全肿瘤直方图分析的非高斯扩散指标用于膀胱癌诊断:肌层浸润与组织学分级
前瞻性研究将632例疑似膀胱肿瘤患者随机分配至两台3T MR扫描仪,其中MR1为训练队列267例、MR2为测试队列83例,基于多b值DWI提取全肿瘤直方图特征构建逻辑回归模型。诊断肌层浸润时CTRW测试AUC 0.915高于DWIconv的0.805(p=0.014),与联合模型0.885相似(p=0.076);鉴别非肌层浸润性膀胱癌组织学分级时IVIM测试AUC 0.897高于DWIconv的0.694(p=0.020),与联合模型0.917相似(p=0.650)。作者认为CTRW和IVIM分别是评估肌层浸润和组织学分级的潜在非高斯扩散模型。
要点
- CTRW诊断肌层浸润测试AUC 0.915,高于DWIconv的0.805(p=0.014),与联合模型0.885相似(p=0.076)。
- IVIM鉴别NMIBC组织学分级测试AUC 0.897,高于DWIconv的0.694(p=0.020),与联合模型0.917相似(p=0.650)。
- DKI、FROC和SEM在肌层浸润和组织学分级两项任务中均未显示优于DWIconv(p>0.05)。
核心结论
- CTRW和IVIM是两种潜在的非高斯扩散模型,可分别提高MRI评估膀胱癌肌层浸润和组织学分级的应用价值。
研究设计与样本
- 前瞻性研究(编号K-K112),经医院伦理委员会批准,2022年1月至2023年7月连续纳入632例疑似膀胱肿瘤参与者,按4:1随机分配至MR1(训练队列)或MR2(测试队列)行多b值扫描。
- 最终纳入350例经病理证实的尿路上皮癌患者:MR1训练队列267例(男222例、女45例,中位年龄67岁[IQR 46–82]),MR2测试队列83例(男73例、女10例,中位年龄65岁[IQR 31–82])。
- MR1为3T扫描仪(MAGNETOM Vida, Siemens Healthcare),采用整合层面特异性动态匀场的单次激发回波平面成像(SS-EPI)序列,采集时间11分30秒;MR2为另一台3T扫描仪(MAGNETOM Skyra, Siemens Healthcare),采用多层SS-EPI序列,采集时间8分钟。
- 多b值DWI采用11个b值(0、50、100、150、200、500、800、1000、1500、2000、2500 sec/mm2),在常规T1WI、T2WI、常规DWI(b0=0、b1=800 sec/mm2)和动态对比增强(DCE)扫描后采集。
- 参考标准为MRI检查后两周内经TURBT或根治性膀胱切除术的病理确诊,按病理结果分为MIBC(pT分期≥2)、HG-NMIBC和LG-NMIBC三组。
关键影像表现/征象
- 在ADC图及13个非高斯扩散指标图上手动勾画全肿瘤VOI,以T2WI、常规DWI(b=800 sec/mm2)和DCE图像为参考调整边界,排除坏死区(T2WI高信号、DWI低信号、DCE低信号)和肿瘤蒂(DWI低信号)。
- 多发病灶时选择VI-RADS评分最高的病灶;13个非高斯扩散指标图与ADC图尺寸一致,VOI可直接复制无需配准。
- 采用FAE v0.5.6从ADC图及13个非高斯扩散指标图提取18类直方图特征,每例共252个特征。
- CTRW-D-skewness是诊断肌层浸润最有用的指标,其在训练和测试队列中的分布见图2A;IVIM-f-10P是评估NMIBC组织学分级最有用的指标,其在训练和测试队列中的分布见图2B。
诊断标准与关键数值
- 诊断肌层浸润(MIBC vs NMIBC)测试队列AUC:CTRW 0.915、DKI 0.806、FROC 0.843、IVIM 0.838、SEM 0.781、DWIconv 0.805、联合扩散模型0.885;训练队列相应AUC分别为0.966、0.839、0.850、0.840、0.839、0.848、0.968。
- 测试队列AUC比较:CTRW高于DWIconv(p=0.014),CTRW与联合扩散模型相似(p=0.076)。
- CTRW诊断肌层浸润达到所有扩散模型中最高的敏感度91%。
- 评估NMIBC组织学分级(HG-NMIBC vs LG-NMIBC)测试队列AUC:CTRW 0.693、DKI 0.812、FROC 0.663、IVIM 0.897、SEM 0.742、DWIconv 0.694、联合扩散模型0.917;训练队列相应AUC分别为0.742、0.819、0.739、0.913、0.766、0.677、0.927。
- 测试队列AUC比较:IVIM高于DWIconv(p=0.020),IVIM与联合扩散模型相似(p=0.650);IVIM和联合扩散模型测试准确率均为89%,IVIM敏感度84%、联合模型特异度93%。
临床应用与阅片要点
- 作者认为CTRW和IVIM是两种潜在的非高斯扩散模型,可分别提高MRI评估膀胱癌肌层浸润和组织学分级的应用价值。
- 作者指出与联合扩散模型诊断性能相似时,单个扩散模型结构更简单、更易于在临床实践中应用。
- 作者指出VI-RADS评分3分病灶的风险解读仍不明确、诊断截断值仍有争议,且基于形态学的评估易受读者主观经验影响,而基于肿瘤微结构特征的定量评估结果更为客观稳定。
- 作者指出四项代表性指标中四项为偏度指标,偏度描述数据分布的不对称性,较均值更能反映肿瘤扩散行为的异质性且对离群值更稳健。
局限性
- 原文未报告局限性。
全文中译15 节 · 点击展开
引言
膀胱癌(BCa)是一个重要的全球健康问题,在全球最常见诊断癌症中排名第10位,并且每位患者的终生治疗费用最高[1, 2]。BCa的精准临床管理高度依赖于评估肌层浸润和组织学分级,将其分为三个主要风险组:低级别非肌层浸润性膀胱癌(LG-NMIBC)、高级别(HG)-NMIBC和肌层浸润性膀胱癌(MIBC),每组需要不同的治疗策略[3–5]。肌层浸润是泌尿科医生在确定患者膀胱保留可行性时的首要考虑因素[3, 4]。随后,组织学分级指导NMIBC患者重复切除、随访频率和治疗强度的评估[3, 5, 6]。因此,准确的术前分期和分级对于精准医学和最佳资源分配至关重要[7]。经尿道膀胱肿瘤电切术(TURBT)和MRI是术前评估的标准程序。然而,TURBT是有创的,存在分期不足和分级不足的风险[8, 9];相反,MRI经常遇到分期过度且无法直接评估组织学分级[10, 11]。
扩散加权成像(DWI)成为量化肿瘤微观结构的有前景工具[12–14]。传统DWI(DWIconv)是一种高斯扩散模型,假设水分子在组织内沿任何方向移动的概率相等[12]。因此,DWI的高斯评估适用于结构简单的微环境。相反,非高斯扩散模型假定由于细胞膜、纤维和血管壁等障碍物,水分子在不同方向上的运动不相等[12, 14]。因此,DWI的非高斯评估更适用于结构复杂的实际微环境。为了更好地将扩散模型指标与生物学相关的微观结构联系起来,许多非高斯扩散模型已被开发,如体素内不相干运动(IVIM)、扩散峰度成像(DKI)、拉伸指数模型(SEM)、分数阶微积分(FROC)和连续时间随机游走(CTRW)。在一项最近的研究中[15],FROC在诊断肌层浸润(准确率,78% vs. 69%)和组织学分级(准确率,88% vs. 74%)方面优于DWIconv。
然而,非高斯扩散模型的理论优势从未在BCa临床实践中得到广泛验证。因此,我们旨在比较非高斯扩散模型和DWIconv在BCa肌层浸润和组织学分级方面的诊断性能。
材料与方法
研究参与者
这项前瞻性研究(编号K-K112)获得了我们医院伦理委员会的批准,并从2022年1月至2023年7月连续纳入总共632名疑似膀胱肿瘤的参与者。在MRI检查前获得了知情同意。参与者被随机分配到两台MRI扫描仪(MR1:训练队列;MR2:测试队列)进行多b值扫描,比例为4:1 [16]。纳入标准要求MRI检查后两周内病理确认(TURBT或根治性膀胱切除术)为非转移性尿路上皮癌。排除标准和参与者选择过程如图1A所示。根据病理结果[17, 18],所有纳入患者被分为三组:MIBC(pT分期≥2)、HG-NMIBC和LG-NMIBC。
MRI参数
为确保膀胱充分充盈,嘱受试者在MRI检查前1~2 h排空膀胱,在扫描完成前避免饮水或排尿。在T1加权、T2加权、常规扩散加权(b0:0 sec/mm2;b1:800 sec/mm2)和动态对比增强(DCE)常规扫描序列后行多b值DWI(11个b值:0、50、100、150、200、500、800、1000、1500、2000和2500 sec/mm2)。多b值DWI采集在3 T扫描仪MR1(MAGNETOM Vida,Siemens Healthcare)上使用整合切片特异性动态匀场的单次激发回波平面成像(SS-EPI)序列进行,采集时间为11 min 30 s;或在另一台3 T扫描仪MR2(MAGNETOM Skyra,Siemens Healthcare)上使用多层SS-EPI序列进行,采集时间为8 min。所有成像采集参数记录于附录表S1、S2中。
图像处理
DWIconv的指标图——表观扩散系数(ADC)——在扫描仪控制台上采用单指数公式生成[12]:,其中S代表扩散加权信号,S0代表无扩散加权的信号强度,ADC反映平均扩散率。
使用基于开源Python工具包DIPY(https://dipy.org)自主开发的软件(BoDiLab),从多b值数据中同时生成五种非高斯扩散模型的共13项指标,包括:(1)IVIM模型的f、D和D*指标;(2)DKI模型的K和D指标;(3)SEM模型的α和DDC指标;(4)FROC模型的β、μ和D指标;(5)CTRW模型的α、β和D指标。详情如下[12, 14, 15]:对于IVIM,,其中f为血管床容积分数,D*反映微血管内的扩散,D反映无灌注的纯扩散率;
对于DKI,,其中K反映组织微观结构的复杂性,D为考虑非高斯性后的扩散率;
对于SEM,,其中α反映扩散的非高斯性,DDC反映非高斯扩散率;
对于FROC,,其中β反映空间分数阶指数,μ为另一空间指标,用于保持D的单位为mm2/s;
对于CTRW,,其中α和β分别反映每次水分子运动的等待时间和步长,D为考虑时间和空间异质性后的扩散率。
直方图分析
在ADC图及任意一张非高斯扩散度量图上,由两位放射科医师(分别为A和B,分别具有10年和8年MRI诊断经验,对病理结果设盲)使用ITK-SNAP(v3.8.0,http://www.itksnap.org)沿整个肿瘤手动分割感兴趣容积(VOI)。以T2加权、常规扩散加权(b = 800 sec/mm2)和DCE图像作为参考调整勾画,排除VOI内的坏死区域(高T2加权、低扩散加权和低DCE信号)和肿瘤蒂(低扩散加权信号)。在多肿瘤病例中,选择膀胱影像报告和数据系统(VI-RADS)评分最高的病灶。放射科医师C(具有30年MRI诊断经验)审查了两位放射科医师勾画的VOI,并解决了关于病灶边界、坏死区域、肿瘤蒂和VI-RADS评分的争议。
IVIM-f、IVIM-D、IVIM-D*、DKI-K、DKI-D、SEM-α、SEM-DDC、FROC-μ、FROC-β、FROC-D、CTRW-α、CTRW-β和CTRW-D这13张非高斯扩散度量图具有相同的尺寸,使得VOI可以直接在它们之间复制而无需配准。然后,采用FAE v0.5.6(https://github.com/salan668/FAE)——一个在开源框架pyradiomics内开发的工具——从ADC图和13张非高斯扩散度量图中提取了18种直方图特征(附录表S3),每位参与者共获得252个特征。图像后处理和直方图分析的流程如图1B所示。
VI-RADS评分
放射科医师A、B和C具有5年解读VI-RADS的经验。由于并非所有参与者均进行了DCE扫描,对无DCE图像的病灶使用基于T2加权和常规扩散加权图像的双参数VI-RADS,而对有DCE图像的病灶使用多参数VI-RADS。参考标准评分系统[19, 20],双参数和多参数VI-RADS评分的分布如表1所示。
统计分析
统计分析使用R v4.2.1(https://www.r-project.org)和Python v3.9.7(https://www.python.org)进行,双侧p值阈值设定为小于0.05。连续数据和分类数据的两组比较分别采用Mann–Whitney U检验和卡方检验。
在训练队列中,排除组内相关系数(ICC,双评分者双向随机效应模型)低于0.80的直方图特征以确保稳健性。基于MIBC vs. NMIBC以及HG-NMIBC和LG-NMIBC的分组,依次通过最小绝对收缩和选择算子(LASSO)结合10折交叉验证识别CTRW、DKI、FROC、IVIM、SEM和DWIconv的有用特征,为每个单独扩散模型构建逻辑回归(LR)模型。从单独扩散模型中选择显著特征(LR的p值小于0.05)进行相关性分析。排除冗余特征(Spearman系数绝对值 > 0.70且ICC较低)后,剩余特征用于构建联合扩散模型。受试者工作特征(ROC)曲线下面积(AUC)是模型评价的主要指标。
在测试队列中,计算最大约登指数下的准确度、灵敏度和特异度,以检验模型的诊断性能。采用Delong方法比较模型间AUC值的差异。使用决策曲线分析(DCA)通过检查一系列阈值概率下的净获益来比较模型的临床实用性。采用Hosmer-Lemeshow(H-L)检验评估模型的拟合精度。
结果
参与者特征
总体而言,本研究共纳入350例连续符合条件的尿路上皮癌参与者。在分配至MR1的267例参与者(222例男性,45例女性;中位年龄67岁[IQR:46–82])中,73例(27.3%)被诊断为MIBC,194例(72.7%)为NMIBC。在NMIBC组中,70例(36.1%)被确定为HG,124例(63.9%)为LG。在分配至MR2的83例参与者(73例男性,10例女性;中位年龄65岁[IQR:31–82])中,22例(26.5%)参与者被诊断为MIBC,61例(73.5%)参与者被诊断为NMIBC。在NMIBC组中,19例(31.1%)被确定为HG,42例(68.7%)为LG。MR1和MR2参与者的临床和病理特征比较见表1。
扩散指标与膀胱癌肌层浸润的相关性
252个直方图特征的组内相关系数(ICC)值范围为0.648至0.998(附录表S4)。两个ICC低于0.80的特征,即DKI-K-Kurtosis(ICC = 0.779)和SEM-α-Kurtosis(ICC = 0.614),被排除。
在训练队列中,LASSO从每个单独扩散模型中识别出若干用于分类MIBC和NMIBC的有用指标(表2),这些指标的单因素分析结果记录于附录表S5。CTRW-α-skewness、CTRW-D-mean、CTRW-D-skewness、DKI-D-mean、DKI-K-median、FROC-D-mean、FROC-D-skewness、IVIM-D-median、IVIM-D*-uniformity、SEM-DDC-skewness、DWIconv-mean和DWIconv-skewness是各单独扩散模型LR分析中显著相关的指标,所有p值均小于0.05。其中,DKI-D-mean、DKI-K-median、FROC-D-mean、SEM-DDC-skewness、DWIconv-mean和DWIconv-skewness因ICC较低且与其他指标相关性较强,被排除于联合扩散模型LR分析之外(附录表S4)。
CTRW-D-skewness、DKI-D-skewness、FROC-μ-uniformity、IVIM-D*-uniformity、SEM-DDC-skewness和DWIconv-ADC-skewness是各单独扩散模型的代表性指标,具有最高的LR系数。在训练队列中,这六项代表性指标在MIBC中显著高于NMIBC,所有p值均小于0.001。在测试队列中,除IVIM-D*-uniformity(p = 0.093)外,其他五项代表性指标在MIBC中亦显著高于NMIBC,所有p值均小于0.001(附录表S5)。CTRW-D-skewness(诊断BCa肌层浸润最有用的指标)在训练队列和测试队列中的分布见图2A。
扩散指标对膀胱癌肌层浸润的诊断性能
LR分析显示,CTRW、DKI、FROC、IVIM、SEM、DWIconv及联合扩散模型在训练队列中诊断肌层浸润的AUC分别为0.966、0.839、0.850、0.840、0.839、0.848和0.968。相应地,它们在测试队列中的AUC分别为0.915、0.806、0.843、0.838、0.781、0.805和0.885(表2,图3)。在测试队列的AUC比较中(表3),CTRW的AUC显著高于DWIconv(p = 0.014),与联合扩散模型相似(p = 0.076)。CTRW是一种诊断肌层浸润的高灵敏度非高斯扩散模型,在所有扩散模型中达到了最高的灵敏度91%。DCA(图4)显示,在所有风险阈值概率下,CTRW的临床净获益与联合扩散模型相似,且两者均显著优于DWIconv。此外,CTRW的校准曲线也显示出可接受的拟合状态,基于10,000次bootstrap重复的平均绝对误差(MAE)值为0.020。同时,联合模型的MAE为0.010。
非肌层浸润性膀胱癌中扩散指标与组织学分级的相关性
为了评估NMIBC的组织学分级,在训练队列中通过LASSO从每个单独的扩散模型中识别出若干有用的指标(表4),这些指标在HG与LG之间的比较记录于附录表S6。各单独扩散模型中具有显著相关性的指标包括CTRW-β-偏度、CTRW-D-10P、DKI-K-均值、DKI-K-中位数、FROC-β-中位数、FROC-β-偏度、IVIM-D-中位数、IVIM-f-10P、SEM-α-中位数、SEM-α-偏度以及SEM-DDC-10P,LR分析的所有p值均小于0.05。对DWIconv的LR分析显示,没有任何指标与NMIBC的组织学分级存在显著相关性,p值分别为0.098(DWIconv-ADC-10P)、0.844(DWIconv-ADC-中位数)和0.307(DWIconv-ADC-偏度)。在显著指标中,CTRW-D-10P、DKI-K-中位数、FROC-β-偏度、IVIM-D-中位数、SEM-α-中位数和SEM-α-偏度因与其他指标相关性较强且一致性较弱而被排除,未纳入联合扩散模型的LR分析。
在单扩散模型的LR分析中,CTRW-β-偏度、DKI-K-均值、FROC-β-偏度、IVIM-f-10P、SEM-α-偏度、DWIconv-ADC-偏度为系数最高的代表性指标。基于Mann–Whitney U检验的比较显示,在训练队列中,HG-NMIBC的所有代表性指标均显著高于LG-NMIBC,所有p值均小于0.05。在测试队列中,HG-NMIBC的DKI-K-均值、IVIM-f-10P和DWIconv-ADC-偏度显著高于LG-NMIBC,所有p值均小于0.05(附录表S6)。IVIM-f-10P是评估NMIBC组织学分级最有用的指标,其在训练队列和测试队列中的分布见图2B。
扩散指标对非肌层浸润性膀胱癌组织学分级的诊断性能
在训练队列中,CTRW、DKI、FROC、IVIM、SEM、DWIconv及联合扩散模型的LR分析评估NMIBC组织学分级的AUC分别为0.742、0.819、0.739、0.913、0.766、0.677和0.927(表4)。在测试队列中,这些模型的AUC分别为0.693、0.812、0.663、0.897、0.742、0.694和0.917。测试队列中AUC的比较显示,IVIM优于DWIconv(p = 0.020),与联合扩散模型相似(p = 0.650)。IVIM和联合扩散模型均达到最高的测试准确率89%。然而,前者表现出更高的灵敏度84%,而后者表现出更高的特异度93%。在大多数风险阈值概率下,联合扩散模型的临床获益略高于IVIM,两者均显著优于DWIconv(图4)。然而,与联合扩散模型相比,IVIM表现出更高的拟合优度。基于10,000次bootstrap重复,IVIM的MAE较低,为0.033,而联合扩散模型为0.053。
讨论
本研究具有若干显著优势。首先,我们使用了迄今为止最大的数据集来验证非高斯扩散模型在诊断膀胱癌(BCa)肌层浸润和组织学分级方面的性能。其次,我们采用了两台MRI扫描仪进行图像采集,其中一台扫描仪的数据作为独立测试队列,确保了结果的稳健性。第三,所有非高斯扩散模型均通过单次多b值扫描的后处理同时获得,无需重复扫描。此外,通过比较,我们发现CTRW和IVIM是膀胱癌诊断中潜在的独立非高斯模型。在诊断肌层浸润方面,CTRW的测试AUC(0.915)最高,且显著高于DWIconv(0.805,p = 0.014)。在诊断非肌层浸润性膀胱癌(NMIBC)的组织学分级方面,IVIM的测试AUC(0.897)与联合扩散模型(0.917,p = 0.650)相近,且两者的测试AUC均显著高于DWIconv(p值均低于0.05)。独立扩散模型在具有与联合扩散模型相似的诊断性能的同时,结构更简单,更易于在临床实践中应用。
术前准确评估膀胱癌的肌层浸润和组织学分级对于治疗决策至关重要[21, 22]。VI-RADS是诊断膀胱癌肌层浸润的合理工具,但评分为3分的病变的风险判读仍不明确,且诊断截断值仍存在争议[19, 20]。此外,尽管VI-RADS旨在标准化膀胱癌MRI的判读,但其基于形态学的评估仍倾向于受读片者主观经验的影响。相比之下,基于肿瘤微观结构特征的定量评估结果更为客观和稳定。CTRW是本研究中诊断膀胱癌肌层浸润的最佳定量非高斯扩散模型,其利用时间度量α和空间度量β来表征被肿瘤微观结构“捕获”或“释放”的水分子的非线性扩散[12, 14, 15, 23]。D-skewness、α-skewness和D-mean是我们CTRW模型中的有用指标。肌层浸润性膀胱癌(MIBC)以深部浸润膀胱壁为特征,表现出更高的细胞密度,导致CTRW-D-mean值低于NMIBC[24](附录表S5)。而MIBC内细胞增殖周期阶段、形态、大小、排列及血管分布的异质性,导致粒子扩散的等待时间和步长更加多变[23]。这导致CTRW-α-skewness和CTRW-D-skewness值更高(附录表S5)。
与连续时间随机游走(CTRW)相比,体素内不相干运动(IVIM)是一种典型的腔室化非高斯扩散模型,可将肿瘤分为微血管灌注腔室和细胞间扩散腔室进行分析[25]。这使得能够分别评估血流动力学特性(指标f和D*)和实际间质扩散(指标D)。在本研究中,IVIM成为评估非肌层浸润性膀胱癌(NMIBC)组织学最有用的模型,其最显著的指标f-10P表明灌注是高级别(HG)和低级别(LG)肿瘤之间的关键生物学差异。与LG-NMIBC不同,HG-NMIBC表现出更高的细胞增殖,导致对灌注的需求增加[26, 27]。因此,代表肿瘤中血管体积分数第10百分位数的IVIM-f-10P在HG-NMIBC中显著高于LG-NMIBC。较高的增殖水平还导致间质间隙充血,降低HG-NMIBC中的D-mean(附录表S6)[28–30]。
值得注意的是,在每个任务的六个代表性指标中,有四个是偏度指标。在CTRW模型中,三个指标中有两个是偏度指标。偏度描述数据分布的不对称性,相比均值能更好地捕捉肿瘤中扩散行为的异质性,对离群值具有更强的抵抗力[31]。因此,偏度能更好地描述肿瘤中扩散行为的异质性。在Cui等人[15]的研究中,基于FROC(β-mean、μ-mean和D-mean)和DWIconv(ADC-mean)模型诊断肌层浸润的AUC仅为0.782和0.730。而通过纳入偏度指标,本研究中FROC和DWIconv模型的AUC提高至0.843和0.805。
目前膀胱癌(BCa)的诊断过程主要依赖经尿道膀胱肿瘤电切术(TURBT)。然而,单次TURBT往往分期和分级不充分,其切除范围和深度取决于泌尿外科医生的经验[3–5]。反复的有创诊断造成黏膜损伤、感染和患者巨大的痛苦,并浪费医疗资源[32–34]。我们的结果表明,CTRW和IVIM非高斯扩散模型在评估肌层浸润和组织学分级方面具有可接受的准确性和较强的稳健性。这一发现可推动非高斯扩散模型在临床实践中的应用,特别是提升MRI在當前膀胱癌诊断流程中的地位,并减少对TURBT的依赖。
我们的研究存在局限性。第一,两台扫描仪均来自同一机构,提示需要进一步的多中心研究来验证这些结果的可重复性。第二,排除最大直径小于5 mm或成像层数少于3层的病灶可能引入选择偏差。第三,多b值扩散加权扫描所需的较长采集时间可能给耐受性差的患者带来不适。此外,图像后处理的时间成本需要进一步缩短。然而,临床实践并不需要使用所有非高斯扩散模型。仅关注CTRW和IVIM模型时,无需使用11个b值进行扫描,这可显著减少扫描和后处理时间。
结论
CTRW和IVIM是两种潜在的非高斯扩散模型,分别用于评估BCa的肌层浸润和组织学分级。与DWIconv相比,新模型提高了准确性和敏感性,最终有助于改善BCa的管理结局。
补充信息
电子补充材料
引用
- Fan Z, Guo J, Zhang X, et al. Non-Gaussian diffusion metrics with whole-tumor histogram analysis for bladder cancer diagnosis: muscle invasion and histological grade. Insights Imaging. 2024. PMID: 38853200. doi:10.1186/s13244-024-01701-z
- 全文:PMC11162990(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11162990/
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。