论文部分内容阅读
研究目的:肝脏肿瘤,特别是肝母细胞瘤,是多发生于小儿中的最常见的肿瘤之一,严重威胁着患儿的生命健康。根治肝脏肿瘤的主要方法是手术切除,术后的残肝体积不足会引起肝脏相关的术后并发症。因此,进行肝脏手术时需要对患者肝体积进行分析以评估术后残肝是否足够维持正常肝脏功能。在小儿中,肝脏体积随生长发育变化,不同年龄的小儿肝脏体积差异大。同时,小儿的肝母细胞瘤生长迅速,体积较大,经常压迫正常肝组织。因此,对于巨大肝脏肿瘤患儿来说,在肝脏肿瘤切除术后留有足够的正常肝组织是手术治疗成功的关键之一。世界范围内,小儿的肝脏体积相关研究和小儿标准肝脏体积公式均较为罕见。为精准地进行术前规划,需要了解小儿正常的肝脏体积,不同性别、年龄、身高和体重的小儿正常肝脏体积的差异,和准确的小儿标准肝脏体积计算公式,以进行术前评估术后肝功能。研究方法:从青岛大学附属医院PACS系统检索2013年1月到2020年1月就诊的肝脏功能和形态正常的患儿;从青岛市妇女儿童医院PACS系统检索2020年10月到2020年11月就诊的肝脏的功能和形态正常的患儿。本研究一共纳入了768例0-14岁小儿正常肝脏的CT图像,其中来自青岛大学附属医院的儿童709例,来自青岛市妇女儿童医院的儿童59例。收集患儿的上腹部CT图像和性别、年龄、身高和体重信息。将患儿CT图像导入Hisense CAS系统,生成肝脏三维可视模型,同时精确计算肝脏体积。使用SPSS统计软件,分析收集对象的肝脏体积和性别的关联系数,并进行肝脏体积与年龄、身高和体重进行Pearson相关性分析,多重线性回归和幂函数回归,选择。所有的统计分析的显著性检验均为双尾检验,显著性水平α=0.05。结果:本研究一共纳入了768例0-14岁小儿正常肝脏的CT图像,通过Hisense CAS系统进行三维重建和肝脏体积测量得到的从新生儿(<1个月)到14岁的儿童的正常肝脏体积:从129.12±14.48ml(±s;男性)和141±22.76ml(女性)到1155.92±155.16ml(男性)和1004.17±98.6ml(女性)范围的正常肝脏体积数据。肝脏体积与性别的关联系数为0.101(P<0.05)。年龄、身高和体重与肝脏体积均呈显著正相关,Pearson相关系数分别为0.90(P<0.05),0.92(P<0.05)和0.95(P<0.05)。根据小儿肝脏体积的变化和肝脏体积与年龄、身高、体重和性别的相关关系分析的结果,性别、身高和体重被选作为自变量,肝脏体积作为因变量,进行多重线性回归,获得的回归公式为:体重低于20 kg,SLV=707.12×BSA1.09(SLV=标准肝体积[ml],BSA=体表面积[m~2],BSA=BW0.425×BH0.725×0.007184,BW=体重[kg],BH=身高[cm],r~2=0.84);体重高于20kg,男童:SLV=691.90×BSA1.06(r~2=0.94),女童:SLV=663.19×BSA1.04(r~2=0.94),体表面积的回归系数在t检验中具有显著性(P<0.05)。该回归公式通过59例来自青岛妇女儿童医院的肝脏正常的患儿的数据作为验证集与此前报道的标准肝体积公式进行了对比,本研究回归方程预测效果优于此前的公式。研究结论:本研究收集并分析了768例0-14岁肝脏正常的小儿的肝脏体积、年龄、性别、身高和体重,探讨了小儿(0-14岁)正常肝脏体积的变化,了解肝脏体积与年龄、性别、身高和体重的关系,并总结小儿标准肝脏体积的公式。研究目的:胃肠道上皮下病变(subepithelial lesions,SELs)是发生于胃肠道粘膜下的一类疾病,包括十数种不同组织学分类的病变。其中,胃肠道间质瘤(gastrointestinal stromal tumors,GISTs)和胃肠道平滑肌瘤(gastrointestinal leiomyomas,GILs)是最常见的SELs。所有GIST都有恶性潜能;然而,GIL被认为是良性的。目前的影像学很难有效区分GISTs和GILs。超声内镜(endoscopic ultrasonography,EUS)被认为是诊断不同种类的SELs的最准确的影像学方法,但是仍无法有效区分GISTs和GILs。我们的目的是开发一个基于超声内镜的人工智能(artificial intelligence,AI)系统,用来鉴别这两种肿瘤。研究方法:该AI系统的开发基于组织学证实的752名组织学诊断为GIST或GILs的患者的10439张EUS图像。使用深度学习技术开发该AI模型和系统。收集来自四个内镜中心的患者的资料,用以开发和回顾性评估该AI系统。该系统用于当内镜医生认为SELs是GISTs或GILs时,将病变分类为GISTs或GILs。我们开展了一项多中心前瞻性诊断试验,在试验过程中使用该AI系统,对比内镜医生独自诊断和内镜医生与人工智能系统联合诊断的诊断准确率的差异,探讨AI系统能否提高SELs的总体诊断准确率。结果:该AI系统是基于752名组织学诊断为GIST或GILs的患者的10439张EUS图像开发的。在前瞻性试验中,在508名EUS连续受试者中,132名受试者获得了明确组织学诊断(36名GIST、44名GILs和52名其他类型的SELs)。通过使用AI联合诊断,内镜医生诊断132例经组织学证实的受试者的总准确率从69.7%(95%可信区间:61.4-76.9%)提高到78.8%(95%可信区间:71-84.9%;P=0.012)。内镜医生在诊断80例组织学明确诊断的GIST或GILs的患者的准确率从73.8%(95%CI:63.1-82.2%)提高到了88.8%(95%CI:79.8-94.2%;P=0.012)。研究结论:我们开发了一个基于EUS的人工智能诊断系统,其可以通过EUS检查有效地区分GISTs和GILs,并且可以辅助内镜医生显著提高术前诊断不同类型的SELs的总体准确率。