲状腺乳头状癌(papillary thyroid carcinoma,PTC)诊断及鉴别诊断中的价值。方法:回顾性分析经组织病理学证实,且行CT平扫及增强扫描的甲状腺结节患者82人,共101枚甲状腺结节,包括49枚甲状腺乳头状癌、52枚结节性甲状腺肿(nodular goiter,NG)。在所有结节中分析并记录以下8种CT表现,包括结节位置、大小、形态、微小钙化、囊性改变、不规则低密度环征、边缘缺损征及增强后病变模糊征。通过单因素及多因素Logistic回归分析PTC的独立危险因素征象,并计算单征象及多征象联合在PTC诊断中的灵敏度、特异度、准确率、约登指数及似然比。结果:单因素分析表明微小钙化、不规则低密度环征、边缘缺损征、增强后病变模糊征四种CT征象在PTC与NG中差异均具有统计学意义。进一步多因素Logistic回归模型分析表明,不规则低密度环征、边缘缺损征及增强后病变模糊征均与PTC有关,比值比(odds ratio,OR)分别为27.374(95%CI 5.871127.636)、28.587(95%CI4.139197.460)和4.315(95%CI 0.85821.694)。单一CT征象来判断PTC灵敏度最高的是不规则低密度环征,灵敏度、特异度、准确率、约登指数及似然比分别为87.8%,92.3%,90%,0.80,11.4。特异度最高的为边缘缺损征,灵敏度、特异度、准确率、约登指数及似然比分别为75.5%,96.2%,86.1%,0.72,19.9。通过三种征象联合模型对PTC进行判断的灵敏度、特异度、准确率、约登指数及似然比分别为87.8%,94.2%,91.1%,0.82,15.1。结论:不规则低密度环征、边缘缺损征及增强后病变模糊征在PTC的诊断中具有重要价值,多种征象联合可以进一步提高PTC诊断的准确性。第二部分甲状腺乳头状癌颈部淋巴结转移超声和CT检查的meta分析目的:系统性评价超声、CT及其联合检测甲状腺乳头状癌患者颈部淋巴结转移的诊断准确性。方法:检索Medline(通过Pubmed)、Web of Science和Embase中使用超声和CT检测甲状腺乳头状癌患者颈部淋巴结转移的研究。主要结果为基于颈水平或基于患者的诊断敏感性、特异性和比值比(diagnostic odds ratios,DORs)。次要结果是基于中央区和外侧区的诊断敏感性、特异性和DORs。结果:14项研究符合纳入标准,包括6167例患者,11601枚颈部淋巴结。基于颈水平分析,得出超声检查的合并敏感性、特异性及DORs分别是0.35(95%CI 0.34-0.37),0.95(95%CI 0.94-0.95),13.94(95%CI 9.34-20.82),CT检查的合并敏感性、特异性及DORs分别是0.46(95%CI 0.44-0.47),0.88(95%CI 0.87-0.89),7.24(95%CI 5.46-9.62),超声和CT联合检查合并敏感性、特异性及DORs分别为0.51(95%CI 0.49-0.52),0.85(95%CI 0.84-0.86),6.01(95%CI 3.84-9.40)。基于患者的分析中得到的超声检查合并敏感性、特异性及DORs分别是0.41(95%CI 0.36-0.46),0.92(95%CI 0.89-0.94),7.56(95%CI 4.08-14.01),CT检查的合并敏感性、特异性DORs分别是0.49(95%CI 0.44-0.54),0.91(95%CI 0.89-0.94),9.40(95%CI 5.79-15.27),超声和CT联合检查的合并敏感性、特异性及DORs分别为0.64(95%CI 0.57-0.71),0.83(95%CI 0.77-0.88),8.59(95%CI 5.37-13.76)。结论:研究结果表明,术前CT在检测甲状腺乳头状癌患者的颈部淋巴结转移方面起到了对超声检查的重要补充作用,尤其是外侧区和基于患者的分析。CT和超声检查都可以作为诊断甲状腺乳头状癌患者颈部淋巴结转移的有效影像技术。第三部分光谱CT定量参数在甲状腺乳头状癌颈淋巴结转移的术前诊断价值目的:评价双层探测器光谱CT定量参数与常规CT形态学参数术前评价甲状腺乳头状癌患者颈部淋巴结转移的价值。方法:回顾性分析50例术前行颈部光谱双能量CT平扫及双期增强扫描,并经病理证实为PTC者,根据淋巴结选取标准,选取相应颈水平轴位短径>5mm的淋巴结。根据组织病理学结果将其分为三组,其中34例PTC病理证实有淋巴结转移,转移淋巴结95枚(组1),非转移淋巴结55枚(组2)。16例PTC病理证实无淋巴结转移,淋巴结63枚(组3)。另选取甲状腺良性病变15例作为良性增生组,淋巴结73枚(组4)。分析各组淋巴结常规CT形态学特点并比较平扫、动脉期、静脉期PTC转移、非转移性淋巴结及良性病变淋巴结的标准化碘浓度(normalized iodine concentration,NIC)、能谱曲线斜率(λHU)及标准化有效原子序数值(Z-effective normalized,Zeff-N)的差异。受试者工作特性曲线(ROC曲线)得出转移淋巴结NIC、λHU及Zeff-N值临界值及其诊断效能,并与形态学参数的诊断效能进行比较。结果:1、PTC中转移淋巴结动脉期和静脉期测得的光谱曲线斜率(λHU)、标准化碘浓度(NIC)和标准化有效原子序数(Zeff-N)均明显高于非转移淋巴结。2、检测转移淋巴结的最佳参数为动脉期λHU和动脉期NIC,当动脉期λHU>2.945时,诊断转移性淋巴结的敏感性,特异性,阳性预测值,阴性预测值,约登指数分别为0.811,0.906,0.875,0.855,0.717;当动脉期NIC>0.215时,诊断转移性淋巴结的敏感性,特异性,阳性预测值,阴性预测值,约登指数分别为0.642,0.966,0.939,0.769,0.608。与形态学分析相比,动脉期λHU具有较高的灵敏度(0.811 vs.0.789),动脉期NIC具有明显增高的特异性(0.966 vs.0.521)。结论:光谱成像定量参数对甲状腺乳头状癌患者颈部淋巴结转移的术前诊断具有较高的价值。第四部分CT影像组学预测甲状腺乳头状癌颈部淋巴结转移的应用研究目的:评价影像组学特征预测甲状腺乳头状癌颈部淋巴结转移的性能;探讨结合影像组学、CT主观诊断及临床危险因素对预测甲状腺乳头状癌颈部淋巴结转移的价值,从而帮助临床医生制定个性化的治疗方案和评估预后。方法:1、回顾性收集2017年12月-2019年12月我院行CT平扫及双期增强扫描检查并经病理证实为PTC的患者147例纳入本研究,所有PTC均为单发病灶,按7:3的比例随机分组(训练队列:n=103例;验证队列:n=44例)。收集患者的年龄、性别、是否并发桥本氏甲状腺炎(Hashimoto’s thyroiditis,HT)、腺瘤(Thyroid adenoma,TA)、结节性甲状腺肿(Nodular Goiter,NG)等临床资料。依据手术病理分为淋巴结(Lymph Node,LN)转移组和未转移组。2、由三名分别从事头颈影像诊断3年、7年及15年的医师根据CT征象独立评估PTC有无淋巴结转移,分为有转移,可疑转移和无转移三类。3、应用ITK-SNAP软件手动逐层勾画CT平扫、动脉期、静脉期的PTC癌灶感兴趣区域(ROI),提取基于高通量、多层次的影像组学特征(包括一阶强度特征、形状特征、纹理特征和高维小波特征,各期851个组学特征,每例病人共计2553个组学特征)。通过采用上采样,Z-score和均数标准化及皮尔逊相关系数法对特征数据进行预处理。方差分析和Kruskal-Wallis检验筛选特征。采用支持向量机(SVM)、多元Logistic回归和LASSO回归方法建立影像组学预测模型,CT主观诊断模型及联合模型,比较各模型的诊断效能。4、结合影像组学特征、CT主观诊断及临床危险因素,构建联合预测模型列线图(Nomogram)。采用校正曲线评估诺模图。采用决策曲线比较各预测模型在临床诊断中的预期受益。结果:1、一般资料及病灶特征:年龄、部位、包膜侵犯、前后径、左右径、纵横比、CT诊断1(15年经验医师)及CT诊断2(7年经验医师)在PTC患者LN转移组与无转移组间差异有统计学意义。(χ2值分别为12.520、7.554、15.650、18.693、15.506、13.924、30.093、11.552,P均<0.05)。采用具有统计学差异的特征构建3种临床模型。2、影像组学模型在甲状腺乳头状癌颈部淋巴结转移中预测性能良好(训练和验证队列,P<0.01)。在验证组中,平扫、动脉期、静脉期和三期组合模型的预测性能优于医师的主观诊断(AUC,0.788,0.788,0.783,0.792vs.0.765)。组学与临床联合模型对淋巴结转移的预测优于医师主观诊断及其他临床模型(AUC,0.848 vs.0.765,0.735,0.719)。3、多因素Logistic回归结果:CT诊断1、年龄、前后径、纵横比是PTC淋巴结转移的独立预测指标(优势比分别为1.455、-1.301、2.544、1.456,P均<0.01),由此构建临床列线图。4、预测模型示:在临床因素构建的列线图中添加影像组学特征后提高了训练组中的预测效能(AUC由0.857提高至0.907);在验证组中得到了证实(AUC由0.783提高至0.835)。两个队列中校正曲线与标准曲线比较吻合。决策曲线分析表明,联合模型在预测PTC患者淋巴结转移状态方面提供了最大的诊断收益。结论:影像组学与临床因素联合预测模型的诊断效能优于放射科医师;在临床列线图中添加了影像组学特征提高了PTC患者颈部LN转移的术前预测效能,CT影像组学为甲状腺乳头状癌颈部淋巴结转移的术前评估提供了潜在无创的技术方法。
周凯[3](2021)在《口腔癌侵袭深度对肿瘤TNM分期及预后评价的影响》文中认为目的:2017年1月美国癌症联合委员会联合国际抗癌联盟发布实施了第8版TNM分期手册,第8版TNM分期手册内容上较第7版有重大变化,包括增加了侵袭深度、淋巴结结外扩展2个指标标准。本研究旨在分析口腔癌侵袭深度这一指标对肿瘤TNM分期及预后评价的影响,同时比较第8版与第7版TNM分期系统在口腔癌临床治疗决策、预后分层以及提高预后评价准确性中的意义。方法:收集2009年1月~2015年6月青岛大学附属医院口腔颌面外科手术治疗的原发口腔鳞状细胞癌患者,分别应用第7版、第8版TNM分期系统对肿瘤进行分期,比较2种分期的变化情况。采用SPSS 26.0软件,运用Kaplan-Meier法绘制生存曲线和Log-rank检验生存曲线间的差别情况,计算各分期系统的C指数及Akaike信息标准,比较2种分期模型预测精度、拟合数据的优良性。应用ROC曲线计算约登指数(Youden Index),取约登指数最大值作为预测肿瘤淋巴结转移及生存的最佳DOI界值。采用Cox比例回归方法计算危险比(Hazard Ratio)值。P<0.05表示差异有统计学意义。结果:符合纳入标准的570例患者包括388例男性和182例女性,平均年龄63.4岁,中位随访年龄为64岁(24~91岁),中位随访时间为38个月(2~135个月)。舌体鳞状细胞癌患者最多,为174例,约占患者总人数的30.5%,口底、牙龈鳞状细胞癌分列二、三位,分别占比为27.2%、23.3%。第8版分期系统使得190例患者发生T分期改变,有146例患者原有肿瘤TNM整体分期发生了改变。T分期、TNM分期的总体生存和疾病别生存模型分析,Log-rank检验,P<0.05,生存曲线间差异有统计学意义,且第8版预测模型的AIC值均小于第7版,C指数均大于第7版(P<0.05)。侵袭深度标准分层后生存分析图提示DOI分层级别越高,生存率越低,生存曲线间差异进行Log-rank检验,P<0.05。在口底、磨牙后区及舌体的鳞状细胞癌患者中,ROC曲线在预测淋巴结转移、总体生存和疾病别生存分析中,曲线下面积>0.5,P<0.05,有统计学意义,有一定的诊断价值。COX比例风险回归模型对可能影响疾病预后的因素进行单因素分析及多因素分析,其中侵袭深度、淋巴结转移及淋巴结结外扩展均表现出了与患者预后有明显的相关性,特别是与更晚期级别的患者关系更大。结论:本研究,AJCC 7 T及TNM分期系统和AJCC 8 T及TNM分期系统分别构建了生存模型,AJCC 8模型对于预后的评估更加准确,同时AJCC 8的模型预测能力高于AJCC 7的模型,因此,在临床工作时,建议选用新版TNM分期系统。侵袭深度可作为独立预测因子评估肿瘤预后,在评估疾病预后时建议考虑应用这一指标。当口底肿瘤侵袭深度≥3.5mm时,应当重视并考虑制定颈部淋巴结的诊疗计划,舌体鳞癌的侵袭深度达到6.25mm时,则建议考虑颈部淋巴结的处理。临床侵袭深度决定诊疗计划的制定,口底、舌体鳞癌等主要累及软组织的鳞癌临床侵袭深度评估,临床首选颈部增强MR,涉及骨侵犯的肿瘤时,建议选用颈部增强CT或全身PET-CT检查,增强CT或PET-CT是评估肿瘤有无骨侵犯破坏及淋巴结结外扩展的可靠方法。AJCC 8 TNM分期系统比AJCC 7 TNM分期系统是更准确的死亡风险评估模型,部分ⅣB晚期肿瘤患者不应再被列为非常晚期肿瘤进行治疗。
史灵雪[4](2021)在《多参数MR影像组学特征对腮腺多形性腺瘤及腺淋巴瘤诊断价值的研究》文中研究说明目的:探讨基于MR影像组学在鉴别腮腺多形性腺瘤及腺淋巴瘤中的应用。材料与方法:本研究是一项回顾性研究,共收集腮腺良性肿瘤患者70例,其中多形性腺瘤38例,腺淋巴瘤32例,所有患者影像资料及临床病理信息齐全。(1)由两名影像科医师对病灶的MRI图像(T2WI-FS、ADC)进行手动逐层勾画提取出感兴趣区(ROI),借助影像组学方法提取影像组学特征(一阶特征、形态特征、纹理特征及高阶特征),使用特征相关性分析及线性相关系数(Pearson Correlation Coefficient)的方法来对这些特征进行降维,最后利用逻辑回归(Logistic Regression)的机器学习方法通过十折交叉验证建立基于T2WI-FS及ADC图像的影像组学模型。(2)收集各患者的临床资料(年龄、性别、是否吸烟)和影像表征资料(病灶大小、数目、部位、位置、形态、边界、有无包膜、T1WI及T2WI-FS信号强度、ADC均值),使用单因素及多因素回归分析筛选出影响腮腺多形性腺瘤及腺淋巴瘤鉴别诊断的独立因素并构建临床模型。(3)基于先前构建的影像组学模型和临床模型,构建二者的联合模型并绘制诺模图。应用受试者工作特征曲线(ROC)来评估各模型间的预测价值,同时使用验证组来对所构建的模型进行验证。最后,应用决策分析曲线观察临床模型、影像组学模型及联合模型的临床实用性。结果:基于T2WI-FS构建的影像组学模型在训练组及验证组的AUC分别为0.915(95%CI:0.848-0.983)、0.891(95%CI:0.813-0.980);准确度分别为0.857、0.857;敏感性分别为0.868、0.868;特异性分别为0.844、0.844;阳性预测值分别为0.868、0.868;阴性预测值分别为0.844、0.844。基于ADC构建的影像组学模型在训练组及验证组的AUC分别为0.958(95%CI:0.916-1.000)、0.907(95%CI:0.831-0.984);准确度分别为0.871、0.857;敏感性分别为0.868、0.868;特异性分别为0.875、0.844;阳性预测值分别为0.892、0.868;阴性预测值分别为0.849、0.844。通过统计学分析得出患者病灶ADC均值为鉴别腮腺多形性腺瘤及腺淋巴瘤的独立影响因素,并构建临床模型,结果显示在训练组及验证组的0.803(95%CI:0.685-0.920)、0.794(95%CI:0.673-0.914);准确度分别为0.771、0.771;敏感性分别为0.763、0.763;特异性分别为0.781、0.781;阳性预测值分别为0.806、0.806;阴性预测值分别为0.735、0.735。将影像组学模型及临床模型合并后得出的联合模型在训练组及验证组的AUC分别为0.961(95%CI:0.918-1.000)、0.944(95%CI:0.887-1.000);准确度分别为0.914、0.900;敏感性分别为0.895、0.895;特异性分别为0.937、0.906;阳性预测值分别为0.944、0.919;阴性预测值分别为0.882、0.879。决策曲线表明影像组学模型及联合模型较临床模型相比有着较好的临床实用价值。结论:1、基于MRI T2WI-FS及ADC图像构建的影像组学模型在鉴别腮腺多形性腺瘤及腺淋巴瘤中具有较高的诊断效能。2、组学模型结合临床信息构造的诺模图可以对腮腺多形性腺瘤及腺淋巴瘤进行个体化预测,且与临床模型及以T2WI-FS所构建的组学模型相比其预测效能明显提高且具有统计学意义。
艾合买提·吾守尔[5](2021)在《T1-T2期下咽癌颈淋巴结转移规律及风险预测模型的临床研究》文中指出研究背景颈淋巴结转移是影响下咽癌治疗效果的重要和独立预后因素,与不伴颈淋巴结转移的患者相比,发生颈淋巴结转移的下咽癌患者的5年总生存率几乎下降一伴。目前下咽癌的外科治疗,除了原发灶的切除外,颈淋巴结的清扫也是非常重要的组成部分。对于分期较早(T1-T2)的原发下咽癌患者颈淋巴结的清扫范围,多年来临床上有不同意见。此外,基于下咽癌颈淋巴结转移相关因素的风险预测模型研究尚未报道。研究目的本研究拟通过回顾性分析T1-T2期下咽癌颈淋巴结转移的分布规律,探讨颈淋巴结清扫的合理范围;同时通过探索淋巴结转移相关的危险因素,构建个体化预测患者颈淋巴结转移风险的模型,为术前临床决策的制定提供理论依据。研究方法回顾性分析在我院手术治疗的T1-T2期下咽癌临床病理特征资料,归纳下咽癌颈淋巴结转移分布规律。以术后患者颈淋巴结阳性与否为结局变量,对年龄、性别、重度吸烟、重度饮酒、肿瘤原发灶位置(梨状窝、下咽后壁、环后区)、肿瘤分化类型(高分化、中分化和低分化)、临床T分期(T1和T2)、肿瘤生长类型(外生型和溃疡型)、肿瘤大小(≤2、2-3cm和3-4cm)、神经/脉管侵犯(是/否)等10临床因素进行单因素和多因素分析,筛选影响下咽癌颈淋巴结转移的独立危险因素。基于危险因素,初步构建个体化预测T1-T2期下咽癌患者颈淋巴结转移风险的模型。用受试者工作特征(ROC)曲线下面积表示预测模型的区分度(Discrimination);用500次有放回的重采样(Bootstrap)的方法对所构建的模型进行内部验证(Internal validation),并用校准曲线来表示模型的校准度(Calibration);用临床决策曲线(DCA)来表示模型的临床应用价值(Clinical usefulness)。研究结果本研究最终纳入T1~T2期下咽癌患者共349例,其中梨状窝癌282(80.8%)例,下咽后壁癌46(13.2%)例,环后癌21(6%)例;T2期病例占86.5%。男性321例,女性28例,男女比例为11.5:1。患者年龄在43~76岁之间,平均年龄为60.4±6.2岁,发病高峰在55~70岁。多数患者有重度吸烟史(73.4%)和重度饮酒史(84.0%)。肿瘤大体类型以溃疡性(67.9%)为主,103(29.5%)例患者有神经/脉管侵犯。环后癌中女性患者比例为23.8%,远高于梨状窝癌(5.3%)和下咽后壁癌(17.4%)(P<0.01)。梨状窝癌患者平均年龄更低,且重度吸烟和重度饮酒的比例均较下咽后壁癌和环后癌高。肿瘤组织分化类型以中(45.6%)、低分化(46.7%)为主,其中位于梨状窝肿瘤较下咽后壁和环后区肿瘤更倾向于低分化,而下咽后壁和环后区肿瘤更倾向于中分化(P=0.04)。颈淋巴结阳性患者共有207例,总转移率为59.3%(207/349)。T2期颈淋巴结转移率为 62.3%(188/302)显着高于 T1 期 40.4%(114/302)(P=0.01)。原发灶位于梨状窝区、下咽后壁区和环后区的肿瘤淋巴结转移率分别为63.1%(178/282)、50.0%(23/46)和28.6%(6/21),且亚组间有统计学差异意义(P<0.01)。同侧颈部的转移淋巴结主要部位位于Ⅱ、Ⅲ和Ⅳ区,淋巴结转移率依次为 43.6%(152/349)、32.4%(113/349)和 10.0%(35/349),而 Ⅰ(3/349)、V(13/349)区转移较少见,淋巴结转移率小于3.7%,均在Ⅱ、Ⅲ、Ⅳ区转移的基础上再转移。有双侧颈淋巴结转移19例,转移率为21.6%(19/88),对侧转移淋巴结主要位于Ⅱ、Ⅲ、Ⅳ区,淋巴结转移率分别为12.5%(11/88)、10.2%(9/88)和 5.6%(5/88)。单因素分析结果表明患者性别、重度饮酒、原发灶位置、肿瘤分化类型、临床T分期、肿瘤大小、神经/脉管侵犯对T1-T2期下咽癌颈淋巴结转移有显着影响(P值均<0.05)。性别为男性,有重度饮酒史,肿瘤分化程度越低,肿瘤直径越大的患者,颈淋巴结转移风险越高(OR值均>1)。原发灶位于梨状窝的肿瘤更倾向于颈淋巴结转移,其次下咽后壁癌和环后癌。在多因素分析中用逆向逐步选择法对独立危险因素进行二次识别,除了性别以外其余变量均被筛选,其中原发灶位置、肿瘤分化类型、肿瘤直径、神经/脉管侵犯显着影响T1-T2期下咽癌颈淋巴结转移(P值均<0.05),效应与单因素分析结果一致,而重度饮酒、临床T分期的危险因素效应不显着(P值均>0.05)。基于多因素分析筛选出的六个临床因素即预测变量,包括重度饮酒、原发灶位置、肿瘤分化类型、临床T分期、肿瘤大小、神经/脉管侵犯,初步构建T1-T2期下咽癌颈淋巴结转移风险预测模型,结果以列线图的形式展示。模型的ROC曲线下面积(AUC)等于0.773,而内部验证后的AUC=0.774,说明构建的风险预测模型在判断患者是否存在颈淋巴结转移具有较好的区分度。校准图中曲线拟合线与参考线较为接近,两条线大致重合,提示模型的预测结果真实性可靠。临床决策曲线表明在预测模型在10-85%的阈概率范围内,患者净获益较两个极端曲线都高,提示该预测模型具有较高的临床实用价值。研究结论本研究发现下咽癌好发于老年男性;多数患者有重度吸烟史和重度饮酒史。环后癌中女性患者比例远高于梨状窝癌和下咽后壁癌中的比例。本研究建议对T1-T2期下咽癌患者应常规行颈侧区Ⅱ~Ⅳ区淋巴清扫,而对T2期病例术前应充分结合患者影像学等检查结果所示,积极选择性清扫对侧颈部Ⅱ~Ⅳ区。原发灶位置,肿瘤分化类型,肿瘤大小和神经/脉管侵犯均为T1-T2期下咽癌颈淋巴结转移的独立危险因素。区分度、校准度和临床实用性的评估表明T1-T2 下咽癌颈淋巴结转移风险预测模型具有较高的临床应用价值。
张拓[6](2021)在《CT纹理分析方法在下咽癌颈部淋巴结转移情况中的应用价值》文中指出目的:本次实验就采用CT纹理分析的方法,提取原发肿瘤病变(primary tumor lesions,PTL)的颈部CT增强图像中的特征信息,以在术前预测下咽癌患者的颈部淋巴结转移情况的可行性。为下咽癌的患者的术前检查、诊断提供新思路、新方法。方法:1、选取、采集2015年01月-2020年10月间在苏北人民医院就诊并治疗的42名下咽癌患者的临床信息。筛选入组患者:所有入组患者经CT检查后1月内行手术治疗,CT检查前未进行放、化疗等治疗,所有入组患者均进行颈淋巴结清扫术;依据经手术后病理证提供的准确病理pTNM分期,并且在术后6月随访未出现淋巴结转移、原发灶肿瘤复发的患者共计33人。两组患者的术后病理检查结果作为分组依据,其中pN0 13例、pN112例、pN2 8例。进一步将其分为无淋巴结转移组即pN0(n=13)和淋巴结转移组组即pN+(n=20)。2、采集患者颈部CT增强图像,分别采集患者动脉期、静脉期显示病灶最大层面图像前后2张,所有图像用专业绘制软件进行图像分割,使用Ma Zda4.6软件在患者的颈部CT增强图像上手动勾画出感兴趣区(Regions of interest,ROI),用软件自带的提取方法提取纹理参数,提取5个具有参考价值的纹理参数:分别是均值(Mean value)、偏斜(Skewness)、相关性(Correlation)、熵(Entropy)和峰度(Kurtosis)。同一患者取2张图片的纹理分析参数值的平均值进行统计学分析,比较两组患者颈部CT增强的静脉期和动脉期上的纹理参数值的差异,将提取出的纹理参数的值进行统计学分析。将具有统计学差异的纹理参数参数值通过受试者工作特征曲线(receiver operator characteristic,ROC)绘制,并且计算曲线下面积(area underthe ROC curve,AUC),从而进行诊断效能分析,计算出灵敏度(Sensitivity)和特异度(Specificity)。结果:1、差异性检验:pN0组与pN+组两组患者的年龄的P=0.567,T分期P=0.614,因此年龄、T分期两者在两组的统计中均不具有明显统计学意义(P>0.05)。pN0组与pN+组两组患者的静脉期纹理分析值的均值、偏斜及峰度的p值分别为0.652、0.205、0.611,动脉期的均值、偏斜及峰度的p值分别为0.985、0.5000、0.321,均大于0.05,故认为pN0组与pN+组两组患者之间其均值、偏斜及峰度无统计学差异。pN0组与pN+组两组患者之间静脉期相关性的P值为0.004小于0.005,pN0组与pN+组两组患者之间动脉期相关性的P值为0.004小于0.005,认为两组间相关性存在统计学差异。pN0组与pN+组两组患者之间动脉期、静脉期的熵值的P值均小于0.001,认为两组间熵值存在显着统计学差异。选取其存在统计学差异的纹理分析值,即熵值与相关性值,绘制ROC曲线并判断其诊断能效。2、诊断能效:静脉期的熵AUC=0.858、相关性AUC=0.804,AUC的值均位于0.7-0.9间,动脉期期的熵AUC=0.877、相关性AUC=0.785,AUC的值均位于0.7-0.9间。故认为熵的值和相关性的值在判断下咽癌的颈部淋巴结转移的应用中有一定的准确性。结论:纹理参数中的熵值和相关性值可以通过区分肿瘤的异质性等特征,以预测、判断肿瘤的颈部淋巴结转移情况。其中,静脉期纹理参数熵值和动脉期纹理参数熵值可以作为独立预测因子,其灵敏度和特异度均有较好的表现。纹理分析方法可以为临床术前判断淋巴结转移情况提供新的方法与思路。
施淑君[7](2020)在《CT纹理分析方法对喉声门上型鳞状细胞癌区域淋巴结转移情况的研究价值》文中提出研究背景电子计算机断层扫描(computed tomography,CT)是诊断头颈部实性局灶性病灶的常用检查方法,而纹理分析(texture analysis TA)可以提供客观、定量的图像描述特征。喉声门上型鳞状细胞癌(Laryngeal supraglottic squamous cell carcinoma,LSGSCC)是耳鼻咽喉头颈外科常见的恶性肿瘤,区域淋巴结是否有转移是影响喉声门上型鳞状细胞癌治疗和预后的关键因素。目的探讨从原发肿瘤病变(primary tumor lesions,PTL)CT图像中提取纹理分析特征术前预测喉声门上型鳞状细胞癌患者的区域淋巴结转移情况(Lymph node metastasis status,LNMS)的可行性。临床资料回顾性分析2010年1月-2018年12月我科经手术并术后病理证实的38例喉声门上型鳞状细胞癌患者的颈部CT图像,所有患者具有完整的临床资料,且挑选出的患者均行外科手术治疗和颈部淋巴结清扫术(neck nodal dissection,NNU),入组患者术后随访1年,均未发现肿瘤复发。术后送病理检查,有明确的pTNM分期。根据术后病理检查结果,18例未发现转移性颈淋巴结,20例有转移性颈淋巴结受累,其中pN0 18例、pN112例、pN2 8例,进一步将其分为非转移性淋巴结组(Nonmetastatic lymph nodes,NLN)即 pN0(n=18)和转移性淋巴结(Metastatic lymph node,MLN)组即 pN+(n=20)。方法选取增强CT图像上肿瘤病灶最大层面图像,运用MaZda4.6软件在CT增强图像上沿病灶边缘手动感兴趣区(Regions of interest,R0I)进行勾画,用软件自带的提取方法提取纹理参数,出现两次或两次以上者纳入研究,最终提取5个纹理参数:均值(Mean value)、偏斜(Skewness)、相关性(Correlation)、熵(Entropy)和高低频小波转换系数(WavEnHLS-2)。比较pN0组和pN+组静脉期和动脉期上纹理参数的差别,将筛选出的纹理参数值进行统计学分析。对具有统计学差异的参数绘制受试者工作特征曲线(receiver operator characteristic,ROC),计算曲线下面积(area under the ROC curve,AUC),进行诊断效能分析,计算出灵敏度和特异度。应用二元Logistic回归分析计算出鉴别pN0组和pN+组的独立预测因子。用SPSS22.0软件计算出独立预测因子的联合预测因子,并绘制联合因子的ROC曲线,进行诊断效能分析。结果1.差异性检验:Mean value均值、Skewness偏斜、WavEnHLS-2小波转换,3个纹理参数在动脉期和静脉期中PN+组均高于pN0组,P>0.05无统计学意义。静脉期中Correlation 相关性(P=0.004)、Entropy 熵(P<0.001)在 pN+组高于 pN0 组,P<0.05有统计学意义。动脉期中Correlation相关性(P=0.008)、Entropy熵(P<0.001)在pN+组高于pN0组,P<0.05有统计学意义。2.诊断效能:静脉期熵AUC=0.875,灵敏度和特异度分别是85.0%,77.8%,动脉期熵AUC=0.872,灵敏度和特异度分别是80.0%,83.3%。静脉期相关性AUC=0.764,灵敏度和特异度分别是90.0%,61.1%,动脉期相关性AUC=0.750,灵敏度和特异度分别是75.0%,77.8%。3.二元Logistic回归分析:静脉期的熵和动脉期的熵是鉴别pN0组和pN+组的独立预测因子。两个独立预测因子的联合预测因子诊断效能AUC=0.942,敏感度和特异度分别是:85.0%,94.4%,可见联合预测因子的诊断效能大于单个独立预测因子的诊断效能。结论1.纹理参数熵值(Entropy)、相关性值(Correlation)可以术前预测LSGSCC区域淋巴结转移情况,纹理分析方法或可成为临床新的诊疗技术。2.静脉期和动脉期熵值是独立预测因子,独立预测因子的联合预测因子可以提高诊断效能,有较高的灵敏度和特异度。
张惠柯[8](2020)在《基于深度学习的颈部淋巴结病变诊断的初步研究》文中研究表明背景和目的:颈部淋巴结肿大是颈部乃至全身许多疾病的常见临床表现,其良恶性鉴别不仅仅对疾病定性诊断有帮助,而且是恶性肿瘤患者分级、分期的重要依据,同时对肿瘤患者的生存、局部复发和远处转移的判断有重要价值。深度学习(Deep learning,DL)是人工智能(Artificial intelligence,AI)的方法之一,它是一种以神经元为基本单位的卷积神经网络,是目前医学领域最先进的机器学习方法之一。该模型已应用于肺结节的识别与鉴别、肺癌淋巴结转移的识别与定位、肝癌的分级、心血管疾病的危险因素分层及肿瘤患者预后模型的建立等疾病多个方面,并取得了较高的诊断效能。因此,本研究旨在探讨深度学习模型是否能在多种颈部淋巴结病变中对淋巴结做出良恶性定性诊断及能否对颈部转移淋巴结来源进行预测。第一部分基于深度学习模型的颈部淋巴结定性诊断的初步研究目的:探讨人工智能深度学习模型在颈部淋巴结定性诊断中的应用价值。材料与方法:收集经组织病理学证实的115例病人的颈部增强CT轴位图像,包括恶性淋巴结207枚和良性淋巴结359枚,按照就诊时间顺序将前486枚(恶性169枚,良性317枚)作为训练组,后80枚(恶性38枚,良性42枚)作为验证组。训练组采用DenseNet网络进行模型训练,将训练后的模型对验证组淋巴结进行测试,根据混淆矩阵计算其准确率、敏感度、特异性、阳性预测值(PPV)、阴性预测值(NPV),并绘制受试者工作特征曲线(ROC)。结果:采用深度学习算法对验证组淋巴结定性诊断的准确率、敏感度、特异性、PPV、NPV分别为83.8%、76.3%、90.5%、87.9%、80.9%,曲线下面积(AUC)为 0.842。结论:基于深度学习算法的DenseNet模型可以用于颈部淋巴结良恶性的鉴别诊断,其诊断效能优于常规影像方法的经验诊断,且可以节省时间。第二部分基于深度学习模型的颈部转移淋巴结来源判断的初步研究目的:探讨人工智能深度学习模型能否对恶性肿瘤颈部转移淋巴结的来源进行初步判断。材料与方法:收集经病理学证实的59例病人的颈部增强CT轴位图像,包括头颈部恶性肿瘤转移淋巴结98枚和身体其它部位恶性肿瘤转移淋巴结110枚,按照就诊时间顺序将前128枚(头颈部转移54枚,其他部位转移74枚)作为训练组,后80枚(头颈部转移44枚,其他部位转移36枚)作为验证组。训练组采用DenseNet网络进行模型训练,将训练后的模型对验证组淋巴结进行测试,根据混淆矩阵计算其准确率、敏感度、特异性、阳性预测值(PPV)、阴性预测值(NPV),并绘制受试者工作特征曲线(ROC)。结果:采用深度学习算法对验证组转移淋巴结来源判断的诊断准确率、敏感度、特异性、PPV、NPV 分别为 67.5%、59.1%、77.8%、76.5%、60.9%,曲线下面积(AUC)为 0.747。结论:初步研究表明,基于深度学习算法的DenseNet模型可以在一定程度上对颈部转移淋巴结来源进行预测,其诊断效能尚需要在更大规模的数据集上进一步验证。
薛娇[9](2018)在《核糖体蛋白L29在牙龈鳞状细胞癌中的表达及临床病理意义 ——附20例临床病例》文中研究指明目的:研究核糖体蛋白L29(RPL29)在人牙龈鳞状细胞癌(GSCC)中的表达及其临床病理意义。方法:青岛大学附属医院口腔颌面外科牙龈癌50例,收集肿瘤组织、癌旁组织及正常牙龈组织,以及21例舌癌肿瘤组织,应用SP免疫组化法检测RPL29蛋白的表达情况,分析RPL29在牙龈癌的不同临床T分期、病理分级、有无淋巴结转移以及患者的性别、年龄、吸烟史、饮酒史之间表达的差异,探讨其临床病理意义。结果:RPL29在牙龈癌中的阳性表达率为66.67%,明显高于癌旁组织的19.05%,且在正常牙龈组织中不表达(阳性率0%),其表达有显着差异(P<0.05)。RPL29的阳性表达分别与牙龈癌的不同临床T分期及病理分级之间在统计学上无明显差异。RPL29在T1、T2、T3+T4中的阳性率分别为81.82%(9/11)、86.67%(26/30)、66.67%(6/9),统计学无明显差异(P>0.05)。高分化牙龈癌(36例)与较低分化牙龈癌(14例)中的RPL29阳性率分别为77.78%(28/36)、92.86%(13/14),统计学无明显差异(P>0.05)。有淋巴结转移者RPL29阳性率100%(15/15),无淋巴结转移者阳性率74.29%(26/35),RPL29的表达在牙龈癌患者有无淋巴结转移组间存在明显差异,且差异有统计学意义(P<0.05)。RPL29表达在不同年龄段、不同性别、有无吸烟、饮酒史等独立分组中无显着差异(P>0.05)。RPL29在舌癌中的阳性表达率为85.71%,明显高于癌旁组织的11.11%,且RPL29的表达在舌癌患者有无淋巴结转移组间存在明显差异,且差异有统计学意义(P<0.05),此表达情况与牙龈癌基本相似。结论:(1)RPL29在牙龈鳞状细胞癌中高表达,在癌旁组织中低表达,在正常牙龈组织中不表达,提示RPL29可能是牙龈鳞状细胞癌的促进因子,可以作为检测牙龈鳞状细胞癌的分子生物学标志物。(2)有颈淋巴结转移的牙龈鳞状细胞癌中RPL29均阳性表达,RPL29表达阴性的牙龈鳞状细胞癌均未发生淋巴结转移,提示RPL29与牙龈鳞状细胞癌是否发生颈淋巴结转移相关。(3)RPL29的表达与牙龈鳞状细胞癌患者的年龄、性别、吸烟史、饮酒史、肿瘤发生部位、临床T分期及病理分级等均无关。(4)RPL29在舌鳞状细胞癌中高表达,在癌旁组织中低表达,与舌鳞状细胞癌是否发生颈淋巴结转移相关,与牙龈鳞状细胞癌中的表达相似,提示RPL29与口腔鳞状细胞癌的发生发展相关。
袁瑛[10](2018)在《影像组学及基因多态性研究在头颈部鳞癌中的应用》文中研究说明基于MRI的影像组学预测头颈部鳞癌预后和分期的研究根据患者和肿瘤的具体情况采取个体化治疗方案,提高患者的生存率和生活质量,是头颈部鳞癌(head and neck squamous cell carcinoma,HNSCC)诊治中不断追求的目标。影像组学方法通过从断层图像中高通量地提取大量影像信息,将视觉影像信息转化为深层次的影像组学特征来进行量化研究,为客观定量的评价肿瘤提供了一种新途径。本研究的目的在于建立基于磁共振(magnetic resonance imaging,MRI)的影像组学标签和影像组学列线图(又称诺模图),用于术前预测HNSCC患者的预后和术前判断HNSCC的病理TNM分期。研究可提示临床对晚期、预后不良的HNSCC患者采取更加有力和针对性的治疗措施,对个体化治疗的开展和患者生存率的提高有重要临床价值。第一部分研究共纳入170例HNSCC患者(男性121例,女性49例,平均年龄59.0±22.9岁)。从患者术前T2加权(T2-weighted,T2W)图像中提取485个影像组学特征中,利用LASSO回归和单因素分析从中选择出7个最佳影像组学特征,并基于7个影像组学特征建立影像组学标签。研究发现,所建立的影像组学标签与HNSCC患者的总生存期(overall survival,OS)显着相关(训练组P<0.0001,测试组P=0.0013)。采用多因素风险比例模型评估该影像组学标签和患者临床特征(包括年龄、性别、吸烟、饮酒、TNM分期)的预后预测价值,发现仅影像组学标签和TNM分期为HNSCC患者OS的独立预测因子。因此建立基于影像组学标签和TNM分期的列线图模型并检验其预测效能。在训练组,列线图的预测效能(C-index=0.76;95%CI:0.66~0.87)显着优于TNM分期(C-index=0.63;95%CI:0.55~0.72)(两两比较P=0.005)。在测试组,同样发现列线图的预测效能(C-index=0.72;95%CI:0.63~0.82)优于TNM分期(C-index=0.61;95%CI:0.51~0.71)(两两比较P=0.01)。不仅如此,研究还发现影像组学标签的C-index也显着高于TNM分期(训练组P=0.027;测试组P=0.035)。列线图的校正曲线证实了列线图预测结果与实际观察结果之间良好的符合度。决策曲线分析也证实,与TNM分期相比列线图的应用可以增加患者受益。第二部分研究共纳入了127例HNSCC患者。采用LASSO逻辑回归从患者术前T2W、增强T1加权(contrast enhanced-T1W,CE-T1W)、联合T2W+CE-T1W图像所提取的影像组学特征中分别选择出10个、6个和6个最佳影像组学特征,并分别建立影像组学标签。将三组影像组学标签应用于鉴别早期(I-II)和晚期(III-IV)HNSCC患者,得到的曲线下面积(area under the ROC curve,AUC)值分别为:基于T2WI的影像组学标签(训练组0.818、测试组0.709);基于CE-T1WI的影像组学标签(训练组0.823,测试组0.853);基于T2WI+CE-T1WI的影像组学标签(训练组0.850,测试组0.849)。基于联合T2W+CE-T1W的影像组学标签在训练组及测试组均具有最佳分类效能,训练组准确性为78.8%,测试组准确性为85.7%。采用Mc Nemar检验比较传统临床TNM分期和影像组学标签与病理TNM分期符合率的差异,训练组中基于CE-T1WI的影像组学标签和基于T2WI+CE-T1WI的影像组学标签的准确性及敏感度均显着高于传统主观的临床TNM分期(P<0.005)。上述研究表明,基于磁共振的影像组学标签具有术前预测HNSCC患者预后和病理TNM分期的潜力,可能成为对现阶段HNSCC患者术前临床评估手段的有效补充。E2F1基因多态性与口咽鳞癌发病风险的相关性研究口鳞状细胞癌(oral squamous cell carcinoma,OSCC)包括口咽鳞状细胞癌(oropharynx squamous cell carcinoma,OPSCC)和口腔鳞状细胞癌(oral cavity squamous cell carcinoma,OCSCC)。人类乳头瘤病毒(human papillomavirus,HPV)感染与OPSCC发病率升高相关。然而,HPV感染人群中仅小部分人会最终罹患OPSCC,这提示我们其他分子生物学危险因素可能在OPSCC的发生发展过程中发挥着重要作用。HPV和E2F1基因之间存在密切联系,HPV通过E7-pRb-E2F信号通路激活E2F1介导的转录。而3‘非编码区(3‘untranslated region,3‘UTR)miRNA结合位点的单核苷酸多态性(single nucleotide polymorphisms,SNP)可以影响靶基因的调控和个体的肿瘤易感性。因此,本研究旨在探讨E2F1基因3‘UTR端miRNA结合位点(rs3213180)的多态性是否与OSCC(包括OPSCC和OCSCC)的发病风险相关,以及SNP位点rs3213180是否与HPV相关的OSCC发病风险相关。本研究纳入325例OSCC患者和335例健康对照,检测rs3213180位点的基因分型和患者血清HPV16抗体;并纳入552例OPSCC患者,检测rs3213180位点的基因分型和肿瘤组织标本的HPV-DNA检测结果的相关性。采用逻辑回归模型计算rs3213180基因型和血清HPV与OSCC发病的相关性,以及rs3213180基因型与OPSCC肿瘤HPV-DNA的相关性。研究发现,OSCC患者的血清HPV16抗体的阳性率显着高于健康对照组(P<0.001),其中,OSCC患者血清抗体阳性率为30.8%,健康对照组为12.5%。血清HPV抗体阳性且位点rs3213180基因型呈Ins/Del或Ins/Ins的人群的OSCC发病风险最高,而血清HPV抗体阴性且位点rs3213180呈Del/Del基因型人群的OSCC发病风险最低。以后者为对照组,我们发现OSCC的发病风险在以下人群中逐渐上升:血清HPV阴性且rs3213180基因型Ins/Del或Ins/Ins的人群(OR=3.5;95%CI:2.45.2)、血清HPV16阳性且rs3213180基因型呈Del/Del的人群(OR=3.6;95%CI:2.16.2)、血清HPV16阳性且rs3213180呈Ins/Del或Ins/Ins基因型的人群(OR=9.0;95%CI:4.717.2)。这种相关性和发病风险逐渐增加的趋势在OPSCC患者中更显着,而未在OCSCC患者中检测到显着趋势。值得注意的是,这种趋势在不吸烟和不饮酒的人群中更为显着。除此之外,研究发现OPSCC肿瘤HPV-DNA阳性和肿瘤HPV-DNA阴性患者的rs3213180基因型存在显着差异(P<0.0001)。rs3213180呈Ins/Del或Ins/Ins基因型者的OPSCC肿瘤存在HPV感染的可能性约是rs3213180呈Del/Del基因型患者的3倍(OR=2.9;95%CI:1.84.6)。
二、CT颈部扫描及恶性度分级在预测口腔癌颈淋巴结转移中的作用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、CT颈部扫描及恶性度分级在预测口腔癌颈淋巴结转移中的作用(论文提纲范文)
(1)基于CT增强影像组学模型预测甲状腺乳头状癌颈部淋巴结转移(论文提纲范文)
材料与方法 |
1.研究对象及分组 |
2.CT检查方法 |
3.纹理分析方法 |
4.统计学分析 |
结 果 |
1.最佳纹理特征的筛选 |
2.组学模型的判别结果 |
3.错判率的比较 |
讨 论 |
(2)能谱CT定量分析及影像组学在甲状腺乳头状癌诊断及颈部淋巴结转移预测的应用研究(论文提纲范文)
中文摘要 |
英文摘要 |
常用缩写词中英文对照表 |
第一部分 甲状腺乳头状癌 CT 诊断的多因素分析 |
前言 |
1 材料与方法 |
1.1 一般资料 |
1.2 检查方法 |
1.3 图像分析 |
1.4 统计分析 |
2 结果 |
2.1 患者及病灶特征 |
2.2 影像学特征及单因素分析 |
2.3 影像学特征多变量Logistic回归模型分析 |
3 讨论 |
3.1 概述 |
3.2 边缘缺损征病理基础及影像表现 |
3.3 增强后模糊征病理基础及影像表现 |
3.4 低密度环征病理基础及影像表现 |
3.5 不足之处及展望 |
4 结论 |
第二部分 甲状腺乳头状癌颈部淋巴结转移超声和CT检查的Meta分析 |
前言 |
1 材料与方法 |
1.1 文献检索 |
1.2 纳入与排除标准 |
1.3 结局指标 |
1.4 数据提取和质量评估 |
1.5 统计分析 |
2 结果 |
2.1 纳入研究的特点 |
2.2 超声和CT在颈水平分析中诊断的准确性 |
2.3 超声和CT在基于患者的分析中诊断的准确性 |
3 讨论 |
3.1 主要结果及意义 |
3.2 优势及不足之处 |
4 结论 |
第三部分 光谱CT定量参数在甲状腺乳头状癌颈淋巴结转移的术前诊断价值 |
前言 |
1 材料与方法 |
1.1 一般资料 |
1.2 淋巴结的选取及分组 |
1.3 CT扫描参数 |
1.4 图像分析与处理 |
1.5 统计分析 |
2 结果 |
2.1 一般资料及病灶特征 |
2.2 良恶性淋巴结CT形态学比较 |
2.3 良恶性淋巴结CT形态学诊断效能 |
2.4 良性淋巴结各组间能谱定量参数比较 |
2.5 良恶性淋巴结能谱定量参数比较 |
2.6 PTC中良恶性淋巴结能谱定量参数诊断性能 |
2.7 CT形态学及能谱定量参数诊断性能比较 |
3 讨论 |
3.1 能谱CT的发展及光谱CT优势 |
3.2 CT形态学诊断性能分析 |
3.3 光谱CT能谱曲线诊断性能分析 |
3.4 光谱CT碘浓度诊断性能分析 |
3.5 光谱CT有效原子序数值诊断性能分析 |
3.6 光谱CT各参数在良性淋巴结中的比较及分析 |
3.7 不足之处 |
4 结论 |
第四部分 CT影像组学预测甲状腺乳头状癌颈部淋巴结转移的应用研究 |
前言 |
1 材料与方法 |
1.1 一般资料 |
1.2 CT扫描参数 |
1.3 原发灶一般形态学特征 |
1.4 CT征象对LN转移的判断 |
1.5 感兴趣区病灶分割及特征提取 |
1.6 特征筛选降维 |
1.7 预测模型构建与验证 |
1.8 统计分析 |
1.9 技术路线图 |
2 结果 |
2.1 一般资料及病灶特征 |
2.2 临床模型构建 |
2.3 影像组学模型和联合模型 |
2.4 临床模型、组学模型和联合模型的诊断效能比较 |
2.5 临床模型、影像组学模型和联合模型性能的可视化 |
3 讨论 |
3.1 影像组学概述 |
3.2 影像组学在甲状腺肿瘤应用中的流程 |
3.3 影像组学模型的预测效能分析 |
3.4 影像组学模型性能的可视化 |
3.5 不足与展望 |
4 结论 |
参考文献 |
综述 CT 影像学检查在甲状腺乳头状癌及淋巴结转移的术前诊断研究进展 |
参考文献 |
致谢 |
个人简介 |
(3)口腔癌侵袭深度对肿瘤TNM分期及预后评价的影响(论文提纲范文)
摘要 |
abstract |
引言 |
材料与方法 |
1.1 研究对象 |
1.1.1 研究对象选择 |
1.1.2 纳入标准 |
1.1.3 排除标准 |
1.2 治疗方法 |
1.2.1 手术治疗 |
1.2.2 术后辅助治疗 |
1.3 研究方法 |
1.3.1 临床侵袭深度评价标准 |
1.3.2 病理侵袭深度评价标准 |
1.3.3 临床淋巴结结外扩展评价标准 |
1.3.4 病理淋巴结结外扩展评价标准 |
1.4 统计分析 |
1.4.1 截尾数据 |
1.4.2 统计分析软件及方法 |
1.5 预后评价指标 |
1.5.1 总体生存率 |
1.5.2 疾病别生存率 |
结果 |
2.1 患者基本信息 |
2.2 患者手术信息 |
2.3 肿瘤分期变化 |
2.3.1 T分期变化 |
2.3.2 TNM分期变化 |
2.4 生存分析 |
2.4.1 总体生存状况 |
2.4.2 疾病别生存状况 |
2.5 约登指数 |
2.6 COX比例风险回归模型 |
讨论 |
结论 |
参考文献 |
综述 侵袭深度在口腔癌研究中的应用进展综述 |
综述参考文献 |
20例临床病例汇报 |
攻读学位期间的研究成果 |
缩略词表 |
致谢 |
(4)多参数MR影像组学特征对腮腺多形性腺瘤及腺淋巴瘤诊断价值的研究(论文提纲范文)
中文摘要 |
abstract |
中英文缩略词 |
第1章 前言 |
第2章 综述 头颈部肿瘤影像组学研究进展 |
2.1 影像组学的工作流程 |
2.1.1 图像提取 |
2.1.2 图像分割 |
2.1.3 图像特征提取与筛选 |
2.1.4 模型的建立及数据分析 |
2.2 影像组学在HNC中的应用 |
2.2.1 影像组学HNC鉴别诊断的应用 |
2.2.2 影像组学在HNC分期中的应用 |
2.2.3 影像组学在预测病毒感染状态的应用 |
2.2.4 影像组学在预测HNC预后中的应用 |
2.2.5 影像组学在预测HNC治疗疗效及放疗后相关副反应的应用 |
2.3 HNC组学的发展趋势及展望 |
第3章 资料与方法 |
3.1 实验对象 |
3.1.1 纳入标准 |
3.1.2 排除标准 |
3.2 MRI图像采集 |
3.3 病理检查结果 |
3.4 临床及影像表征资料 |
3.5 影像组学数据处理及分析 |
3.5.1 图像预处理及感兴趣区的获取 |
3.5.2 图像特征提取和筛选 |
3.6 模型的构建及统计分析 |
3.6.1 影像组学模型的构建 |
3.6.2 临床模型的构建 |
3.6.3 联合模型的构建 |
3.6.4 统计学分析 |
第4章 结果 |
4.1 影像组学模型 |
4.1.1 影像组学特征一致性分析 |
4.1.2 影像组学模型的构建及预测效能 |
4.2 临床模型 |
4.2.1 临床及影像表征单因素及多因素分析 |
4.2.2 临床模型的建立及预测效能 |
4.3 联合模型 |
4.3.1 联合模型的建立及预测效能 |
4.3.2 诺模图及决策曲线的构建及分析 |
第5章 讨论 |
第6章 结论 |
参考文献 |
作者简介及在学期间所取得的科研成果 |
作者简介 |
科研成果 |
致谢 |
(5)T1-T2期下咽癌颈淋巴结转移规律及风险预测模型的临床研究(论文提纲范文)
中文摘要 |
abstract |
符号说明 |
前言 |
材料与方法 |
结果 |
讨论 |
结论 |
研究创新性与局限性 |
附录 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
学位论文评阅及答辩情况表 |
(6)CT纹理分析方法在下咽癌颈部淋巴结转移情况中的应用价值(论文提纲范文)
中文摘要 |
英文摘要 |
前言 |
材料方法 |
1.研究对象 |
1.1 入选标准 |
1.2 排除标准 |
2.仪器与方法 |
2.1 CT扫描相关 |
2.2 样本收集 |
2.2.1 图像搜集 |
2.2.2 ROI勾画 |
3 数据处理 |
4 统计学方法 |
结果 |
1.临床一般资料 |
2.pN0组和pN+组各纹理分析比较 |
3 绘制ROC曲线 |
讨论 |
结论 |
本研究的创新性 |
本研究的不足与展望 |
参考文献 |
综述 CT纹理分析方法在下咽癌颈部淋巴结转移情况中的应用 |
参考文献 |
攻读学位期间发表论文情况 |
致谢 |
(7)CT纹理分析方法对喉声门上型鳞状细胞癌区域淋巴结转移情况的研究价值(论文提纲范文)
摘要 |
Abstract |
主要符号说明 |
第一章 绪论 |
1.1 喉声门上型癌流行病学 |
1.2 喉声门上型癌的治疗及转移淋巴结的处理 |
1.3 常规影像学图像特征和图像纹理分析特征 |
第二章 材料与研究方法 |
2.1 患者入组情况 |
2.1.1 患者资料 |
2.1.2 选取标准 |
2.1.3 手术方式的选择 |
2.2 仪器与方法 |
2.2.1 CT检查前准备 |
2.2.2 CT检查方法 |
2.3 图像的处理分析 |
2.3.1 图像导出 |
2.3.2 病灶的勾画 |
2.3.3 纹理数据的提取及筛选 |
2.4 淋巴结送检病理分析 |
2.5 统计学分析 |
第三章 结果 |
3.1 入组病人临床特征 |
3.2 淋巴结转移阴性与淋巴结转移阳性组两组间纹理参数比较 |
3.2.1 两组患者统计学结果 |
3.2.2 诊断效能评价 |
3.3 二元Logistic回归分析 |
3.4 联合预测因子诊断效能 |
第四章 讨论 |
4.1 喉声门上型癌术前颈部淋巴结转移诊断的意义与现状 |
4.1.1 咽喉部的淋巴管解剖特点 |
4.1.2 喉声门上型癌术前颈部淋巴结转移的诊断 |
4.2 纹理分析在医学中的应用 |
4.3 增强CT图像纹理分析与喉声门上型癌淋巴结转移情况的相关性 |
4.4 研究的不足与局限性 |
4.5 未来工作的展望 |
第五章 结论 |
参考文献 |
综述 |
综述参考文献 |
附录 |
攻读学位期间学习研究成果 |
致谢 |
(8)基于深度学习的颈部淋巴结病变诊断的初步研究(论文提纲范文)
摘要 |
Abstract |
中英文略索词索引 |
第一部分 基于深度学习模型的颈部淋巴结定性诊断的初步研究 |
前言 |
1 材料与方法 |
2 结果 |
3 讨论 |
4 结论 |
附图 |
参考文献 |
第二部分 基于深度学习模型的颈部转移淋巴结来源判断的初步研究 |
前言 |
1 材料与方法 |
2 结果 |
3 讨论 |
4 结论 |
附图 |
参考文献 |
综述 人工智能在颈部淋巴结病变诊断中的应用及研究进展 |
参考文献 |
个人简历 |
致谢 |
(9)核糖体蛋白L29在牙龈鳞状细胞癌中的表达及临床病理意义 ——附20例临床病例(论文提纲范文)
摘要 |
abstract |
引言 |
材料与方法 |
1 研究对象 |
2 设备及耗材 |
2.1 主要器材和仪器设备 |
2.2 主要试剂 |
3 实验方法 |
3.1 组织的收集和分组 |
3.2 标本的处理 |
3.3 HE染色及免疫组化 |
4 染色结果判定 |
5 统计学方法处理 |
结果 |
1 RPL29在牙龈癌、癌旁及正常牙龈组织中的表达 |
2 RPL29与牙龈癌临床病理的关系 |
2.1 RPL29表达水平与牙龈癌患者临床特征的关系 |
2.2 RPL29表达水平与牙龈癌发生部位的关系 |
2.3 RPL29表达水平与牙龈癌临床T分期的关系 |
2.4 RPL29表达水平与牙龈癌病理分级的关系 |
2.5 RPL29表达水平与牙龈癌颈淋巴结转移的关系 |
3 RPL29在舌癌、癌旁组织中的表达及与舌癌颈淋巴结转移的关系 |
讨论 |
1 牙龈癌与基因治疗 |
2 核糖体蛋白L |
3 RPL29与牙龈癌 |
3.1 RPL29在牙龈癌中的表达及意义 |
3.2 RPL29表达与牙龈癌患者性别、年龄、吸烟、饮酒史 |
3.3 RPL29表达与牙龈癌发生部位 |
3.4 RPL29表达与牙龈癌患者肿瘤T分期及病理分级 |
3.5 RPL29表达与牙龈癌患者颈淋巴结转移 |
4 RPL29与舌癌 |
结论 |
参考文献 |
综述 |
综述参考文献 |
附录 |
20例临床病例汇报 |
攻读学位期间的研究成果 |
致谢 |
(10)影像组学及基因多态性研究在头颈部鳞癌中的应用(论文提纲范文)
中文摘要 |
abstract |
缩略语表 |
第一章 基于T2加权磁共振的影像组学在头颈部鳞癌预后预测中的价值 |
1.1 引言 |
1.2 材料与方法 |
1.3 结果 |
1.4 讨论 |
1.5 结论 |
第二章 基于术前T2加权和增强T1加权磁共振的影像组学预测头颈部鳞癌分期 |
2.1 引言 |
2.2 材料与方法 |
2.3 结果 |
2.4 讨论 |
2.5 结论 |
第三章 E2F1基因miRNA结合位点的多态性与HPV相关口咽鳞癌发病风险的相关性研究 |
3.1 引言 |
3.2 材料与方法 |
3.3 结果 |
3.4 讨论 |
3.5 结论 |
参考文献 |
致谢 |
博士期间科研成果 |
四、CT颈部扫描及恶性度分级在预测口腔癌颈淋巴结转移中的作用(论文参考文献)
- [1]基于CT增强影像组学模型预测甲状腺乳头状癌颈部淋巴结转移[J]. 刘妮,谢元亮,黄增发,王翔. 放射学实践, 2021(08)
- [2]能谱CT定量分析及影像组学在甲状腺乳头状癌诊断及颈部淋巴结转移预测的应用研究[D]. 张凤艳. 山西医科大学, 2021(01)
- [3]口腔癌侵袭深度对肿瘤TNM分期及预后评价的影响[D]. 周凯. 青岛大学, 2021
- [4]多参数MR影像组学特征对腮腺多形性腺瘤及腺淋巴瘤诊断价值的研究[D]. 史灵雪. 吉林大学, 2021(01)
- [5]T1-T2期下咽癌颈淋巴结转移规律及风险预测模型的临床研究[D]. 艾合买提·吾守尔. 山东大学, 2021(11)
- [6]CT纹理分析方法在下咽癌颈部淋巴结转移情况中的应用价值[D]. 张拓. 大连医科大学, 2021(01)
- [7]CT纹理分析方法对喉声门上型鳞状细胞癌区域淋巴结转移情况的研究价值[D]. 施淑君. 扬州大学, 2020(04)
- [8]基于深度学习的颈部淋巴结病变诊断的初步研究[D]. 张惠柯. 郑州大学, 2020(02)
- [9]核糖体蛋白L29在牙龈鳞状细胞癌中的表达及临床病理意义 ——附20例临床病例[D]. 薛娇. 青岛大学, 2018(01)
- [10]影像组学及基因多态性研究在头颈部鳞癌中的应用[D]. 袁瑛. 上海交通大学, 2018(05)