文献速递腹部CTUS

对比增强CT与对比增强超声诊断混合型肝细胞-胆管癌:倾向性评分匹配研究

Comparison contrast-enhanced CT with contrast-enhanced US in diagnosing combined hepatocellular-cholangiocarcinoma: a propensity score-matched study.
PubMed 文献 · Insights Imaging · 2024-02-14

该回顾性倾向性评分匹配研究纳入135例经病理证实的混合型肝细胞-胆管癌(cHCC-CCA,45例)或肝细胞癌(HCC,90例)患者,构建并比较基于血清肿瘤标志物联合CEUS或CECT特征的两种诊断模型。CECT主导模型诊断cHCC-CCA的敏感度高于CEUS主导模型(93.3% vs. 55.6%,p < 0.001),CEUS主导模型特异度更高(80.0% vs. 63.3%,p = 0.020),尤其≤5 cm亚组(92.0% vs. 70.0%,p = 0.013)。

要点

  • CECT主导模型诊断cHCC-CCA敏感度93.3%,高于CEUS主导模型的55.6%(p < 0.001)。
  • CEUS主导模型特异度80.0%,高于CECT主导模型的63.3%(p = 0.020)。
  • ≤5 cm亚组CEUS主导模型特异度92.0%,高于CECT主导模型的70.0%(p = 0.013)。

核心结论

  • CECT主导模型诊断cHCC-CCA的敏感度高于CEUS主导模型,CECT特征联合血清CA 19-9 > 100 U/mL显示极佳敏感度。
  • CEUS特征可提高诊断特异度,尤其在≤5 cm亚组。

研究设计与样本

  • 回顾性倾向性评分匹配研究,2010年1月至2021年12月连续纳入经病理证实且术前1个月内同时行CEUS和CECT的cHCC-CCA或HCC患者,按1:2近邻匹配。
  • 最终纳入135例患者(平均年龄51.3岁±10.9,男122例)共135个病灶(cHCC-CCA 45个,HCC 90个)。
  • 采用logistic回归分别构建CEUS主导模型(CEUS特征加肿瘤标志物)和CECT主导模型(CECT特征加肿瘤标志物),以病理为参考标准。
  • 模型判别能力用AUC评估,校准用Hosmer-Lemeshow检验和校准曲线,敏感度、特异度、准确度用McNemar检验比较。

关键影像表现/征象

  • CEUS上cHCC-CCA较HCC更常见:门静脉期低增强(88.9% vs. 64.4%)、瘤内无增强区边界不清(71.1% vs. 37.8%)、部分廓清(71.1% vs. 40.0%)。
  • CECT上cHCC-CCA较HCC更常见:非环状APHE体积< 50%(57.8% vs. 12.2%)、环状APHE(37.8% vs. 5.6%)、非周边廓清体积< 50%(48.9% vs. 20.0%)、周边廓清(48.9% vs. 8.9%)、LR-M分类(51.1% vs. 12.2%)、肿瘤包膜不完整(60.0% vs. 40.0%)。
  • CECT上HCC较cHCC-CCA更常见:肝硬化(68.9% vs. 44.4%)、单结节型(肿瘤生长亚型1)(68.9% vs. 51.1%)。
  • CEUS LI-RADS分类中cHCC-CCA归为LR-4/5者46.6%、LR-M者37.8%;HCC归为LR-4/5者65.6%、LR-M者20%。
  • CECT LI-RADS分类中cHCC-CCA归为LR-4/5者44.5%、LR-M者51.1%;HCC归为LR-4/5者76.7%、LR-M者12.2%。

诊断标准与关键数值

  • CEUS主导模型独立因素:瘤内无增强区边界不清(OR = 2.765;95%CI:1.209,6.541;p = 0.018)、部分廓清(OR = 2.607;95%CI:1.152,6.079;p = 0.023);AUC 0.720(95%CI:0.632,0.808),敏感度55.6%、特异度80.0%、准确度71.9%。
  • CECT主导模型独立因素:CA 19-9 > 100 U/mL(OR = 8.573;95%CI:1.217,82.845;p = 0.038)、肝硬化(OR = 0.308;95%CI:0.113,0.795;p = 0.017)、肿瘤包膜不完整(OR = 7.348;95%CI:2.394,25.929;p < 0.001)、非环状APHE体积< 50%(OR = 11.180;95%CI:3.475,41.419;p < 0.001);AUC 0.874(95%CI:0.816,0.931),敏感度93.3%、特异度63.3%、准确度73.3%。
  • 两模型AUC比较:CECT主导模型0.874(95%CI:0.816,0.931)高于CEUS主导模型0.720(95%CI:0.632,0.808),p = 0.001。
  • ≤5 cm亚组:CECT主导模型敏感度88.5% vs. CEUS主导模型50.0%(p = 0.006);CEUS主导模型特异度92.0% vs. CECT主导模型70.0%(p = 0.013);AUC CECT 0.792 vs. CEUS 0.710(p = 0.226)。
  • > 5 cm亚组:CECT主导模型敏感度100% vs. CEUS主导模型63.2%(p = 0.016)。

临床应用与阅片要点

  • CECT主导模型敏感度高(93.3%),但特异度低(63.3%),可能造成较多HCC病例误诊或漏诊,从而限制HCC的治疗选择(如肝移植)。
  • 作者认为,在CECT基础上加做CEUS可提高整体诊断准确度,尤其对小于5 cm的病灶。
  • CEUS上瘤内无增强区边界不清和部分廓清为cHCC-CCA独立因素,CECT上包膜不完整和非环状APHE体积< 50%为cHCC-CCA独立因素。

局限性

  • 单中心回顾性研究,存在不可避免的选择偏倚,尽管使用了倾向性评分匹配以减轻该偏倚。
  • 由于cHCC-CCA人群规模有限,无验证数据用于测试和优化模型。
  • 由于具有HCC危险因素的ICC患者数量有限,本研究未纳入ICC患者进行鉴别诊断。
  • 本研究基于病例对照设计而非队列设计,可能不能反映真实世界的临床流行病学情况。
  • 需要大规模多中心研究验证本研究结果。
全文中译17 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:Insights Imaging. 2024 Feb 14;15:44. doi: 10.1186/s13244-023-01576-6

引言

混合型肝细胞癌-胆管癌(cHCC-CCA)占原发性肝癌病例的0.4%–4.2%,并在同一肿瘤中表现出肝细胞和胆管分化[1]。在常规实践中,已观察到cHCC-CCA与肝细胞癌(HCC)在临床特征上存在显著重叠[2, 3]。

然而,cHCC-CCA与HCC的治疗策略不同。例如,肝移植已被接受为HCC的有效根治性治疗选择,但由于频繁复发(5年复发率54%)和长期生存欠佳(5年生存率41%),不推荐用于cHCC-CCA[4–6]。可切除cHCC-CCA推荐行淋巴结清扫,而HCC则不常规进行[1, 7]。局部治疗和系统治疗是不可切除HCC的既定治疗选择[8, 9],但其对不可切除cHCC-CCA是否具有治疗获益尚存争议[6, 10]。因此,cHCC-CCA与HCC的准确鉴别诊断对于恰当的治疗决策至关重要。

对比增强超声(CEUS)和对比增强计算机断层扫描(CECT)是诊断肝脏肿瘤的两种主要影像学方法[11, 12],每种方法具有不同的成像原理和优势。CEUS使用纯血池对比剂,可连续评估肿瘤内的大血管和微血管灌注[13]。CECT使用小分子对比剂,可在标准检查中评估整个肝脏,并在检测肿瘤和肝外淋巴结转移方面显示出优于CEUS的明显优势[14]。既往研究探索了将实验室结果与CEUS或CECT相结合用于鉴别cHCC-CCA与HCC的潜力,但诊断效能欠佳(cHCC-CCA的灵敏度:32.5%至74.4%)[2, 15–18]。尚无研究比较CEUS与CECT在鉴别cHCC-CCA与HCC方面的诊断效能。对于高危患者中疑似HCC/cHCC-CCA,哪种影像学检查最适合诊断亦尚不确定。

本研究旨在通过倾向性评分匹配研究,开发整合临床特征及易于获取的CEUS和CECT特征的诊断模型,用于鉴别cHCC-CCA与HCC,并比较两种模型。

患者与方法

患者

自2010年1月至2021年12月,连续纳入因手术证实的HCC或cHCC-CCA接受根治性肝切除术的患者。纳入标准如下:(a)病理证实的HCC或cHCC-CCA,(b)术前1个月内同时接受CECT和CEUS检查,(c)慢性乙型/丙型肝炎病毒感染或肝硬化。排除标准:(a)既往接受过任何抗肿瘤治疗,(b)关键实验室数据不可获得,或(c)CECT和/或CEUS图像质量下降或缺失。纳入和排除流程图见图1。

图1 纳入患者流程图。cHCC-CCA,混合型肝细胞癌-胆管癌;HCC,肝细胞癌;CEUS,对比增强超声;CECT,对比增强计算机断层扫描 查看原图 ↗

图像采集

图像采集建议及详细参数见补充材料1中的eMethods 1。

图像分析

所有图像分析均由两名超声医师(K-Y.Z.和J-Y.H.,分别具有8年和10年CEUS图像经验)和两名放射科医师(Y.Z.和Y-D.C.,分别具有8年和11年CECT图像肝脏影像经验)基于每个病灶进行。审阅者之间关于影像特征的所有分歧均通过共识解决。对于有多发病灶的患者,选择最大的目标病灶进行特征相关分析。

超声造影(CEUS)

评估了根据ACR CEUS LI-RADS 2017版[19]的CEUS影像特征和LI-RADS分类,以及肿瘤大小、数目、肝硬化、动脉期/门静脉期/延迟期(AP/PVP/LP)的增强水平等。还评估了以下与cHCC-CCA或HCC相关的非LI-RADS影像特征:(a) 肿瘤供血动脉:有 vs. 无[20, 21];(b) 局限性增强:差 vs. 好[20, 21];(c) 瘤内非增强区的边界:清晰 vs. 不清晰[21];(d) 廓清比例:部分 vs. 完全;以及(e) 瘤内静脉:有 vs. 无[21–23]。影像特征的详细定义见补充材料1中的eMethods 2,典型病例见图2a。

图2 CEUS(a)和CECT(b)上病灶部分影像特征的定义 查看原图 ↗

增强CT(CECT)

评估了根据ACR CECT LI-RADS 2018版[24]的CECT影像特征和LI-RADS分类,以及肿瘤大小和数目。还评估了以下与cHCC-CCA或HCC相关的非LI-RADS影像特征:(a) 肝硬化:有 vs. 无[25];(b) 用于量化富血供成分的半定量特征,包括非环状动脉期高增强(APHE)体积比(< 50% vs. ≥ 50%)和非周边廓清体积比(< 50% vs. ≥ 50%);(c) 肿瘤包膜完整性:完整 vs. 不完整[7];(d) 肿瘤边缘:光滑 vs. 不光滑[26];以及(e) 肿瘤生长亚型(根据CT假定的Eggel生长分类):1型(单结节型)、2型(伴结节外生长的单结节型)和3型(多结节融合型)[27]。影像特征的详细定义见补充材料1中的eMethods 2,典型病例见图2b。

组织病理学分析

根据我院病理报告系统回顾性记录病灶的病理特征。包括主病灶的最大径(多发病灶时为最大病灶)、HCC的Edmondson-Steiner分级,以及cHCC-CCA中HCC/肝内胆管癌(ICC)优势成分[28]。

统计分析

进行倾向性评分匹配以尽量减少HCC和cHCC-CCA患者之间潜在选择偏倚和混杂因素的影响。

分别基于肿瘤标志物、CEUS和CECT特征的预测模型采用logistic回归分析构建,并将其性能与病理学进行比较。经χ2检验或Fisher确切检验p < 0.05的变量纳入单因素logistic分析,单因素变量间的多重共线性采用Spearman相关分析及计算方差膨胀因子(VIF)进行评估。若两变量间相关系数绝对值(ACC)≥ 0.6或VIF > 10,则选择优势比(OR)较高的变量进入多因素logistic分析。因此,单因素分析中与cHCC-CCA相关的所有自变量均以向后逐步法输入多因素logistic回归模型,同时调整上述相同协变量。根据多因素logistic分析中的相关系数,将诊断模型以列线图形式展示。

模型区分度通过计算受试者工作特征曲线下面积(AUC)值进行评估,并采用DeLong检验进行比较。模型校准度通过Hosmer–Lemeshow(H-L)检验和校准曲线进行评估。采用McNemar检验比较两种诊断模型的成对灵敏度、特异度和准确率。此外,还针对直径5 cm的较小病灶评估了CEUS与CECT诊断效能的亚组比较。

所有统计分析均采用R软件(R Foundation for Statistical Computing,版本3.2.5,http://www.r-project.org/)和MedCalc(版本10.4)进行。双侧校正p < 0.05为差异有统计学意义。

结果

患者

最初共识别971例患者。经倾向性评分匹配后,纳入135例患者(平均年龄51.3 ± 10.9岁,男性122例[90.4%]),共135个结节(45个cHCC-CCA和90个HCC)进行进一步分析。

血清CA 19-9 > 100 U/mL在cHCC-CCA患者中的检出率高于HCC患者(11.1% vs. 2.2%,p = 0.029),而血清AFP > 400 μg/L在HCC患者中的检出率高于cHCC-CCA患者(36.7% vs. 20.0%,p = 0.050)。患者的关键临床特征总结于表1。

表1 cHCC-CCA与HCC患者的基本临床和病理特征 查看原表 ↗

影像学特征及阅片者间一致性

基于CEUS LI-RADS分类,46.6%和37.8%的cHCC-CCA患者分别被分类为LR-4/5和LR-M;对于HCC,65.6%和20%分别被分类为LR-4/5和LR-M。基于CECT LI-RADS分类,44.5%和51.1%的cHCC-CCA患者分别被分类为LR-4/5和LR-M,而HCC患者中LR-4/5为76.7%、LR-M为12.2%。

在CEUS上,以下特征在cHCC-CCA患者中较HCC患者更为常见:PVP图像上的低增强(88.9% vs. 64.4%)、瘤内非增强区边界不清(71.1% vs. 37.8%)以及部分廓清(71.1% vs. 40.0%)。所有病灶的基线CEUS影像学特征见表2。

在增强CT(CECT)上,以下特征在cHCC-CCA中更为常见:非环状动脉期高强化(APHE)体积< 50%(57.8% vs. 12.2%)、环状APHE(37.8% vs. 5.6%)、非周边廓清体积< 50%(48.9% vs. 20.0%)、周边廓清(48.9% vs. 8.9%)、LR-M分类(51.1% vs. 12.2%)以及肿瘤包膜不完整(60.0% vs. 40.0%)。以下特征在HCC中更常被检出:肝硬化(68.9% vs. 44.4%)和单结节型(肿瘤生长亚型1)(68.9% vs. 51.1%)。所有病灶的基线CECT影像特征见表3。

CEUS的Cohen kappa值为0.312至0.765,CECT为0.380至0.717。CEUS和CECT影像特征的评价者间一致性总结于补充材料1的eTable 3中。

表2 纳入病灶的CEUS特征 查看原表 ↗
表3 纳入病灶的CECT特征 查看原表 ↗

影像模型对cHCC-CCA的诊断效能

CEUS优势模型

CEUS优势模型通过结合CEUS特征和肿瘤标志物(AFP > 400 μg/L和CA 19-9 > 100 U/mL)构建。单因素变量筛选见补充材料1的eMethods 3。经多因素回归分析,瘤内非强化区边界不清(OR = 2.765;95%置信区间[CI]:1.209, 6.541;p = 0.018)和部分廓清(OR = 2.607;95% CI:1.152, 6.079;p = 0.023)是诊断cHCC-CCA的独立因素(见表4)。预测模型的AUC值为0.720(95% CI:0.632, 0.808)。敏感度、特异度和准确率分别为55.6%、80.0%和71.9%。基于回归系数构建了基于CEUS优势模型的列线图(图3a)。cHCC-CCA概率列线图的校准曲线显示预测值与观察值之间具有良好的一致性(eFigure 1a)。H-L检验统计量无显著性(p = 1.000)。

表4 使用CEUS优势模型和CECT优势模型诊断cHCC-CCA的单因素和多因素logistic回归分析 查看原表 ↗
图3 CEUS优势模型(a)和CECT优势模型(b)的列线图 查看原图 ↗

CECT优势模型

CECT优势模型通过结合CECT特征和肿瘤标志物构建。单因素变量筛选见补充材料1的eMethods 3。在多因素回归分析中,CA 19-9 > 100 U/mL(OR = 8.573;95% CI:1.217, 82.845;p = 0.038)、肝硬化(OR = 0.308;95% CI:0.113, 0.795;p = 0.017)、肿瘤包膜不完整(OR = 7.348;95% CI:2.394, 25.929;p < 0.001)和非环状APHE体积< 50%(OR = 11.180;95% CI,3.475, 41.419;p < 0.001)被确定为诊断cHCC-CCA的独立因素(见表4)。预测模型的AUC值为0.874(95% CI:0.816, 0.931),敏感度、特异度和准确率分别为93.3%、63.3%和73.3%。基于回归系数构建了基于CECT优势模型的列线图(图3b)。cHCC-CCA概率列线图的校准曲线显示预测值与观察值之间具有良好的一致性(eFigure 1b)。H-L检验统计量无显著性(p > 0.05)。

影像模型之间的比较

比较了以CEUS为主的模型与以CECT为主的模型的诊断效能(见表5和图4)。以CECT为主的模型诊断灵敏度(93.3%)高于以CEUS为主的模型(55.6%;p < 0.001),但诊断特异度较低(CECT vs. CEUS:63.3% vs. 80.0%;p = 0.020)。两种模型的诊断准确率相当(CECT vs. CEUS:73.3% vs. 71.9%;p = 0.583)。此外,我们比较了各模型间的AUC值,发现以CECT为主的模型的AUC值(AUCCECT = 0.874,95% CI:0.816,0.931)高于以CEUS为主的模型(AUCCEUS = 0.720,95% CI:0.632,0.808;p = 0.001,图5)。

表5 以CEUS为主的模型与以CECT为主的模型诊断效能比较 查看原表 ↗
图4 一名56岁慢性乙型肝炎且CA 19-9 < 100 U/mL男性的CEUS和CECT图像。于肝IV段检出7.3 cm肿块(A)。常规超声显示边界不清的低回声肿块(A,a);CEUS上,肿块在18 s时呈高增强、肿瘤边缘不光滑(星号),并可见肿瘤供血动脉(箭头)(A,b);在延迟期(179 s),肿块动脉期高增强区域表现为部分廓清,伴部分等增强(星号)和部分低增强区(箭头,A,c)。基于这些特征,根据以CEUS为主的模型,该肿块被诊断为cHCC-CCA的可能性小于30%(B)。无明显肝硬化背景,腹部CT图像上肿块呈低密度(A,d),动脉期可见环形增强及< 50%的非环形增强(主要为病灶右后部,箭头)(A,e),门静脉期未见“廓清”,肿瘤边缘不光滑,并可见细薄不完整强化包膜(箭头)(A,f)。基于这些特征,根据以CECT为主的模型,该肿块被诊断为cHCC-CCA的可能性高于90.0%(C)。该肿块经病理证实为混合型肝细胞-胆管癌 查看原图 ↗
图5 通过ROC曲线和AUC分析评估以CEUS为主的模型和以CECT为主的模型的诊断效能 查看原图 ↗

以CEUS为主的模型和以CECT为主的模型的亚组分析

对于较小结节(根据病理结果≤ 5 cm)组,以CECT为主的模型对cHCC-CCA的诊断灵敏度高于以CEUS为主的模型(88.5% vs. 50.0%;p = 0.006),而以CEUS为主的模型的诊断特异度优于以CECT为主的模型(92.0% vs. 70.0%;p = 0.013)。两种模型在鉴别cHCC-CCA与HCC方面显示出相当的诊断效能(AUCCECT = 0.792 vs. AUCCEUS = 0.710;p = 0.226,见e图2a)。在> 5 cm亚组中,以CECT为主的模型对cHCC-CCA具有完美的诊断灵敏度(100% vs. 以CEUS为主的模型63.2%;p = 0.016)。其ROC曲线见e图2b。详细的诊断效能见表5。

讨论

由于cHCC-CCA与HCC的特征重叠,结合肿瘤生物标志物和影像学特征对诊断cHCC-CCA至关重要。这项倾向性评分匹配研究发现,约44.4%的cHCC-CCA在CEUS上、26.7%的cHCC-CCA在CECT上被评估为LR-5,容易误诊为HCC。因此,我们基于临床数据以及CEUS和CECT影像上的结节特征,构建并比较了两种以影像为主的诊断模型,以识别cHCC-CCA。结果表明,以CECT为主的模型表现出近乎完美的诊断灵敏度(93.3%),显著高于以CEUS为主的模型(55.6%;p < 0.001)。另一方面,以CEUS为主的模型表现出值得肯定的诊断特异度,尤其是对于小于5 cm的病灶(92.0% vs. 70.0%;p = 0.013)。

CECT检出的肝硬化高度提示HCC。在本研究中,我们发现少数具有cHCC-CCA的高危患者具有肝硬化背景,这是由于HCC和cHCC-CCA的起源不同,这与最新研究[24, 29–31]的发现相似。此外,本研究发现cHCC-CCA患者表现出更高比例的非环形动脉期高强化(APHE)且体积 < 50%。这一发现与既往研究一致,该研究在病理分析中报道cHCC-CCA患者富血供组的HCC成分较大(p = 0.014),ICC成分较小(p = 0.001)[32]。此外,包膜强化通常被认为是HCC的主要影像学特征[24, 33]。在本研究中,我们观察到cHCC-CCA中肿瘤包膜不完整的出现频率高于HCC。与CEUS上“边界不清”的观察相似,包膜不完整的存在可能与cHCC-CCA中ICC部分的浸润性肿瘤生长有关[15, 34]。有趣的是,12例根据CECT LI-RADS分类被归类为LR-5的cHCC-CCA中,有10例在本研究中基于以CECT为主的模型确实被重新分类为cHCC-CCA,这可能有助于在未来临床实践中提高LR-5对HCC的诊断特异度。

在CEUS图像上,瘤内非增强区域存在边界不清是cHCC-CCA的独立危险因素。这或许可以通过纤维化病理表现(依赖于ICC成分)来解释,与既往发现相似[21, 35]。使用SonoVue的CEUS上出现廓清反映了瘤内血供。因此,与HCC相比,ICC往往表现为更早且更完全的廓清[36]。 consequently,在同时含有HCC和ICC成分的cHCC-CCA病灶中,常可观察到部分廓清。值得注意的是,肿瘤分化程度与廓清的出现相关,正如Iavarone等人[37]的研究结果所证明的那样。本研究还观察到,2–3级HCC的部分廓清率高于较低级别HCC(1级或2级)(19/37 vs. 17/52;p = 0.079)。这一发现可能为该领域的未来研究提供有价值的预后信息。

近年来,多项研究评估了影像学特征在鉴别cHCC-CCA与HCC方面的表现[15, 18, 31, 38, 39]。本研究开发的模型结合了CECT特征和CA 19-9水平来鉴别cHCC-CCA,并以列线图的形式进行了可视化呈现,显示出93.3%的显著灵敏度,表现优于既往模型(灵敏度范围为40%至73.8%[15, 18, 38])。我们希望本研究的发现能够在两个方面提供有价值的指导。首先,对cHCC-CCA的显著高灵敏度可有效诊断那些不支持HCC明确诊断的病灶,这可能提高常规临床实践中HCC的诊断特异度。此外,以CECT为主的模型表现出63.3%的低特异度,可能导致较多HCC病例的误诊或漏诊,从而限制HCC的治疗选择(如肝移植)。鉴于此,在CECT基础上联合CEUS可提高整体诊断准确率,尤其是对于小于5 cm的病灶。

本研究存在一些局限性应予提及。首先,由于研究为单中心回顾性设计,不可避免地存在选择偏倚,尽管我们使用了PSM来减轻该偏倚。其次,由于cHCC-CCA人群规模有限,无法获得验证数据来测试和优化我们的模型。第三,由于具有HCC危险因素的ICC患者数量有限,本研究未将ICC患者纳入鉴别诊断研究。最后,本研究结果基于病例对照设计而非队列设计,可能无法反映真实世界的临床流行病学情况。因此,有必要开展大规模多中心研究来验证我们的发现。

结论

对于cHCC-CCA,以CECT为主的模型相比以CEUS为主的模型具有更高的诊断灵敏度。将CECT特征与血清CA 19-9 > 100 U/mL相结合,在鉴别cHCC-CCA与HCC方面显示出优异的诊断灵敏度,而CEUS特征可提高诊断特异度,尤其是在≤ 5 cm亚组中。

补充信息

附加文件1:补充1:eMethods 1. 影像采集方案 eMethods 2. 变量定义 eMethods 3. 以CEUS为主的模型和以CECT为主的模型的单因素筛选 eTable 1. CEUS上肝脏病灶的血管期 eTable 2. 多期增强CT扫描 eTable 3. reviewers之间对CEUS和CECT影像特征评估的kappa分析 eTable 4. 以CEUS为主的模型变量间的多重共线性分析 eTable 5. 以CECT为主的模型变量间的多重共线性分析 eFigure 1. 以CEUS为主的模型和以CECT为主的模型的校准分析 eFigure 2. 两个模型在亚组分析中的ROC曲线。

引用

  1. Yang J, Zhang Y, Bao WY, et al. Comparison contrast-enhanced CT with contrast-enhanced US in diagnosing combined hepatocellular-cholangiocarcinoma: a propensity score-matched study. Insights Imaging. 2024. PMID: 38353807. doi:10.1186/s13244-023-01576-6
  2. 全文:PMC10866845(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10866845/

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。