基于多参数双能非增强CT的肝脏良恶性病变鉴别预测模型
本研究为单中心回顾性研究,纳入121例肝病变患者,利用非增强双能CT的定量参数构建5个预测模型鉴别良恶性肝病变。验证组中模型5(斜率K、有效Z差值、血定量)AUC最高,两名观察者分别为0.90和0.87,模型5诊断效能最佳。
要点
- 非增强双能CT多参数模型5(斜率K、有效Z差值、血定量)鉴别肝良恶性病变AUC达0.90和0.87。
- 验证组中两名观察者测量模型5的AUC分别为0.90和0.87,为五个模型中最高。
- 模型4(斜率K、血、脂肪)AUC为0.82和0.78,模型1(斜率K、血)为0.76和0.74。
核心结论
- 多参数非增强双能CT是鉴别肝脏良恶性病变的高效方法,模型5诊断效能最佳。
研究设计与样本
- 单中心回顾性研究,纳入2020年1月至2023年3月接受腹部多期双能CT(含非增强扫描)的肝病变患者121例,男80例,平均年龄67.4±13.8岁。
- 按80:20随机分为推导组97例(良性25例、恶性72例)和验证组24例(良性7例、恶性17例)。
- 使用256通道多探测器CT(Revolution CT,GE HealthCare),采用80/140 kVp快速切换、5 mm层厚,中等强度深度学习图像重建。
- 良性病变为肝血管瘤,恶性病变包括肝细胞癌、转移性肝癌和肝内胆管细胞癌。
- 推导组由两名11年经验腹部放射科医生测量参数并构建模型,验证组由两名分别6年和4年经验放射科医生评估诊断效能。
诊断标准与关键数值
- 推导组中采用SMOTE过采样将良性病变样本增至75例,与恶性组72例均衡后构建模型。
- 单因素分析中所有参数均有统计学意义(均p<0.05),多因素分析最终建立5个预测模型。
- 验证组中两名观察者测得五个模型AUC:模型1(斜率K、血)为0.76和0.74;模型2(斜率K、脂肪)为0.55和0.51;模型3(有效Z差值、血)为0.75和0.72;模型4(斜率K、血、脂肪)为0.82和0.78;模型5(斜率K、有效Z差值、血)为0.90和0.87。
- 模型5诊断效能最佳。
- 各模型 cut-off 值采用约登指数计算,低于 cut-off 判为良性,高于 cut-off 判为恶性。
临床应用与阅片要点
- 非增强双能CT可用于鉴别肝血管瘤与肝细胞癌、转移性肝癌、肝内胆管细胞癌,尤其适用于碘过敏、肾功能衰竭或哮喘患者。
- 测量时兴趣区应尽量均匀放置,注意避开非增强图像上明显可见的坏死或变性区域;转移性肝癌内部坏死常呈相对均匀低密度,兴趣区可置于整个均匀低密度区。
- 存在多个病灶时仅测量最大病灶,因小病灶在非增强CT上难以识别且兴趣区放置困难。
- 多发病灶中小病灶(血管瘤8–10 mm、肝细胞癌7–12 mm、转移性肝癌5–10 mm)在非增强CT上可能无法检出。
- 两名观察者间各参数Spearman秩相关系数为0.74–0.99(p<0.0001),呈强至非常强相关。
局限性
- 原文未报告局限性。
全文中译14 节 · 点击展开
引言
肝脏CT能够准确区分各种局灶性肝脏病变,通常需要使用对比剂[1]。考虑到对比剂的不良反应,包括对比剂肾病,以及医疗经济学因素,使用无对比剂CT评估肝脏病变将具有优势[2]。尽管非离子型碘对比剂的大多数不良反应通常是轻微且暂时的,但严重且危及生命的不良反应甚至可能导致死亡[3]。然而,在临床实践中,在非增强CT(non-CECT)上区分肝脏病变具有挑战性。需要回答的临床问题是,利用当今可用的成像技术,non-CECT能否有效地区分肝脏病变。
迄今为止,研究人员已通过放射组学和纹理分析等技术使用non-CECT图像评估肝脏病变。这些技术在区分不同肝脏病变类型方面已显示出一定程度的能力[4–7]。
双能CT(DECT)已取得显著发展,近来已成为常规临床实践中普遍且广泛使用的技术[8]。DECT采用对相同扫描体积进行双千伏采集成像以实现物质区分。光谱或多能CT(也称为DECT)提供额外的图像重建以提高CT分析的精确度。DECT是临床实践中常用的方法,能够生成不同能量水平的虚拟单色图像(VMI)[8]。DECT可利用物质分解(MD)技术获得质量密度、有效原子序数及其他物质特异性信息以进行不同分析[8]。尽管DECT因其提供大量成像数据的能力而受到认可,但其在non-CECT中区分肝脏病变的潜在应用尚未被探索。
我们的假设是,利用从非增强双能CT(nCE-DECT)获得的各种定量数据可有助于区分肝脏病变。肝血管瘤(HH)是临床实践中最常见的良性肝脏病变类型[9]。肝细胞癌(HCC)、转移性肝癌(MLC)和肝内胆管细胞癌(ICC)是最常见的恶性肿瘤类型,占大多数病例[10, 11]。因此,我们致力于将这些肝脏病变纳入我们的评估。本研究的目的是利用nCE-DECT的多个定量参数开发预测模型(PMs),用于区分良性肝脏病变(HH)和恶性肝脏病变(HCC、MLC和ICC)。
材料与方法
患者人口统计学特征
机构审查委员会和地方伦理委员会批准了这项大学医学中心回顾性研究。由于本研究为回顾性、非干预性研究,故豁免知情同意。研究纳入2020年1月至2023年3月期间接受多期腹部双能CT(DECT)检查(包括非增强CT(nCE-CT))的肝脏病变患者。患者排除标准包括:(1)非HH、HCC、MLC和ICC的肝脏病变;(2)单能模式扫描;(3)DECT数据不可用的技术困难;(4)化疗期间的患者。最终研究人群包括推导队列和验证队列。推导队列和验证队列按80:20随机分配(图1)。此外,在我们的队列中评估了肝硬化的患病率。肝硬化的定义如下。
1. 组织病理学标准:根据新犬山分类,肝硬化定义为F4(桥接纤维化伴结节形成)。
2. 临床标准:提示肝硬化的表现包括体征如蜘蛛痣、肝掌、腹水和脾肿大;血液检查异常如血小板减少、低白蛋白血症和凝血酶原时间延长;以及影像学特征如肝表面不规则、萎缩、脾肿大和侧支循环形成[12]。
CT和MRI上肝脏病变的诊断标准
对于无组织病理学诊断的肝脏病变,我们采用以下基于CT和MRI的诊断标准:
1. HH:边界清楚的病变,在多期增强CT(CECT)和MRI上表现为周边结节状强化和渐进性向心性填充。T2加权图像上呈高信号和“灯泡”样明亮信号[13]。
2. HCC:多期CECT和MRI上表现为非环状动脉期高强化、门静脉期和平衡期非周边廓清,以及存在强化“包膜”[14]。
3. MLC:根据原发病变类型表现为富血供或乏血供模式的病变。CECT和MRI上表现为周边环状强化和中心坏死。肝外疾病病史可能有助于诊断过程[15]。
4. ICC:肿块形成型病变,特征为动脉期不规则周边强化和因纤维化导致的延迟强化。此外,可观察到血管包绕、包膜回缩和节段性胆管扩张[13]。
DECT数据采集
所有nCE-DECT图像均使用256通道多探测器CT扫描仪(Revolution CT;GE HealthCare)采集。GSI辅助功能自动控制曝光。扫描参数为80/140 kVp管电压快速切换,图像厚度5 mm。管电流、旋转时间和螺旋螺距自动适配,以确保图像质量相当于13噪声指数。使用中等强度深度学习图像重建(True Fidelity,GE HealthCare)重建nCE-DECT图像。使用标准重建卷积核重建所有nCE-DECT图像,矩阵大小为512×512。
nCE-DECT图像的定量分析
nCE-DECT 图像被传输至 Advantage Workstation 4.5(AW 4.5;GE HealthCare)。在推导队列中,两名腹部放射科医师(观察者1和观察者2,具有11年经验)使用 GSI Viewer(GE HealthCare)以5 mm层厚对 nCE-DECT 数据进行客观分析。两名独立观察者(观察者1和观察者2)在40 keV、70 keV和140 keV的 VMI 上,使用椭圆形至圆形 ROI 计算肝脏病灶的平均 CT 值。当存在多个肝脏病灶时,仅检查最大的病灶。选择最大病灶的原因是 small lesions 在 non-CECT 上难以识别,且难以放置 ROI。为使用 non-CECT 开发预测模型,ROI 尽可能均匀地置于该区域内,特别注意避开在 non-CECT 上明显可见的坏死或变性区域(图2)。MLC 的内部坏死在 non-CECT 图像上常表现为相对均匀的低密度;因此,我们将 ROI 置于整个均匀低密度区域(图2C)。尽管坏死区域在增强后可能变得更明显,但鉴于既往报道证明该 ROI 放置方法在测量包括内部坏死在内的整个肿瘤方面有效且可靠[16],本研究采用该方法是可接受的。
Hounsfield Unit(HU)光谱曲线的斜率 K 反映40–140 keV能量的 CT 值,使用以下公式计算[17]:
随后,两名观察者使用 GSI viewer 评估 MD 图像。MD 分析量化了血液、脂肪和有效 Z(Eff-Z)。计算了肝脏病灶的 Eff-Z 最小值(min)、平均值和最大值(max)。还确定了最大值与最小值之间的差值(Eff-Z dif)。分析血–水对的 MD 图像确定了肝脏病灶的血液浓度[mg/cc]。多材料分解(MMD)方法,特别是 GE HealthCare GSI 肝脏脂肪算法,以百分比量化了肝脏病灶的脂肪分数。
预测模型的建立
所有计算得到的定量影像数据均用于建立预测模型(PMs),以鉴别肝脏病变的良恶性。此过程采用多变量逻辑回归完成。为构建准确的PMs以区分良性和恶性病变,两组样本量相等十分重要[18]。因此,对样本量较小的一组进行过采样以增加样本量。为降低标准过采样中过拟合的风险,我们在处理不平衡数据集时采用了合成少数类过采样技术(SMOTE)来解决该问题[19]。
构建PMs的流程概述如下。
步骤1:首先,通过在良性和恶性病变两组中分别将少数组的病例数除以10,确定纳入PMs的解释变量的最大数量。每个变量至少需要10个事件这一理念是拟合逻辑回归模型时被广泛认可的原则,并得到多项研究和指南的支持[20]。
步骤2:使用SMOTE对少数组进行过采样,以达到与多数组大致相当的样本量。
步骤3:对所有解释变量进行单因素分析,以区分良性和恶性病变。每个解释变量的p值通过似然比检验获得。
步骤4:对每个解释变量进行受试者工作特征(ROC)分析,以区分良性和恶性病变,并获得曲线下面积(AUC)。
步骤5:优先选择在单因素分析中p值具有统计学意义且AUC较高的变量。从VMI和MD图像中选择有代表性的解释变量,以排除性质相似的变量。
步骤6:基于所选择的解释变量,我们纳入最多至步骤1中确定的最大数量的变量,并进行多因素logistic回归,以评估PMs区分良性和恶性病变的能力。每个变量的p值从参数估计中获得。我们排除了包含未显示统计学显著性的解释变量的PMs。
步骤7:最后,建立PMs,其中每个解释变量均表现出统计学显著性。
预测模型的验证
另外两名腹部放射科医师,观察者3和观察者4,分别具有6年和4年的腹部影像经验,验证了PMs在验证组中的判别能力。在验证队列中,观察者3和观察者4计算出相同的定量值。所有计算出的定量影像数据用于测试PMs区分良性和恶性肝脏病变的能力。
统计分析
Shapiro–Wilk检验显示定量值不符合正态分布。因此,进行了非参数检验。Mann–Whitney U检验用于计算推导队列和验证队列之间年龄的显著差异。Fisher精确检验用于计算性别比例的显著差异。两名观察者定量结果的相关性使用Spearman秩相关系数[21]评估。40 keV、70 keV和140 keV的CT值、斜率K、Eff-Z最小值、平均值、最大值、dif、blood和fat在HH、HCC、MLC和ICC之间使用Kruskal–Wallis检验和事后Steel–Dwass检验进行比较。我们通过使用SMOTE对较小人群进行过采样以平衡推导队列中两组的样本量,构建PMs以区分良性和恶性病变。我们使用WEKA 3.8.6软件(Waikato Environment for Knowledge Analysis),nearestNeighbors设置为5,randomSeed设置为1,均为默认值。单因素分析后,确认了五个多因素logistic回归模型作为良性和恶性肝脏病变的预测因子。ROC分析用于检查每个模型的AUC,以确定其区分良性和恶性肝脏病变的能力。每个模型的适当截断值使用Youden指数计算。我们使用观察者3和观察者4的参数验证模型。计算敏感性、特异性和准确性,将低于截断值的值归类为良性,高于截断值的值归类为恶性。Fisher精确检验也用于检查伴有和不伴有肝硬化组之间诊断性能的差异。统计分析使用JMP Pro 17(SAS Institute Inc.)进行。p值低于0.05具有统计学显著性。
结果
患者的人口学特征
157例肝脏病变患者使用双能CT(DECT)扫描仪接受了非增强CT(non-CECT)和多期CT检查。其中,36例患者因符合排除标准而被剔除出研究。既往接受过经导管动脉化疗栓塞(TACE)或射频消融(RFA)治疗的肝脏病变患者未被排除。在58例确诊为肝细胞癌(HCC)的患者中,10例既往接受过TACE治疗,7例既往接受过RFA治疗,3例同时接受过TACE和RFA治疗。然而,需要指出的是,在本研究纳入的患者中,观察到的病变并非治疗部位的局部复发,而是位于不同部位的新发病变。我们的研究并未仅检查部分治疗的病变。因此,这些患者被纳入本研究。最终研究人群包括121例患者。推导队列与验证队列之间在年龄和性别比例上无统计学显著差异(p分别为0.25、0.23)。推导队列包括25例肝血管瘤(HH,25.8%)、47例HCC(48.5%)、17例转移性肝癌(MLC,17.5%)和8例肝内胆管癌(ICC,8.2%)。验证队列包括7例HH(29.2%)、11例HCC(45.8%)、3例MLC(12.5%)和3例ICC(12.5%)。各肝脏病变的诊断标准汇总于表1。全部肝脏病变中,所有32例HH、58例HCC中的27例、20例MLC中的3例和11例ICC中的1例仅通过CT和MR成像确诊(部分也经超声评估)。其余肝脏病变进行了组织病理学诊断。总之,所有32例良性肿瘤(HH)均通过影像学方法诊断。在89例恶性肿瘤(HCC、MLC和ICC)中,58例通过组织学检查诊断,其余31例通过影像学方法诊断。表1和图1汇总了本研究的患者数据。12例仅通过影像学诊断的HH患者随访影像未见增大。27例HCC患者中,24例接受影像学监测。其中,10例显示病变增大,10例接受了TACE,显示良好的碘油沉积。其余4例接受了RFA,随访未见存活病变。所有3例MLC患者随访影像均显示进展。1例ICC患者因年龄和个人选择未进行进一步影像学检查。
此外,本研究还纳入了几例肝硬化患者。具体而言,32例HH患者中1例(3.1%)和58例HCC患者中14例(24.1%)的背景肝脏有肝硬化。32例HH患者中7例(21.9%)、58例HCC患者中9例(15.5%)、20例MLC患者中10例(50.0%)和11例ICC患者中0例(0%)有多发病变。多发病变中所测最小病变的直径范围为:HH 8–19 mm,HCC 7–25 mm,MLC 5–25 mm。非增强CT能够检出所有单发病变。然而,多发病变中的若干小病变在非增强CT上无法检出。这些病变的直径范围为:HH 8 mm至10 mm,HCC 7 mm至12 mm,MLC 5 mm至10 mm。在我们的队列中,不存在同时存在不同类型病变的病例。
推导队列的定量数据结果
表2显示了40 keV、70 keV和140 keV CT值及斜率K的中位数和四分位距,以及Eff-Z、血定量和脂肪定量的最小值、均值、最大值和差值。观察者1和观察者2计算了这些参数。各参数在观察者间的Spearman秩相关系数(ρ)范围为0.74至0.99,p值<0.0001。这些系数显示强至极强相关性。表2总结了两位观察者的定量参数。
表3和图3显示了HH、HCC、MLC和ICC之间的多参数比较。四组在40 keV时的CT值均无显著差异。然而,70 keV和140 keV的CT值在HH与ICC组间(分别为p = 0.0062和0.0054)以及HCC与ICC组间(分别为p = 0.024和0.016)有显著差异。HCC和MLC的斜率K显著高于HH(p = 0.018和0.027)。Eff-Z最小值仅在HH与HCC之间显示统计学显著差异(p = 0.017)。各组间Eff-Z均值未观察到显著差异。对于HCC、MLC和ICC,Eff-Z最大值显著高于HH(分别为p = 0.0001、< 0.0001和0.021)。HCC、MLC和ICC的Eff-Z差值显著高于HH(分别为p < 0.0001、p < 0.0001、p = 0.0087)。HCC、MLC和ICC的血(水)值显著高于HH(分别为p < 0.0001、0.0001和0.0083)。MMD方法显示HH与MLC、HH与ICC以及HCC与ICC之间存在显著脂肪差异(分别为p = 0.016、0.0035和0.0016)(表3和图3)。
预测模型重建的结果
以下是对应于“方法”中步骤1至步骤7的结果。
结果1:少数组(良性病灶)包含25例。因此,纳入预测模型(PMs)的解释变量最大数量设定为3(25/10 = 2.5)。
结果2:使用SMOTE进行过采样后创建了一个平衡数据集,其中少数组(良性病灶)75例,多数组(恶性病灶)72例。
结果3:单因素分析显示,所有变量均具有统计学意义:40 keV、70 keV和140 keV的CT值;斜率K;Eff-Z min;Eff-Z mean;Eff-Z Max;Eff-Z dif;血液;和脂肪(均p < 0.05)。表4显示了各变量的比值比和p值。
结果4:表4提供了各解释变量AUC的汇总。在VMI变量中,斜率K的AUC值最高,而在MD图像变量中,血液的AUC值最高。
结果5:选择斜率K(p < 0.0001,AUC = 0.73)作为VMI变量的代表,而选择血液(p < 0.0001,AUC = 0.91)作为MD图像变量的代表。在Eff-Z变量中,我们选择了AUC最高的Eff-Z dif(p < 0.0001,AUC = 0.88)。脂肪的AUC相对较低,为0.70。然而,由于其在肿瘤分化中的重要作用,我们将其选为解释变量。
结果6:在四个解释变量中,选择两个或三个来创建候选PMs。在十种组合中,斜率K和Eff-Z dif(p = 0.27,p < 0.0001);Eff-Z dif和脂肪(p < 0.0001,0.36);血液和脂肪(p < 0.0001,0.097);斜率K、Eff-Z dif和脂肪(p = 0.39,p < 0.0001,0.55);以及Eff-Z dif、血液和脂肪(p = 0.0004,p < 0.0001,0.74)这些组合被排除,因为它们包含不具有统计学意义的变量。
结果7:最终作为PMs进行的五个模型如下:模型1(斜率K和血液,均p < 0.0001)、模型2(斜率K和脂肪,p = 0.0009,0.0060)、模型3(Eff-Z dif和血液,均p < 0.0001)、模型4(斜率K、血液和脂肪,p < 0.0001,< 0.0001,0.011)和模型5(斜率K、Eff-Z dif和血液,p = 0.0005,0.0012,< 0.0001)。表4汇总了每个模型参数的比值比和参数估计值及其95%置信区间。
以下是五个模型的预测方程:
表4还汇总了每个模型的AUC。每个模型的散点图见图4。推导队列中五个模型的ROC分析结果见图5A。无论是否存在肝硬化,推导队列中所有PMs的诊断能力均无显著差异(补充表)。
预测模型的验证
使用观察者3和观察者4的数据在验证队列中应用模型1–5的公式。计算每个模型的AUC、灵敏度、特异度和准确度。根据观察者3,模型1、2、3、4和5的AUC分别为0.76、0.55、0.75、0.82和0.90。根据观察者4,模型1、2、3、4和5的AUC值分别为0.74、0.51、0.72、0.78和0.87。模型5在两位观察者中AUC均最高,而模型2最低。使用每个模型的适当截断值计算灵敏度和特异度(表5)。应用截断值时,观察者3和观察者4的模型1至5的灵敏度、特异度和准确度如表5所示。比较每个模型AUC的p值也列于表5中。每个模型的散点图如图6所示。验证队列中五个模型的ROC分析结果总结于图5B、C中。统计学上,无论是否存在肝硬化,验证队列中所有PMs的诊断性能均无显著差异(补充表)。
讨论
本研究涉及使用nCE-DECT开发预测模型,以在用于创建模型的衍生组患者中区分良性和恶性肝脏病变,并在验证组患者中评估其准确性。在五个模型中,使用斜率K、Eff-Z dif和血液构建的模型表现出最佳的诊断性能(AUC = 0.90和0.87)。此外,这些模型可适用于伴有或不伴有肝硬化的肝脏病变。使用非CECT区分肝脏病变的临床效用具有很高价值,而既往研究尚未尝试使用nCE-DECT区分肝脏病变,因此这一发现具有新颖性。
Wang等研究了定量双能CT(DECT)参数在区分肝脓肿与MLC中的应用[17]。与我们的研究类似,他们比较了脓肿与MLC在平扫双能CT(nCE-DECT)上40 keV、70 keV和140 keV的CT值、斜率K、有效原子序数(Eff-Z)、血(水)和脂肪(水)。他们的报告指出,MLC的斜率K、血(水)和脂肪(水)值大于脓肿。这与我们的发现一致,即恶性病变显著高于良性病变。然而,他们还观察到MLC的平均Eff-Z高于脓肿。在我们的研究中,我们未发现良恶性病变之间平均Eff-Z存在显著差异。鉴于良性病变(如肝脓肿和HH)的 distinct 特征,无法进行精确比较。在他们的研究中,他们还报告了在40 keV CT值下区分脓肿与MLC的AUC为0.76。然而,在我们的研究中,区分良恶性病变的AUC为0.62,低于他们的发现[17]。这也可能归因于肝脏病变类型的不同。
斜率K是用于各种组织定性分析的关键参数。虚拟单能图像(VMI)在不同能级(通常为40 keV和140 keV)的CT值用于计算[17, 22]。在DECT中计算斜率K的意义在于其能够提供有关不同组织衰减特性的有价值信息,从而有助于区分和识别各种医学状况。与先前研究一致,本研究中恶性病变的斜率K显著大于良性病变[17, 22]。一个关键因素可能是细胞密度的变异性。恶性病变具有更高浓度的活跃增殖细胞[23]。细胞组成的变化可能影响细胞与不同能量X射线的相互作用,可能导致其斜率K值发生变化。
材料的有效原子序数(记为Eff-Z)与其原子序数成正比。因此,密度较高的材料具有相应较高的有效原子序数[24]。先前研究表明,在肝脏、肾脏、卵巢、乳腺、甲状腺和眶区,恶性病变的平均Eff-Z显著高于良性病变[17, 24–28]。相反,我们的研究发现良性病变的平均Eff-Z低于恶性病变,尽管这一差异未达到统计学显著性。恶性和良性病变之间Eff-Z值多样性(最大值减最小值)存在显著差异。由于缺乏测量最高和最低限值的先前研究,无法进行直接比较。然而,这一发现可能意味着病变异质性的差异。既往病理学研究表明,肝脏恶性病变比良性病变具有更异质性的组织学特征[29]。
以水作为物质对的血液定量值提示病灶内有少量出血[17]。关于本研究中的血液定量值,恶性病灶可能因组织异质性及存在不同程度的出血而表现出比良性HH更高的值。一般而言,由于肿瘤侵袭、坏死和血管结构破坏等变量,恶性肝脏病灶比良性病灶更易引起自发性和大量出血[30]。
关于脂肪百分比的测量,既往研究表明,使用MMD对肝脏病灶脂肪进行定量与MRI观察到的脂肪定量之间存在一定程度的相关性[31]。尽管众所周知HCC和混合型HCC-ICC含有脂肪[32, 33],但本研究发现HCC与HH之间的脂肪定量无显著差异。HCC中所含脂肪量表现出较大变异,表明本研究中检查的大多数HCC可能具有低脂肪含量。根据既往研究,MRI有时可显示结直肠癌肝转移瘤内脂肪[34]。基于此,本研究中观察到的脂肪量高于HH,因为MLC中主要的原发病灶为结直肠癌。
本研究存在若干局限性。首先,本研究为单中心回顾性研究,样本量相对有限。具体而言,验证队列数量有限,仅包含24例,需要更多病例进行进一步验证。此外,并非所有病例均伴有组织学诊断。然而,在临床实践中,对所有病例进行组织学诊断具有挑战性,因为良性病灶通常不通过手术治疗,且由于可用的治疗选择多种多样,并非所有HCC均接受手术切除。在本研究中,当无法获得组织学诊断时,诊断依赖于影像学的某些诊断标准。大多数仅通过影像学诊断的恶性肝脏病灶病例接受了随访,并确认了肿瘤生长或对治疗有反应的体积变化等发现。对于HH,有些病例未进行随访影像学研究;然而,如果病灶在动态研究中显示典型强化模式,则认为误诊的可能性极低。此外,在11例ICC中,3例被归类为HCC-ICC混合型。这些病灶因其ICC的特征性表现而被纳入ICC组。最后,我们研究了各预测模型在区分良恶性肝脏病灶方面的诊断性能,特别是在伴或不伴肝硬化的患者中。然而,并非所有实例均经组织病理学确认为肝硬化(F4),少数仅根据临床标准被认定为肝硬化。
总之,本研究致力于创建能够使用平扫双能CT(nCE-DECT)有效区分良性和恶性肝脏病变的模型。该模型纳入了斜率K、有效原子序数差值(Eff-Z dif)和血液,表现出优异的诊断准确性。在临床环境中,无需使用对比剂即可区分良性和恶性肝脏病变的能力非常重要,我们的预测模型应在临床实践中广泛应用。
补充信息
电子补充材料
引用
- Ota T, Onishi H, Fukui H, et al. Prediction models for differentiating benign from malignant liver lesions based on multiparametric dual-energy non-contrast CT. Eur Radiol. 2024. PMID: 39186105. doi:10.1007/s00330-024-11024-8
- 全文:PMC11836082(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11836082/
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。