中国医学影像技术杂志已发表格式范文参考
1.二尖瓣环分离的临床及经胸超声心动图表现
作者：刘秋颖,宋敏,窦静,王晓红,王甜甜,柏青
作者单位：中国人民解放军总医院;射洪市人民医院
关键词：二尖瓣环分离;超声心动描记术
[摘 要] 目的 观察二尖瓣环分离(MAD)的临床及经胸超声心动图表现。方法 回顾性分析990人经胸超声心动图 检查资料,基于超声测量二尖瓣后叶附着点与左心室后壁距离并判断是否存在 MAD,据以划分 MAD 组 与 非 MAD (NMAD)组,对比组间临床资料及超声心动图参数;以组间差异有统计学意义的参数为自变量、有无 MAD 为因变量,采 用多因素二元logistic回归分析观察临床特征及超声心动图参数与 MAD 的相关性。结果 共检出 186例(186/990, 18.79%)MAD。MAD组患者年龄、左心房前后径(LAD)、左心室前后径(LVD)、二尖瓣舒张晚期流速(A)及二尖瓣口舒 张早期流速(E)/A 均小于 NMAD组,而中度及以上二尖瓣反流占比高于 NMAD组(P 均年龄及经胸超声心动 图所测 A、E/A 均与 MAD相关(P 均结论 MAD临床及经胸超声心动图表现均有一定特征性。
二 尖 瓣 环 分 离 (mitralannular disjunction, MAD)指二尖瓣纤维环解剖结构变异,其特征为二尖 瓣铰链点(主要是后叶)与左心室游离壁顶部分离而向 左心房侧移位。MAD 与室性心律失常和心源性猝死 相关,近年来逐渐受到关注[1]。是否存在 MAD 对选 择治疗方案具有重要意义:拟行外科二尖瓣成形术时, 缩短甚至消除 MAD 有助于恢复瓣环正常解剖结构; 拟行经导管二尖瓣缘对缘修复术时,MAD 可增加手 术难度;且存在 MAD 更易发生相同区域心外膜血肿 和心包压塞[2]。本研究观察 MAD 临床及经胸超声心 动图表现。
1 资料与方法
1.1 研究对象 回顾性收集2023年1月—2024年 9月中国人民解放军总医院第六医学中心因体检、术 前检查、心血 管 疾 病 等 而 接 受 经 胸 超 声 心 动 图 检 查 的990人,男585人、女405人,年龄1~94岁、中位 年龄57岁。990人中,321名无明显异常[可存在轻 微及以 下 心 脏 瓣 叶 病 变、轻 度 及 以 下 二 尖 瓣 反 流 (mitralregurgitation,MR)且 无 其 他 心 脏 疾 病[3]]、 669例为心血管疾病患者,后者包括77例高血压[4]、 278例冠心病、88例先天性心脏病、86例二尖瓣脱垂 (其中13例为巴洛综合征)[3]、40例主动脉疾病、31 例心 肌 疾 病 (包 括 肥 厚 型 心 肌 病 和 心 肌 淀 粉 样 变)[5-6]、17例 心 包 炎、15 例 心 律 失 常 及 37 例 肺 栓 塞。排除心房颤动、心脏瓣叶或瓣环严重钙化,以及 植入人工瓣膜或曾接受二尖瓣成形术者。本研究经 院伦理审查委员会批准(HZXJY-PJ-2024-20)。
1.2 仪器与方法 由2名具有5年以上工作经验的 超声科医师 A、B采用PhilipsIEElite超声诊断仪、频 率2.5~5.5MHz的S5-1探头, PhilipsEPIQ7 型 超 声 仪、频 率 3.5~5.5 MHz的 S5~1 探头, 或 MindrayR7W 型超声仪、频率 3.5~5.5 MHz的 SP5-1U 探头 行经胸超声心动图检查。于左心 室长轴切面观察二尖瓣后叶附着 点 与 左 心 室 后 壁 的 相 对 位 置 关 系,局部放大该区域,以二尖瓣后 叶插入点为上缘、左心房与左心 室后壁心肌交界处为下缘,测量 其间距,重复测量3次取平均值,该值≥2mm 时判定 为 MAD [7]。 见 图 1。 同 时 测 量 二 尖 瓣 环 前 后 径 (diameteroftheannularofmitralvalve,AMVD)、左 心房前后径(diameterofleftatrial,LAD)、左心室前 后径(diameterofleftventricle,LVD);采用双平面 Simpson法测量左心室射血分数(ejectionfractionof leftventricle,LVEF),于心尖四腔心切面测量二尖瓣 口舒张早期流速(velocityofearlydiastole,E)、舒张 晚期流 速 (velocityoflatediastole,A)并 获 得 E/A 值。间隔3个月后随机抽取40例 MAD,由医师 A、B 再次进行上述测量。
1.3 统计学分析 采 用 SPSS19.0 统 计 分 析 软 件。 以中位数(上下四分位数)表 示 偏 态 分 布 计 量 资 料, 组间行秩和检验;以x-±s表示正态分布计量资料,组 间行t检验。采用χ 2检验比较计数资料。以组间差 异有统计 学 意 义 的 临 床 及 超 声 心 动 图 参 数 为 自 变 量、有无 MAD为因变量,采用多因素二元logistic回 归分析观察临床特征及超声心动图参数与 MAD 的 相 关 性。 以 组 内 相 关 系 数 (intra-classcorrelation coefficient,ICC)评估观察者内及观察者间测量二尖 瓣后叶附着 点 与 左 心 室 后 壁 距 离 结 果 的 一 致 性,以 ICC>0.75为一致性较好。P为差异有统计 学意义。
2 结果
共检出186例(186/990,18.79%)MAD,即 MAD 组186 例、非 MAD(non-MAD,NMAD)组 804 人。 观察者内及观察者间测量二尖瓣后叶附着点与左心室 后壁距离结果的一致性均较好(ICC=0.817、0.979,P 均见表1及图2~4。
186例 MAD 中,67 例临床 无明显异常、119 例罹患心血管 疾病,其二尖瓣后叶附着点与左 心室 后 壁 距 离 分 别 为 (5.1± 1.6)mm及(4.9±1.6)mm,差异 无 统 计 学 意 义 (t=0.643,P= 0.521)。其中14例二尖瓣脱垂 患者二尖瓣后叶附着点与左心室 后壁距离[(5.8±2.2)mm]大于 无 二 尖 瓣 脱 垂 者 [(4.9 ± 1.6)mm,t = 2.077, P = 0.039)]。
MAD 组 患 者 年 龄、LAD、 LVD、A 及 E/A 均小于 NMAD 组,而出现中度及以上 MR 者占 比 高 于 NMAD 组 (P 均 < 0.05);组间其余临床及超声心动 图参数差异均无统计学意义(P 均>0.05)。见表2。年龄、A 及 E/A 均 与 MAD 相 关 (P 均 < 0.05),见表3。
3 讨论
MAD 无 特 异 性 临 床 表 现, 其发病率尚不明确。本研究纳入 的990人中,经胸超声心动图检 出186 例 MAD,提 示 正 常 人 及 心 血 管 疾 病 患 者 中 均 可 见 MAD,尤以先天性心脏病患者中 检出率最高,达32.95%,而在心 律 失 常 患 者 中 的 检 出 率 为 26.67%,在主动脉病变患者中的 检 出 率 为 20.00%,与 既 往 研 究[8]基本相似。CHIVULESCU 等[9]纳入168例马方综合征(n= 103)或 洛 伊-迪 茨 综 合 征 (n= 65),其 中 MAD 检 出 率 达 41.07% (69/168),提 示 MAD可能与遗传性结缔组织病存在关联。本研究于 17例心包炎患者中均未检出 MAD,可能与心包粘连 限 制 左 心 室 游 离 壁 及 左 房 室 环 运 动 有 关。 ERIKSSON 等[10]采用经食管超声心动图观察二尖瓣 修复术后巴洛综合征患者,发现 MAD 为晚期二尖瓣 黏液样变性的常见形态学改变之一,可见于98%晚期 巴洛综合征患者。
目前普遍认为 MAD与室性心律失常及心脏猝死 密切相关。CARMO 等[11]指出,MAD 严重程度与心 律失常相关,MAD 距离>8.5 mm 为非持续性室性 心动过速的预测因素。DEJGAARD 等[12]报道,MAD 患者室性心律失常发生率为34.48%(40/116),其中 12.07%(14/116)可发生严重心律失常事件(心搏骤停 和持续性室速)。EZZEDDINE 等[13]的电解剖标测研 究结果显示,室性心律失常的异常双极信号最常见于
MAD区域。本研究中无明显异常个体与存在 MAD心 血管疾病患者之间二尖瓣后叶附着点与左心室后壁距 离差异无统计学意义,该距离在伴 MAD心律失常患者 仅为(3.2±1.3)mm,可能由于本研究纳入心律失常病 例数少、且较严重者更少有关,有待后续进一步分析。
MAD典型影像学表现为二尖瓣后叶-左心房连接 点与左心室后壁顶部之间存在不同程度分离;经胸超 声心动图适用于筛查 MAD [8]。心室舒张时左心室后 壁顶部位于二尖瓣后叶附着点正下方,二者呈纵向平 行关系,可能无法清晰显示 MAD;经胸超声心动图收 缩末期胸骨旁左心室长轴切面更易于检出 MAD。部 分 MAD伴二尖瓣环收缩期外向卷曲运动者组织多普 勒超声表现为左心室侧壁瓣环收缩期运动速度加快, 呈“尖顶军盔征”[14]。
KONDA 等[7]研究发现,MAD 组左心房直径及 容积指数、年龄均小于 NMAD组。本研究中 MAD组 患者年龄、LAD及 LVD 均小于 NMAD 组,与上述研 究相符,提示左心径线较小的年轻人更易出现 MAD, 原因可能在于伴 MAD二尖瓣脱垂的年轻患者一经确 诊后多及时接受手术干预,成年后即不再出现 MAD; 且左心室大小与年龄相关。本研究 MAD 组出现中度 及以上 MR者占比高于 NMAD 组。正常情况下二尖 瓣后环与左心室游离壁同步运动,心室收缩时其向下 向内运动;存在 MAD时,二尖瓣后环在收缩期跟随左 心房壁向外向上运动,整个二尖瓣环反常性扩张及“去 马鞍化”,影响瓣叶闭合而导致或加重 MR。本研究 MAD组 A 及 E/A 均低于 NMAD 组,且回归分析结 果显示二者均与 MAD 相关,推测 MAD 患者二尖瓣 铰链点向心房侧移位导致心房壁有效面积减小,而 A 峰形成机制为舒张晚期左心房主动收缩;存在 MAD 时,左心房 容 积 缩 小、主 动 收 缩 能 力 减 弱 而 致 A 峰 降低。
综上,MAD 临床及经胸超声心动图表现均有一 定特征性。但本研究为单中心、回顾性观察,样本量分 布不均,有待后续进一步完善。
2.影像组学及人工智能用于肾脏肿瘤研究进展
作者：赵甜甜,吴山,武志峰
作者单位：山西医科大学;山西医学科学院
关键词：肾肿瘤;人工智能;影像组学
[摘 要] 肾脏肿瘤是泌尿系统常见疾病。近年来影像组学及人工智能(AI)技术的发展为精准诊断及鉴别肾脏肿瘤,评 估分级、分期及治疗指导等提供了新的方向。本文就影像组学及 AI技术用于肾脏肿瘤研究进展进行综述。
肾脏肿瘤是泌尿系统常见肿瘤,早期诊断及鉴别 诊断良、恶性肿瘤至关重要[1-3]。组织病理学为诊断肾 脏肿瘤的“金标准”,但有创,且存在取样偏差[4];CT 及 MRI等传统影像学检查可显示肾脏肿瘤大小及位 置等形态学特征,但用于定量分析的敏感度和特异度 较低[5],且 对 乏 脂 肪 性 血 管 平 滑 肌 脂 肪 瘤 (fat-poor angiomyolipoma,fp-AML) 或 肾 周 脂 肪 浸 润 (perirenalfatinvolvement,PFI)等诊断价值有限[6-7]。 影像组学及人工智能(artificialintelligence,AI)的发 展为解决上述问题提供了可能。本文就影像组学及 AI技术用于肾脏肿瘤研究进展进行综述。
1 诊断肾肿瘤
1.1 鉴别诊断肾脏良、恶性肿瘤
1.1.1 血管平滑肌脂肪瘤(angiomyolipoma,AML) 与肾细胞癌(renalcellcarcinoma,RCC) AML是肾 脏最常见良性肿瘤,约5%脂肪含量极低(即fp-AML) 者影像学表现与 RCC 类似,导致鉴别困难[8]。JIAN 等[8]联合 MRT2WI及体素内不相干运动(intravoxel incoherentmotion,IVIM)序列所见肾脏肿瘤特征与 尿肌酐指标构建的多模态临床影像组学模型鉴别fpAML与 RCC的准确率高达93.1%,有助于突破单一 模态的局限性。DAI等[6]采用 nnU-Net自动对 CT所示肾脏肿瘤进行三维分割,其构建的深度学习(deep learning,DL)模 型 鉴 别 直 径 肾 肿 瘤 (包 括 RCC及fp-AML等)的效能与资深放射科医师无显著 差异[曲线下面积(areaundercurve,AUC):0.80vs. 0.84]。
1.1.2 肾嗜酸细胞腺瘤(renaloncocytoma,RO)与 RCC RO 属良性肿瘤,但其形态学特征和血流动力 学 行 为 与 RCC 高 度 相 似[9]。FRANCISCHELLO 等[10]提取平扫、增强动脉期及静脉期 CT 所示肿瘤影 像组学特征,发现多期相联合模型鉴别 RO 与肾透明 细胞癌(clearcellRCC,ccRCC)的效能最高,而动脉 期10HU 模型的鉴别能力可与之媲美,证实单期相模 型鉴别二者具有可行性。有学者[9]采用遗传算法提取 肿瘤过渡区 CT 影像组学特征,所获模型可有效鉴别 ccRCC与 RO。YANG 等[11]提取肿瘤三期相(皮髓质 期、实质期及排泄期)CT 影像组学特征以建立模型, 其 中,三 期 相 联 合 模 型 鉴 别 RO 与 嫌 色 RCC (chromophobeRCC,ChRCC)的效能最高,在验证集 的 AUC达0.973。上述研究突破了传统影像学基于 中央星状瘢痕等特征进行鉴别的局限性,可为鉴别诊 断 RO 与 RCC提供更为客观的定量参数。
1.1.3 肾脏良性囊肿与 RCC 鉴别肾脏良性囊肿与 囊性 RCC(cysticRCC,cRCC)为临床难点。Bosniak 分级为当前应用最广的肾囊性病变分类系统,但区分 良性与潜在恶性病变、尤其ⅡF和Ⅲ类囊肿的能力有 限,其 分 类 诊 断 肾 囊 性 病 变 的 特 异 度 仅 74% [12]。 ZHAO 等[12]基于322例 Bosniak Ⅱ~Ⅳ类肾脏囊肿 平扫 及 皮 质 期 CT 影 像 组 学 特 征 构 建 的 随 机 森 林 (randomforest,RF)、支 持 向 量 机 (supportvector machine,SVM)及逻辑回归(logisticregression,LR) 模型 用 于 鉴 别 复 杂 肾 囊 肿 与 RCC 的 能 力 均 较 佳, AUC均 大 于 0.950;平 扫 RF 模 型 (AUC:0.941± 0.022)与平扫 SVM 模型(AUC:0.897±0.048)对于 ⅡF~Ⅲ类囊肿的鉴别效能均显著优于平扫 LR 模型 (AUC:0.715±0.216)。另有研究[13]基于空间编码时间解码架构的三维 ResNet50构建 CT 影像组学模 型并进行多中心验证,发现皮髓质期与实质期 联 合 CT 影像组学模型鉴别肾脏良、恶性囊性病灶效能甚 佳,其 在 外 部 测 试 集 的 AUC 达 0.998,显 著 优 于 Bosniak分级-2019(AUC=0.869)及其他机器学习模 型(AUC:0.902~0.968)。未来基于 DL 联合临床特 征(如肾功能指标、病理分子标记)构建多模态影像组 学模型可进一步提高诊断准确率,辅助临床实现个体 化诊疗。
1.2 鉴别诊断不同亚型 RCC 影像组学联合 AI技 术为评估 RCC亚型提供了高效、客观的辅助工具,具 有极大 临 床 应 用 潜 力。RCC 主 要 分 为 ccRCC 和 非 ccRCC(non-ccRCC)[14];前 者 占 70% ~80%,恶 性 程 度高、易 转 移,而 后 者 中 的 乳 头 状 RCC(papillary RCC,PRCC)和 ChRCC则预后相对较好[15]。精准评 估 RCC亚型对临床诊疗至关重要。近年已有多种 AI 技术用于鉴别不同亚型 RCC。ZUO 等[16]基于肾脏肿 瘤CT 数据建立的卷积神经网络(convolutionalneural network,CNN)模型鉴别 PRCC与 ChRCC的效能较 佳,且模型可训练参数越少、准确率越高,可能与训练 参数过多将致模型欠拟合或过拟合有关。减影技术可 突出肿瘤强化特征,清晰显示强化与非强化区域而提 升诊断精度。刘奇峰等[17]提出减影影像组学方法,主 要通过对增强三期与平扫 CT 图像进行差值处理而构 建模型,所获临床-影像学特征联合皮髓质期减影组学 模 型 鉴 别 ccRCC 与 non-ccRCC 的 AUC 最 高 (0.973)。
2 评估分级及分期
2.1 RCC WHO/国 际 泌 尿 病 理 学 会 (International SocietyofUrologicalPathology,ISUP)分级 病理 分 级 是 预 测 ccRCC 预 后 的 重 要 指 标。2016 年, WHO/ISUP提出ccRCC分级系统,即以Ⅰ~Ⅱ级为 低 级 别、Ⅲ ~ Ⅳ 级 为 高 级 别[18]。GAO 等[19] 基 于 ccRCC多期相增强 CT 构建的列线图模型用于评估直 径级别的能力较佳,其在训练集和测试 集的 AUC分别为0.940和0.902。ccRCC 在不同增 强期相的 CT 表现与其分级显著相关,以实质期模型 评估其级别的稳定性最佳;可能原因在于实质期对比 剂开始渗透至肾盂和输尿管,此时ccRCC达稳定峰值 增强状态,特征更为显著[20]。此外,利用瘤周微环境 影像组学分析可进一步预测ccRCC 分级。研究[4]发 现,联合应用瘤内与瘤周5mm 范围内脂肪组织 CT 影像组学特征可准确反映高级别ccRCC 侵袭性生物 学行为及其所致组织异质性改变;进一步引入 AI技 术可显著优化传统影像学分析流程:基于 TranUNet 架构自动分割模型分割ccRCCCT 图像、提取肾周脂 肪影像组学特征可减少人工操作误差、提高分割准确 性和 可 重 复 性,用 于 评 估 ccRCC 病 理 分 级 效 能 较佳[21]。
2.2 RCCTNM 分期 TNM 分期是 RCC 核心分期 系统,其 准 确 性 直 接 影 响 治 疗 方 案 和 预 后。CT 和MRI虽能有效评估 RCC 大小及转移,但对判断肿瘤 是否突破解剖标志物(如肾包膜或 Gerota筋膜)仍存 在明显 局 限,而 后 者 为 判 断 Ⅲ、Ⅳ 期 RCC 的 关 键 指 标[22]。部 分 研 究 尝 试 以 影 像 组 学 自 动 进 行 RCC TNM 分期。YAŞAR 等[23]报道,利用纹理分析可检 出肉眼难以观察到的 RCCCT 特征,且 TNM 低分期 组(Ⅰ~Ⅱ期)“最小值”和“长期低灰度强调”显著升 高,而高分期组(Ⅲ~Ⅳ期)的“能量”和“总能量”更具 预测价值;此外,“灰度不均匀性”和“运行长度不均匀 性”升 高 提 示 RCC 侵 袭 性 强、预 后 不 良。相 比 单 能 CT,双能 CT(dual-energyCT,DECT)采用基于混合 能量图像(mixedenergyimage,MEI)、虚拟非对比增 强图像(virtualnon-contrastedimage,VNC)和碘基 质 分 解 图 像 (iodine-based materialdecomposition image,IMDI)等多模态图像的融合技术,可显著提高 组织分辨率和识别能力;利用 MEI与IMDI融合模型 进行 RCCTNM 分期的 AUC达0.96 [24]。
PFI指 RCC 肿瘤细胞突破肾纤维囊或直接与肾 周脂肪接触[25],与 其 TNM 分 期 显 著 有 关[26]。增 强 CT 判断 RCC微浸润和脂肪组织异质性的能力不足; 引入影像组学可显著提高诊断 PFI效能。LIU 等[25] 针对 RCC不同区域划分的瘤内及瘤周 ROI而构建的 7种 CT 影像组学模型评估 RCCPFI的效能无明显差 异,其 中 瘤 周 3 mm CT 影 像 组 学 模 型 AUC 最 高 (0.926),提示局部大范围肾周脂肪组织特征可能不利 于判断 PFI状态。此外,利用SHAP可定量表达复杂 且抽象的影像组学特征,进一步强化 PFI预测模型用 于 RCC的价值[27]。目前针对预测 PFI的 RCC 研究 多基于其他机器学习方法,未来可进一步拓展 DL 领 域、探索更多技术。
3 指导治疗
3.1 评估手术治疗 RCC 复杂程度 肾周脂肪粘连 (adherentperinephricfat,APF)为 增 加 手 术 治 疗 RCC风险的独立影响因素[28]。影像组学为术前无创 评估 RCC APF 的可靠手段,有助于优化术前风险分 层。传统梅奥粘连概率(Mayoadhesiveprobability, MAP)评 分 虽 能 基 于 CT 或 MRI 量 化 评 估 RCC APF,但受主观因素影响,且观察者间一致性有限[7]。 影像组学技术为无创预测 RCC APF 提供了新的途 径。MÜHLBAUER等[29]联合 RCCCT 影像组学特 征、MAP评分及患者年龄、性别、体质量指数等构建 多种机器学习模型,其中,基于单一“小波-LHH(L= low,H =high)变 换 灰 度 共 生 矩 阵 (graylevelcooccurrencematrix,GLCM)相关性”特征的 LR 模型 预测 APF效能最佳,其在测试集的 AUC 为0.90,但 预测手术时间及术后并发症的价值有限。LE 等[7]基 于 RCC增强 T1WI特征构建的预测 APF的 SVM 模 型在外部验证集的敏感度(100%)远高于传统 MAP 评分(57.1%),且形态特征(体积/表面积)和纹理特征 (灰度大小非均匀性)对模型贡献度较高。
3.2 筛选ccRCC靶向治疗获益人群 ccRCC所涉突 变基 因 主 要 包 括 VHL、PBRM1、BAP1 和 SETD2 等,虽然相 对 较 少,但 对 靶 向 治 疗 尤 为 重 要,特 别 是 BAP1。根据有无 BAP1突变可将ccRCC 分为突变 型与野生型,后者对靶向治疗反应更好、预后更佳;据 此筛选治疗获益者可指导临床干预。FENG 等[30]基 于54例ccRCCCT 数据建立的影像组学 RF 模型用 于预测 BAP1突变的 AUC 为0.77。目前用于预测 RCC基因突变的影像组学 AI研究多存在样本量不 足、缺乏外部验证等局限性,有待进一步完善。
4 小结与展望
影像组学及 AI技术为诊断、评估及治疗肾脏肿 瘤提供了重要工具,但仍面临较多挑战:①缺乏标注数 据的统一标准,导致模型可重复性有限;②多为单中 心、小样本研究;③算法可解释性较弱,计算资源消耗 大,对临床转化构成限制。未来应聚焦算法优化与标 准化体系建设,引入自动化技术,依托云计算实现多中 心数据共享及验证;同时加强影像组学与基因组学、病 理学的 多 模 态 融 合,构 建 智 能 系 统,推 动 助 力 精 准 医疗。
