文献速递:多模态影像组学文献分享(基于多模式超声的临床放射学诺莫图,用于预测实质性低回声乳腺病变的恶性风险)

本文主要是介绍文献速递:多模态影像组学文献分享(基于多模式超声的临床放射学诺莫图,用于预测实质性低回声乳腺病变的恶性风险),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文献速递:多模态影像组学文献分享:(基于多模式超声的临床放射学诺莫图,用于预测实质性低回声乳腺病变的恶性风险)

01

文献速递介绍

作为世界上最常见的癌症,乳腺癌对人们的健康和生存构成了严重威胁(1)。鉴于其高转移倾向和高死亡率(2, 3),加之良性和恶性乳腺肿瘤治疗方式的显著差异,早期明确诊断是乳腺病变治疗管理中的关键第一步,这对于改善患者预后和生存率起着至关重要的作用(3-5)。随着超声成像技术的最新进展,超声在乳腺病变检测中扮演着越来越重要的角色。应变弹性成像(SE)允许通过彩色编码成像快速直观地显示病变内部的弹性系数差异,因此,它作为一种强大的诊断辅助工具,为病变诊断提供了宝贵的参考值(6, 7)。自动乳腺体积扫描仪(ABVS)由于其标准化操作程序,提供了良好的诊断结果可重复性(8),它可以获取整个乳腺体积信息并对获取的信息进行多平面成像。研究表明,ABVS在检测乳腺病变方面展现出了与手持式超声扫描仪相当的诊断准确性,同时还提供了额外信息(9, 10)。在常规超声检查中,常常遇到固态低回声乳腺病变的患者,医生可以根据ABVS图像上的形态表现和SE图像上的弹性表现,对乳腺病变的恶性风险进行初步评估。ABVS和SE成像技术的结合在评估乳腺病变方面显示出显著的诊断效能(11)。然而,传统成像技术产生的诊断结果的可靠性在很大程度上取决于检查医生的熟练程度,并且极易受到观察者间变异性的影响(12)。

放射组学符合精准医疗的当前趋势,它通过深入挖掘医学图像,将普通视觉图像转化为高通量数据,以非侵入性方式捕捉整个肿瘤的内部异质性(13-15)。因此,它可能提供新的生物标志物,以促进更好的临床决策。已经有几项关于超声(US)、乳房X光摄影术和磁共振(MR)在乳腺癌诊断中的放射组学研究取得了有希望的结果(16-29)。然而,目前还没有关于结合ABVS和UE放射组学特征与临床超声因素进行乳腺癌诊断的研究。因此,我们对SE和ABVS图像进行了放射组学分析,然后将这些特征与传统成像风险评估和其他临床风险因素结合,形成了一种新的诺莫图,以帮助医生准确诊断固态低回声乳腺病变。

Title

题目

A clinical-radiomics nomogram based on multimodal ultrasound for predicting the malignancy

risk in solid hypoechoic breast lesions

基于多模式超声的临床放射学诺莫图,用于预测实质性低回声乳腺病变的恶性风险

Background

背景

In routine clinical examinations, solid hypoechoic breast lesions are frequently encountered, but accurately distinguishing them poses a challenge.

This study proposed a clinical-radiomics nomogram based on multimodal ultrasound that enhances the diagnostic accuracy for solid hypoechoic breast lesions.

在常规临床检查中,实质性低回声乳腺病变经常会遇到,但准确区分它们是一项挑战。本研究提出了一种基于多模式超声的临床放射学诺莫图,可以提高对实质性低回声乳腺病变的诊断准确性。

methods

方法

This retrospective study analyzed ultrasound strain elastography (SE) and automated breast volume scanner images (ABVS) of 423 solid hypoechoic

breast lesions from 423 female patients in our hospital between August 2019 and

May 2022. They were assigned to the training (n=296) and validation (n=127) groups in a 7:3 ratio by generating random numbers. Radiomics features were extracted and screened from ABVS and SE images, followed by the calculation of the radiomics score (Radscore) based on these features. Subsequently, a nomogram was constructed through multivariate logistic regression to assess

the malignancy risk in breast lesions by combining Radscore with Breast Imaging

Reporting and Data System (BI-RADS) scores and clinical risk factors associated

with breast malignant lesions. The diagnostic performance, calibration performance, and clinical usefulness of the nomogram were assessed by the

area under the curve (AUC) of the receiver operating characteristic curve, the calibration curve, and the decision analysis curve, respectively.

这项回顾性研究分析了我们医院2019年8月至2022年5月间423名女性患者共423个实性低回声乳腺病变的超声应变弹性成像(SE)和自动化乳腺体积扫描仪(ABVS)图像。他们按7:3的比例通过生成随机数被分配到训练组(n=296)和验证组(n=127)。从ABVS和SE图像中提取并筛选放射组学特征,然后根据这些特征计算放射组学评分(Radscore)。随后,通过多变量逻辑回归构建了一个诺模图,以结合Radscore、乳腺影像报告和数据系统(BI-RADS)评分及与乳腺恶性病变相关的临床风险因素,评估乳腺病变的恶性风险。诺模图的诊断性能、校准性能和临床实用性分别通过接受者操作特征曲线下面积(AUC)、校准曲线和决策分析曲线进行评估。

Results

结果

The diagnostic performance of the nomogram is significantly superior to hat of both the clinical diagnostic model (BI-RADS model) and the multimodal radiomics model (SE+ABVS radiomics model) in training (AUC: 0.972 vs 0.930 vs

0.941) and validation group (AUC:0.964 vs 0.916 vs 0.933). In addition, the nomogram also exhibited a favorable goodness-of-fit and could lead to greater net benefits for patients.

该诺模图的诊断性能显著优于临床诊断模型(BI-RADS模型)和多模态放射组学模型(SE+ABVS放射组学模型),无论是在训练组(AUC:0.972 vs 0.930 vs 0.941)还是在验证组(AUC:0.964 vs 0.916 vs 0.933)。此外,该诺模图还展现了良好的适应性,并可能为患者带来更大的净益处。

Conclusions

结论

The nomogram enables a more effective assessment of the malignancy risk of solid hypoechoic breast lesions; therefore, it can serve as a new and efficient diagnostic tool for clinical diagnosis.

该诺莫图可以更有效地评估实质性低回声乳腺病变的恶性风险,因此,它可以作为临床诊断的新的高效工具。

Figure

图片

FIGURE 1 The grouping process of this study.

图1 本研究的分组流程

图片

FIGURE 2 An instance of manually delineating a region of interest (ROI). The strain elastography (SE) and automated breast volume scanner (ABVS) images of a 41-year-old female with a solid hypoechoic lesion measuring approximately 16x11x12mm on her left breast. The lesion was irregular in shape, parallel in position, with still well-defined borders, sharp margins, and scattered microcalcifications visible internally, and exhibited no significant posterior echogenicity change or retraction in the coronal plane, and the ultrasound elasticity score was 4, finally, the lesion was classified as BI

RADS category 4a. Pathological examination confirmed it as invasive ductal carcinoma. ROI segmentation was performed on both the SE image (A)and ABVS coronal image (B), with delineation along the boundary of the lesion followed by uniform outward expansion of its edges by 3 mm to encompass some surrounding tissue.ROI segmentation was performed on ABVS transverse © and sagittal (D) images, respectively, and meticulous delineation was performed along the lesion’s contour and borders on these two views.

图2手动绘制感兴趣区域(ROI)的示例。这是一位41岁女性的左乳房上有一个约16x11x12mm的实质性低回声病变的应变弹性成像(SE)和自动乳腺体积扫描仪(ABVS)图像。该病变呈不规则形状,位置平行,边界清晰,边缘锐利,内部可见分散的微钙化,冠状位上没有明显的后方声明显改变或回缩,超声弹性评分为4,最终被分类为BI-RADS类别4a。病理检查确认为浸润性导管癌。ROI分割分别在SE图像(A)和ABVS冠状图像(B)上进行,沿病变边界绘制,然后将边缘均匀向外扩展3毫米以包围一些周围组织。ROI分割分别在ABVS横断面(C)和矢状面(D)图像上进行,对这两个视图上的病变轮廓和边界进行了精细细致的绘制

图片

FIGURE 3 Screening of radiomics features. Selection of strain elastography (SE) radiomics features (A), automated breast volume scanner (ABVS) coronal plane radiomics features (B), ABVS transverse plane radiomics features ©, and ABVS sagittal plane radiomics features (D) using the least absolute shrinkage and selection operator (LASSO) regression model. The coefficient profiles of LASSO for each modal radiomics feature are presented on the left. The right shows that the tuning parameter l (lambda) in the LASSO model was selected using tenfold cross-validation, and the binomial deviance was plotted as a function of log(l), with vertical dashed lines drawn at the minimum deviation (log(l.min)) and the 1 standard error of the

minimum deviation (log(l.1se)). Selected the non-zero coefficient features in the model when the horizontal coordinate was log(l.1se).

图3 放射学特征的筛选。使用最小绝对收缩和选择算子(LASSO)回归模型选择应变弹性成像(SE)放射学特征(A)、自动乳腺体积扫描仪(ABVS)冠状平面放射学特征(B)、ABVS横断面放射学特征(C)和ABVS矢状面放射学特征(D)。左侧呈现了每种模态放射学特征的系数轮廓。右侧显示,使用十折交叉验证选择了LASSO模型中的调整参数l(lambda),并且将二项式偏差作为log(l)的函数绘制,垂直虚线标在最小偏差(log(l.min)) 和最小偏差的1个标准误差(log(l.1se)) 处。当横坐标为log(l.1se)时,选择了模型中的非零系数特征。

图片

FIGURE 4 The receiver operator characteristic curves for various radiomics models in the training (A) and validation groups (B).

图4 在训练组(A)和验证组(B)中,各种放射学模型的受试者工作特征曲线。

图片

FIGURE 5 The Nomogram for predicting the malignant risk of solid hypoechoic breast lesions.

图5 用于预测实质性低回声乳腺病变恶性风险的诺莫

图片

FIGURE 6 The receiver operator characteristic curves of the BI-RADS model, SE+ABVS radiomics model, and Nomogram in the training group (A), the validation group (B), the BI-RADS category 4 lesions in the training group ©, and the BI-RADS category 4 lesions in the validation group (D).

图6 在训练组(A)、验证组(B)、训练组中的BI-RADS类别4病变(C)和验证组中的BI-RADS类别4病变(D)中,展示了BI-RADS模型、SE+ABVS放射学模型和诺莫图的受试者工作特征曲线。

图片

FIGURE 7 The calibration curves for the Nomogram in the training group (A) and the validation group (B).The decision analysis curves of the BI-RADS mode, SE+ABVS radiomics model, and Nomogram in the validation group ©.

图7 诺莫图在训练组(A)和验证组(B)中的校准曲线。BI-RADS模型、SE+ABVS放射学模型和诺莫图在验证组中的决策分析曲线(C)。

Table

图片

图片

图片

TABLE 1 Clinical basis information and sonographic features of patients with breast lesions.

表1 乳腺病变患者的临床基本信息和超声特征。

图片

TABLE 2 The AUC values of radiomics models in the training andvalidation groups.

表2 训练组和验证组中放射学模型的AUC值

图片

TABLE 3 The diagnostic parameters of the BI-RADS model, SE+ABVS radiomics model, and Nomogram in each group

表3 BI-RADS模型、SE+ABVS放射学模型和诺莫图在每个组中的诊断参数。

这篇关于文献速递:多模态影像组学文献分享(基于多模式超声的临床放射学诺莫图,用于预测实质性低回声乳腺病变的恶性风险)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/458705

相关文章

Linux系统配置NAT网络模式的详细步骤(附图文)

《Linux系统配置NAT网络模式的详细步骤(附图文)》本文详细指导如何在VMware环境下配置NAT网络模式,包括设置主机和虚拟机的IP地址、网关,以及针对Linux和Windows系统的具体步骤,... 目录一、配置NAT网络模式二、设置虚拟机交换机网关2.1 打开虚拟机2.2 管理员授权2.3 设置子

SpringBoot如何通过Map实现策略模式

《SpringBoot如何通过Map实现策略模式》策略模式是一种行为设计模式,它允许在运行时选择算法的行为,在Spring框架中,我们可以利用@Resource注解和Map集合来优雅地实现策略模式,这... 目录前言底层机制解析Spring的集合类型自动装配@Resource注解的行为实现原理使用直接使用M

Python解析器安装指南分享(Mac/Windows/Linux)

《Python解析器安装指南分享(Mac/Windows/Linux)》:本文主要介绍Python解析器安装指南(Mac/Windows/Linux),具有很好的参考价值,希望对大家有所帮助,如有... 目NMNkN录1js. 安装包下载1.1 python 下载官网2.核心安装方式3. MACOS 系统安

C#原型模式之如何通过克隆对象来优化创建过程

《C#原型模式之如何通过克隆对象来优化创建过程》原型模式是一种创建型设计模式,通过克隆现有对象来创建新对象,避免重复的创建成本和复杂的初始化过程,它适用于对象创建过程复杂、需要大量相似对象或避免重复初... 目录什么是原型模式?原型模式的工作原理C#中如何实现原型模式?1. 定义原型接口2. 实现原型接口3

大数据spark3.5安装部署之local模式详解

《大数据spark3.5安装部署之local模式详解》本文介绍了如何在本地模式下安装和配置Spark,并展示了如何使用SparkShell进行基本的数据处理操作,同时,还介绍了如何通过Spark-su... 目录下载上传解压配置jdk解压配置环境变量启动查看交互操作命令行提交应用spark,一个数据处理框架

Java嵌套for循环优化方案分享

《Java嵌套for循环优化方案分享》介绍了Java中嵌套for循环的优化方法,包括减少循环次数、合并循环、使用更高效的数据结构、并行处理、预处理和缓存、算法优化、尽量减少对象创建以及本地变量优化,通... 目录Java 嵌套 for 循环优化方案1. 减少循环次数2. 合并循环3. 使用更高效的数据结构4

Python中常用的四种取整方式分享

《Python中常用的四种取整方式分享》在数据处理和数值计算中,取整操作是非常常见的需求,Python提供了多种取整方式,本文为大家整理了四种常用的方法,希望对大家有所帮助... 目录引言向零取整(Truncate)向下取整(Floor)向上取整(Ceil)四舍五入(Round)四种取整方式的对比综合示例应

linux进程D状态的解决思路分享

《linux进程D状态的解决思路分享》在Linux系统中,进程在内核模式下等待I/O完成时会进入不间断睡眠状态(D状态),这种状态下,进程无法通过普通方式被杀死,本文通过实验模拟了这种状态,并分析了如... 目录1. 问题描述2. 问题分析3. 实验模拟3.1 使用losetup创建一个卷作为pv的磁盘3.

MySQL8.2.0安装教程分享

《MySQL8.2.0安装教程分享》这篇文章详细介绍了如何在Windows系统上安装MySQL数据库软件,包括下载、安装、配置和设置环境变量的步骤... 目录mysql的安装图文1.python访问网址2javascript.点击3.进入Downloads向下滑动4.选择Community Server5.

Java实现状态模式的示例代码

《Java实现状态模式的示例代码》状态模式是一种行为型设计模式,允许对象根据其内部状态改变行为,本文主要介绍了Java实现状态模式的示例代码,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来... 目录一、简介1、定义2、状态模式的结构二、Java实现案例1、电灯开关状态案例2、番茄工作法状态案例