文献速递外周血管腹部CT

平扫CT影像组学有助于检测腹主动脉瘤腔内修复术后内漏

Unenhanced computed tomography radiomics help detect endoleaks after endovascular repair of abdominal aortic aneurysm.
PubMed 文献 · Eur Radiol · 2023-09-02

回顾性纳入216例腹主动脉瘤EVAR术后患者,以增强联合平扫CT为参考标准,提取平扫CT影像组学特征并构建12种机器学习模型检测内漏。内漏组瘤囊平扫CT均值更高(41.7 vs 33.6,p<0.001)且离散度更小(51.5 vs 58.8,p<0.001),模型在内部测试集平均AUC为0.86±0.05、敏感度88%±10、特异度78%±5;固定敏感度>90%(92%±2)时特异度为72%±10。

要点

  • 内漏组瘤囊(支架外)平扫CT均值高于无内漏组(41.7 vs 33.6,p<0.001),变异系数更低(51.5 vs 58.8,p<0.001)。
  • 12种机器学习模型在内部测试集平均AUC 0.86±0.05、准确率81%±4、敏感度88%±10、特异度78%±5。
  • 固定敏感度>90%(92%±2)时模型平均特异度为72%±10,作者据此提出平扫阳性再行增强CT确认的随访策略。

核心结论

  • 平扫CT特征在内漏与无内漏患者间存在显著差异,基于平扫CT影像组学的机器学习模型有助于以高敏感度检测EVAR术后内漏。

研究设计与样本

  • 回顾性研究,纳入2014年7月至2021年9月本院EVAR术后随访的216例肾下型腹主动脉瘤患者(69±8岁;191例男性),所有患者均行平扫及增强CT,参考标准为增强CT(结合平扫CT)上支架外瘤囊内持续血流。

关键影像表现/征象

  • 内漏组瘤囊(支架外)平扫CT均值41.7 vs 无内漏组33.6(p<0.001),变异系数51.5 vs 58.8(p<0.001),内漏组CT值更高且分布更集中。
  • 直方图特征中均值、最小值(−33.9 vs −39.1,p<0.001)、最大值(156 vs 149,p=0.004)、中位数(41 vs 33,p<0.001)、第10百分位(16 vs 11,p<0.001)、第90百分位(65 vs 58,p<0.001)、众数(41 vs 32,p<0.001)、均方根(47.0 vs 39.5,p<0.001)、能量(2.9×10⁷ vs 1.8×10⁷,p=0.03)共10项在两组间有显著差异。

诊断标准与关键数值

  • 内漏参考标准为增强CT上支架外瘤囊内持续血流,并结合平扫CT排除钙化管壁、血栓内钙化或支架金属部分所致的不确定结果。
  • 内部测试集12种模型平均AUC 0.86±0.05、准确率81%±4、敏感度88%±10、特异度78%±5。
  • 测试集中AUC>0.90的模型为BAG(0.91)、RF(0.91)、DT(0.90)、GB(0.90);AUC>0.80的为SVM(0.89)、AB(0.86)、KNN(0.86)、NN(0.86)、LR(0.81)、QDA(0.81)、LDA(0.80);GNB最低(0.77)。
  • 固定敏感度>90%(平均92%±2)时平均特异度72%±10;固定特异度>90%(平均91%±3)时平均敏感度51%±20。

临床应用与阅片要点

  • 作者提出术后随访可先行平扫CT,模型输出阳性再行增强CT确认内漏,输出阴性则不再行增强CT并继续定期随访,以减少对比剂注射及不良反应。
  • 作者认为平扫CT影像组学可为对对比剂有不良反应的患者提供一种内漏检测的替代方法。

局限性

  • 本研究为回顾性研究。
  • 原文在讨论中提出,目前利用平扫CT检测内漏的研究很少,本研究结果可为该方向的可行性提供支持。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2023 Sep 2;34(3):1647–58. doi: 10.1007/s00330-023-10000-y

引言

近年来,血管内动脉瘤修复术(EVAR)已成为腹主动脉瘤(AAA)最常见的治疗方法[1, 2]。尽管EVAR比传统开放修复术更安全且为微创,但患者仍需长期随访以避免介入后并发症[3]。EVAR最常见的并发症之一是内漏,其意味着支架外动脉瘤囊内存在血流,发生率为30%[3, 4]。由于腹主动脉的血流动力学变化,内漏可导致术后动脉瘤扩张甚至破裂[5, 6]。有效且及时地检测内漏并进行适当的临床干预对AAA患者至关重要。

对比增强CT能清晰显示动脉瘤和支架移植物的解剖结构,目前是内漏检测和监测的主要参考标准[7]。然而,对比剂可能引起器官特异性反应,包括与肾脏、心血管或神经系统相关的毒性[8–10]。因此,增强CT检查在AAA患者术后随访中的应用在一定程度上受限于对比剂的使用。

由于血液渗漏,伴有和不伴有内漏的患者其动脉瘤组成成分应存在差异。对比剂可以增强这种差异,并提供关于内漏存在和位置的更准确和精确的信息[8],但无法改变动脉瘤的固有成分。因此,内漏引起的差异也应反映在平扫CT图像上,尽管这些差异过于细微而无法被人眼区分。与对比增强CT相比,平扫CT操作简单方便,且避免了对比剂注射的需要。如果平扫CT的图像信息能够被充分评估,例如使用影像组学和机器学习(ML)方法提取和分析图像特征[11, 12],放射科医生或许能够直观地“看到”平扫CT图像中伴有或不伴有内漏的动脉瘤之间的差异。

影像组学是一种新兴的图像分析方法。高通量提取定量特征能够有效阐明医学图像中视觉检查无法评估的细微特征[13, 14]。既往研究表明,基于对比增强CT,影像组学结合ML技术可用于区分侵袭性与良性内漏[15]、预测AAA进展[16]以及EVAR后患者结局[17]。然而,基于平扫CT图像的AAA相关研究(尤其是内漏检测)报道相对有限。尽管在平扫CT扫描中难以通过视觉“看到”内漏,但影像组学特征可能帮助放射科医生区分伴有和不伴有内漏患者的平扫CT之间的差异。

基于上述分析,本研究旨在探讨伴有和不伴有内漏的患者之间平扫动脉瘤影像组学特征的差异,并评估使用平扫影像组学特征构建的十二种常见ML模型在内漏检测中的性能。

材料与方法

患者选择

北京协和医院机构审查委员会批准了这项回顾性研究,并豁免了知情同意要求。我们最初通过查询电子病历(EMR)系统和图像归档与通信系统(PACS),收集了2014年7月(系统中可检索到的最早日期)至2021年9月期间在我院就诊的726例腹主动脉瘤(AAA)患者(图1)。纳入标准如下:(a)接受EVAR的患者;(b)在EVAR后至少1个月接受随访CT扫描(平扫和增强CT扫描)的患者。在查询临床电子记录、检索影像检查记录并审阅CT图像后,我们分别排除了366例、116例和28例患者。最终共有216例肾下型AAA患者纳入本研究(图1)。这些患者使用的血管内移植物为分叉型覆膜支架。所有纳入患者均接受了平扫和增强CT检查(图2A)。患者选择和CT方案的详细信息见补充材料。

图1 患者选择流程图 查看原图 ↗
图2 研究框架。A 图像采集。B 图像评估。C 图像分割。D 特征提取。E 实验设计。CV,变异系数;IQR,四分位距;MAD,平均绝对偏差;RMAD,稳健平均绝对偏差;RMS,均方根;SD,标准差;GLCM,灰度共生矩阵;GLDM,灰度依赖矩阵;GLRLM,灰度游程长度矩阵;GLSZM,灰度大小区域矩阵;NGTDM,邻域灰度差矩阵;LBP,局部二值模式;LoG,高斯拉普拉斯;AB,自适应提升;BAG,装袋法;DT,决策树;GB,梯度提升;GNB,高斯朴素贝叶斯;KNN,k近邻;LDA,线性判别分析;LR,逻辑回归;NN,神经网络;QDA,二次判别分析;RF,随机森林;SVM,支持向量机;ROC,受试者工作特征;AUC,曲线下面积 查看原图 ↗

图像评估

两名血管影像放射科医师(分别具有12年和2年血管CT研究判读经验)基于增强CT图像独立评估内漏的有无(图2B)。两名评估者均具有影像组学分析经验。结果不明确时共同讨论以达成共识结论。共识判读结果用于进一步分析。

检测内漏的参考标准为增强CT图像上动脉瘤囊内支架外存在持续性血流。同时,根据既往文献,增强CT与平扫CT联合有助于将小内漏与钙化主动脉壁、血栓内钙化或覆膜支架金属部分相鉴别,与单独增强CT相比可提高内漏检测的准确性[18, 19]。因此,在本研究中,内漏评估时也参考了平扫CT扫描,以帮助排除不确定结果。根据图像评估结果,纳入患者被分为两组:有内漏患者和无内漏患者。

图像分割

通过基于阈值技术的半自动方法,从平扫CT扫描中分割出三维腹主动脉瘤(AAA)(图2C)。分割范围从肾动脉下水平至腹主动脉分叉处[20]。分割目标为支架外的瘤囊[16]。用于瘤囊自动分割的CT衰减范围定义为−50亨氏单位(HU)至150 HU [21–23]。上限阈值150 HU用于去除CT值高于动脉瘤的组织,如骨骼、钙化斑块和支架移植物的金属部分。下限阈值−50 HU用于去除CT值较低的组织,如空气和脂肪组织。随后由两名放射科医师对自动分割结果进行手动校正,以消除误分割引起的干扰结构。上述过程通过MATLAB(版本R2020b,MathWorks)实现[16, 23, 24]。

特征提取

从动脉瘤区域提取的影像组学特征包括直方图特征、纹理特征和滤波图像特征(图2D)。直方图特征又称一阶特征,包括描述感兴趣区内CT衰减分布的20个统计量[11]。纹理特征包括75个统计量,量化体素与其周围环境在距离和强度方面的关系[25]。滤波图像包含通过不同滤波器生成的20幅不同图像[25]。每幅滤波图像可提供93个特征。通过Python(版本3.7,Python Software Foundation)程序,从平扫CT中共提取1955个特征(20 + 75 + [20 × 93])。影像组学特征的详细描述见补充材料。

统计分析

内漏评估的阅片者间一致性采用Cohen kappa系数评估。动脉瘤分割结果手动校正的可重复性采用Dice系数评估[26]。

为探讨有无内漏患者之间平扫CT特征的差异,我们分析了两组的20个直方图特征(图2E,实验1)。与纹理特征和滤波图像特征相比,直方图特征具有更好的稳定性(使用不同设备、软件或采集设置多次成像时保持不变的 feature)和可解释性(由基本完整的定义和公式所定义的特征)[27]。采用Shapiro–Wilk检验评估分布的正态性。正态分布特征采用Student t检验分析,否则采用Mann–Whitney U检验。Shapiro–Wilk检验p值大于0.05表示正态分布。对于其他检验,p值小于0.05被认为表示差异有统计学意义。统计分析由SPSS(版本26.0,International Business Machines Corporation)完成。

机器学习

为了探究平扫CT影像组学是否有助于检测内漏,我们基于所有提取的特征开发了十二种常见的机器学习(ML)模型(图2E,实验2)。ML模型包括自适应提升(AB)、装袋法(BAG)、决策树(DT)、梯度提升(GB)、高斯朴素贝叶斯(GNB)、k近邻(KNN)、线性判别分析(LDA)、逻辑回归(LR)、神经网络(NN)、二次判别分析(QDA)、随机森林(RF)和支持向量机(SVM)[28–30]。

ML流程如下(补充材料):a 按照CT检查的时间顺序将患者分为训练集(80%)和内部测试集(20%)。b 基于Z-score归一化对两个数据集的数据进行标准化。c 对训练集数据进行单因素分析,保留p < 0.05的特征。d 使用最小绝对收缩和选择算子(LASSO)回归实现特征降维[31]。e 根据最终选定的特征,在训练集数据上构建十二种ML模型[32]。f 在内部测试集上对ML模型进行测试。上述所有过程均通过Python编程实现。

结果

可重复性

两位放射科医师在内漏评估(Cohen's kappa系数,0.91;95% CI:0.85,0.97;p < 0.001)和动脉瘤分割(Dice系数,0.94 ± 0.05)方面的一致性极好。在比较和分析两位放射科医师的评估结果后,我们发现所有错误结果均出现在初级审阅者的分析中。例如,初级放射科医师正确评估了208例患者是否存在内漏,错误评估了8例患者,而高级审阅者正确分析了研究队列中全部216例患者的内漏情况。

伴与不伴内漏患者的平扫CT图像差异

本研究共纳入216例患者(69 ± 8岁;191例男性)(图1)。其中,64例患者(30%,64/216;69 ± 10岁;51例男性)的腹主动脉瘤(AAA)伴有内漏(20例I型,44例II型),其余152例患者(69 ± 7岁;140例男性)无内漏。

表1呈现了伴或不伴内漏患者20个直方图特征的统计数据。有10个特征在两组之间(伴内漏 vs. 不伴内漏)显示出显著差异:均值(41.7 vs. 33.6,p < 0.001)、最小值(− 33.9 vs. − 39.1,p < 0.001)、最大值(156 vs. 149,p = 0.004)、中位数(41 vs. 33,p < 0.001)、第10百分位数(16 vs. 11,p < 0.001)、第90百分位数(65 vs. 58,p < 0.001)、众数(41 vs. 32,p < 0.001)、均方根(47.0 vs. 39.5,p < 0.001)、能量(2.9 × 107 vs. 1.8 × 107,p = 0.03)和变异系数(51.5 vs. 58.8,p < 0.001)。前九个特征从不同方面衡量CT衰减值的强度,彼此高度一致,且均在内漏组中显示较高值。较低的变异系数值代表频率分布的离散度较小,这表明内漏组的CT值比无内漏患者更集中。对于其他10个直方图特征,我们未发现两组之间存在差异的证据,详细结果见表1。

图3显示了有无内漏患者的CT值的两个示例。比较AAA的两幅热图,存在内漏的动脉瘤显示为CT值较高的红色区域,无内漏的动脉瘤显示为值较低的蓝色区域。在图3中,我们可以直观地看到,内漏组平扫CT的CT衰减值显著高于无内漏组。

表1 从平扫CT切片提取的直方图特征的统计分析 查看原表 ↗
图3 有无内漏患者CT衰减的示例。A 一名69岁男性,血管内修复术后出现内漏。第一幅图像为腹主动脉瘤最大轴位层面上的动脉期增强CT。第二幅图像为与第一幅图像同一层面的平扫CT切片。第三幅图像为从第二幅图像分割出的动脉瘤囊CT衰减热图。色标条的红色区域反映高CT值,蓝色反映低值。B 一名64岁男性,属于无内漏组。血管内修复术后随访CT扫描未见内漏。B的图像含义与A相同。HU,亨氏单位 查看原图 ↗

利用平扫CT图像的影像组学特征检测内漏

根据随访CT图像的检查时间(2014.7.22–2021.9.14),将患者分为训练集(2014.7.22–2019.10.25)和内部测试集(2019.10.26–2021.9.14)。训练集包含173例患者(80%,173/216),其中52例(30%,52/173)存在内漏(17例I型,35例II型)。测试集有43例患者(20%,43/216),其中12例(28%,12/43)存在内漏(3例I型,9例II型)。两个数据集中的内漏分布均衡,且与整个研究队列中的内漏比例(30%,64/216)几乎相同。

我们对训练集的1955个CT特征进行了单变量分析,保留了206个p < 0.05的特征(补充表S1),包括10个直方图特征、4个纹理特征和192个滤波图像特征。这10个直方图特征与实验1中p < 0.05的统计量相同。图4显示了通过LASSO回归进行特征降维的结果。最终,确定了15个具有代表性的影像组学特征(图4C)。

基于所选的15个特征,我们开发了十二种常用的机器学习(ML)模型用于内漏检测(补充表S2)。图5展示了训练集和内部测试集的受试者工作特征(ROC)曲线。各模型在训练集上的平均曲线下面积(AUC)为0.95 ± 0.05,分类准确率为93% ± 8;测试集的AUC为0.86 ± 0.05,准确率为81% ± 4。表2显示了ML模型在内部测试集上的详细检测性能。十二个模型中有四个的AUC大于0.90:BAG(AUC = 0.91)、RF(AUC = 0.91)、DT(AUC = 0.90)和GB(AUC = 0.90)。其余七个模型的AUC大于0.80:SVM(AUC = 0.89)、AB(AUC = 0.86)、KNN(AUC = 0.86)、NN(AUC = 0.86)、LR(AUC = 0.81)、QDA(AUC = 0.81)和LDA(AUC = 0.80)。GNB获得的AUC最低,为0.77。

图6展示了系数最高的前三个特征的可视化结果。尽管图6A中的动脉瘤存在少量内漏,在对比增强CT图像中并不明显,但非增强CT特征的热图仍与图6B中无内漏的动脉瘤存在可测量的差异。

图4 特征降维。A 交叉验证过程中均方误差随λ(Lamda)变化的趋势图。λ是LASSO回归的一个重要参数,通常通过交叉验证进行调整以寻找最优值。红点代表均方误差的平均值。蓝色误差条代表标准差。黑色虚线表示λ的最佳值。B 通过单因素分析筛选出的206个影像组学特征的权重系数收敛图。如A和B所示,在λ = 0.029(黑色虚线)处均方误差最小(0.18 ± 0.04),此时最终确定了15个具有代表性的影像组学特征(权重系数≠0)。C 最终选定的15个特征的名称及权重系数。GLCM,灰度共生矩阵;GLDM,灰度依赖矩阵;GLRLM,灰度游程矩阵;GLSZM,灰度区域大小矩阵 查看原图 ↗
图5 机器学习模型检测内漏的性能。A 训练集的受试者工作特征(ROC)曲线。B 内部测试集的ROC曲线。AB,自适应提升;BAG,装袋;DT,决策树;GB,梯度提升;GNB,高斯朴素贝叶斯;KNN,k近邻;LDA,线性判别分析;LR,逻辑回归;NN,神经网络;QDA,二次判别分析;RF,随机森林;SVM,支持向量机 查看原图 ↗
表2 影像组学模型在内部测试集上检测内漏的性能 查看原表 ↗
图6 非增强CT影像组学特征的可视化。A 测试集中一位89岁女性,血管内修复术后出现内漏。上排第一张图像为腹主动脉瘤最大轴位层面的动脉期增强CT切片。上排第二张图像为与第一张同层面的非增强CT切片。下方其余图像为从非增强CT图像中提取的权重系数最高的三个影像组学特征的特征图像和热图。色条红色区域反映高值,蓝色反映低值。B 测试集中一位67岁男性,无内漏。B的图像含义与A相同 查看原图 ↗

临床管理策略

cut-points的常用选择标准是约登指数(灵敏度+特异度-1)的最高值,该标准假设灵敏度和特异度在临床管理中具有同等价值。该标准下十二种检测模型的性能见表2。平均灵敏度为88% ± 10,其中9种超过80%(BAG = 100%,DT = 100%,RF = 100%,AB = 92%,GB = 92%,KNN = 92%,NN = 92%,QDA = 92%,SVM = 83%)。平均特异度为78% ± 5,其中6种超过80%(SVM = 87%,LDA = 84%,QDA = 84%,DT = 81%,GB = 81%,LR = 81%)。

为考虑各种情况下的临床策略,我们评估了放射组学模型在不同选择标准下的检测能力(表3)。当将灵敏度固定为> 90%以选择截断点时,模型表现出高灵敏度,可能适合随访期间的内漏筛查。在该标准下,模型的平均灵敏度为92% ± 2,特异度为72% ± 10。当将特异度固定为> 90%时,模型表现出高特异度(91% ± 3),平均灵敏度为51% ± 20。评估结果的详细信息可见表3。

表3 不同临床策略下检测模型的灵敏度和特异度 查看原表 ↗

讨论

在本研究中,我们收集了EVAR术后肾下型AAA患者的CT影像数据,以探讨使用平扫CT图像检测内漏的可行性。通过提取和分析放射组学特征,我们探索了内漏患者和无内漏患者之间平扫CT图像的差异,发现内漏组的动脉瘤显示出明显更高的CT值和更小的离散度,相较于无内漏组。此外,使用平扫放射组学特征构建了十二种常见的ML模型,以验证内漏检测的性能,在内部测试集中达到了平均AUC为0.86 ± 0.05。

由于血液的CT衰减通常高于软组织,内漏导致动脉瘤囊内平扫CT值升高是合理的。这一结果验证了我们在“引言”中的猜想,即内漏引起的动脉瘤组成差异确实反映在平扫CT图像上,并可以通过放射组学方法“观察”到。同时,十二种ML模型的评估结果表明,平扫CT特征具有检测内漏的潜力,并适用于大多数常见的ML方法。目前,关于使用平扫CT扫描检测内漏的研究很少,我们的结果可以为这一研究方向的可行性提供支持。

放射组学模型产生了相对较高的灵敏度88% ± 10和78% ± 5的特异度。当将灵敏度固定为> 90%(92% ± 2)[33, 34]时,平均特异度为72% ± 10。高灵敏度也导致了低漏诊率。这表明平扫CT放射组学有潜力提供高灵敏度的结果,并可用于辅助术后随访。例如,我们可以建立以下术后监测的临床策略:EVAR术后,患者在随访期间首先进行平扫CT扫描;如果放射组学模型的输出为阳性,则进一步进行增强CT检查以确认内漏的存在;如果输出为阴性,则患者不再进行对比增强CT扫描,并继续定期随访。上述流程可以减少患者对比剂的注射,并尽可能避免肾毒性等不良反应。

由于检测模型具有高灵敏度,我们分析了可能的原因如下:(a)实验1中10个有显著差异的直方图特征中有9个在内漏组显示出更高的值;(b)通过LASSO最终筛选出的15个特征中有11个具有正权重系数,其中包括权重最高的5个特征。从上述两个结果可以看出,大多数与内漏存在相关的平扫CT特征是“危险因素”而非“保护因素”。而且大多数危险因素最终以高系数保留在机器学习模型中。因此,平扫CT影像组学模型可能倾向于对内漏的存在具有敏感性,从而导致高灵敏度的结果。

目前,有许多研究涉及EVAR术后内漏的检测。作为这些研究工作的一部分,各种增强CT的检测性能已被研究,如光谱光子计数CT [35]、双能低keV或单能低kV CT [4]以及稀疏采样CT [36]。其他研究者探索了使用超声造影(CEUS)或磁共振血管造影(MRA)进行内漏检测。

在一项回顾性对比研究中,CEUS以CT血管造影(CTA)作为参考标准,报告内漏检测的灵敏度为97.4% [37]。与CTA相比,CEUS使用的造影剂无肾毒性,对患者的风险较低 [38]。然而,CEUS的一个主要缺点是操作者依赖性,这降低了CEUS的可用性 [39]。同时,由于脂肪组织增多导致的显像不佳,CEUS漏诊的内漏在高BMI患者中占比过高 [40]。

在另一项关于MRA的研究中,内漏检测的灵敏度、特异度和准确率分别为77.3%、91.7%和84.8% [41]。MRA可以识别动脉瘤中内漏的存在,但禁忌证,如幽闭恐惧症、某些其他类型的金属植入物以及植入心脏起搏器的存在,在一定程度上限制了MRA的使用 [41]。因此,增强CT由于其出色的可重复性和空间和/或对比分辨率,在临床实践中仍被广泛使用。然而,很少有研究验证平扫CT检测内漏的可能性。

本研究的意义如下:(a)为对造影剂有不良反应的患者提供一种替代的内漏检测方法。(b)提供一种客观、自动的内漏检测方法,避免主观阅片带来的偏倚。(c)进一步开发平扫CT检查在AAA术后临床管理和监测中的价值。

我们的工作存在若干局限性。(a) 由于这是一项回顾性研究,我们仍需要开展大样本、前瞻性研究来进一步评估和验证该方法。(b) 我们受限于图像分割技术的发展;三维动脉瘤分割仍需要手动校正,目前尚无法完全通过自动程序实现。(c) 机器学习(ML)模型未在外部测试集上进行评估,因此该方法的适用性仍需进一步验证。(d) 我们仅探讨了使用平扫CT检测内漏的存在,但未进一步研究特定内漏类型的诊断。平扫CT在腹主动脉瘤(AAA)患者术后随访中的实际应用仍需更多探索和研究。(e) 在实际临床实践中,不导致AAA增大或不需要内漏干预的内漏临床重要性较低。因此,缺乏对放射组学模型能否预测临床显著内漏的分析也是我们研究的一个不足之处。

总之,伴有和不伴有内漏的腹主动脉瘤患者在平扫CT图像上存在差异。使用平扫放射组学特征构建的机器学习模型有助于以高灵敏度检测内漏的存在。未来,我们将进一步探索使用平扫CT诊断内漏类型(侵袭性或良性)的可行性,并充分挖掘CT检查在动脉瘤患者术后随访中的潜在价值。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 346 kb)

引用

  1. Hu G, Ding N, Wang Z, et al. Unenhanced computed tomography radiomics help detect endoleaks after endovascular repair of abdominal aortic aneurysm. Eur Radiol. 2023. PMID: 37658886. doi:10.1007/s00330-023-10000-y
  2. 全文:PMC10873228(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10873228/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。