检索历史 清除

摘要第一部分：基于18F-FDGPET/CT的联合评价体系在脊柱感染与脊柱恶性肿瘤鉴别诊断中的应用研究<br>　　目的：探讨18F-FDGPET/CT在早期或不典型脊柱感染与脊柱恶性肿瘤鉴别诊断中的价值，并探索基于18F-FDGPET/CT诊断脊柱感染的最佳联合评价体系。<br>　　方法：选择2014年4月至2021年7月在本院核医学科进行18F-FDGPET/CT全身显像的脊柱感染或脊柱恶性肿瘤患者，按照本研究标准纳入脊柱感染组和脊柱恶性肿瘤组，并收集其个人基本信息、影像学资料（包括18F-FDGPET/CT与MRI）与实验室检查资料（包括血沉ESR、C反应蛋白CRP、碱性磷酸酶ALP、T-SPOT检测、血清游离轻链和/或肿瘤标志物全套测定）。选取以下18F-FDGPET/CT征象或参数进行观察和统计：1.椎间盘是否存在FDG异常摄取；2.脊柱附件是否存在FDG异常摄取；3.病变椎体的SUVmax；4.病变椎体的糖酵解总量(TLG)；5.脊柱外组织或器官是否累及；6.椎旁软组织是否存在FDG异常摄取；7.是否存在连续椎体受累。采用IBMSPSSStatistics23.0进行统计学分析，有统计学差异的18F-FDGPET/CT定量参数进一步绘制ROC曲线，获取最佳阈值；Kappa值用于计算18F-FDGPET/CT和MRI影像特征的吻合率。Binarylogistic回归分析用于筛选有鉴别诊断意义的实验室检查指标和18F-FDGPET/CT影像征象或参数并建立回归模型。<br>　　结果：当ESR升高、“椎间盘FDG异常摄取”、“脊柱外组织或器官累及”三个独立影响因素联合时，鉴别诊断两组病人的准确性最高，可达93.7%。<br>　　结论：18F-FDGPET/CT影像学信息与实验室指标的结合可显著提高脊柱感染与脊柱恶性肿瘤鉴别诊断的准确性，尤其对于存在MRI检查禁忌的患者，或MRI检查不能确诊的早期或不典型脊柱感染患者，该项基于18F-FDGPET/CT的联合评价体系具有较大的临床应用价值。<br>　　第二部分：18F-FDGPET/CT影像组学在高FDG摄取脊柱良恶性病变的鉴别诊断中的应用研究<br>　　目的：探索基于18F-FDGPET/CT影像组学对高FDG摄取的脊柱良恶性病灶进行鉴别诊断的价值<br>　　方法：选择2014年1月至2021年11月在本院核医学科进行18F-FDGPET/CT全身显像的高FDG摄取（SUVmax＞3.0）脊柱病变患者，按照本研究标准纳入分为两组，脊柱恶性肿瘤组和脊柱良性病变组。使用MRIcroGL对原始PET/CT图像实现半自动分割，勾画出脊柱病灶3D感兴趣区。使用FeAtureExplorer(FAE,V0.4.2)进行特征提取,特征提取过程中，首先对原始图像进行小波变换（wavelettransform），分别从PET原始图像、CT原始图像以及各自的衍生图像中提取影像组学特征。特征类型包括一阶统计量(firstorderstatistics)、形态特征（shape-basedfeatures）、灰度共生矩阵（GLCM），其中形状特征仅在非衍生图像和掩模上计算。之后使用两种方法进行分类、建模。第一种方法，由一种标准化方法、一种降维方法、两种特征选择方法（筛选出1-3种特征）、四种分类器形成24条流水线构建模型。第二种建模方法，采用DecisionTree的机器学习方法进行建模，通过10个决策树模型获取诊断准确率来评价模型效能。此外，在18F-FDGPET/CT图像上获得椎体病灶TLG，通过ROC曲线评价TLG对脊柱良恶性病变的鉴别诊断效能。<br>　　结果：在第一种建模方法中，基于3个特征的模型在验证集上可以获得最高的AUC。在测试集上，模型的AUC和准确度分别达到0.714和0.714。第二种建模方法中，当max_depth=2时，10个决策树模型的诊断平均准确率为74.44%。TLG在脊柱良恶性病变中具有显著统计学差异（P＜0.01），当TLG的cut-off值为63.90时，准确度可达72.6%（AUC=0.707）。<br>　　结论：基于较小样本18F-FDGPET/CT影像组学特征构建的预测模型，对于高FDG摄取脊柱良恶性病变的鉴别诊断价值有限，进一步大样本影像学研究可能有助于构建更具诊断价值的模型。