简介:摘要目的探讨使用U-Net深度学习网络对MRI表观扩散系数(ADC)图像中前列腺癌(PCa)自动分割及定位的可行性。方法回顾性搜集2017年6月1日至2019年3月31日北京大学第一医院因临床怀疑PCa拟行前列腺穿刺的男性患者的临床和影像资料。共纳入245例患者,根据病理结果将所有患者分为PCa组(n=184)与非PCa组(n=61),并随机分为训练集(PCa 129例,非PCa 19例)、验证集(PCa 18例,非PCa 3例)和测试集(PCa 37例,非PCa 39例)。由1名放射科医师依据病理结果在ADC图上勾画PCa癌灶,并通过前列腺腺体分割模型将测试集前列腺腺体自动划分6分区。经过前列腺腺体自动分割等预处理后,采用U-Net深度学习网络进行PCa分割模型的训练。以医师标记结果为金标准,用Dice相似系数(DSC)评价AI模型对测试集PCa癌灶的分割效果。并分别以患者及病灶为单位评价模型对PCa的检出效能,以6分区法评价模型对癌灶自动定位的准确性。结果测试集中,医师标注癌灶51个,最大径线为(1.9±0.7)cm,6分法癌灶分区456个(PCa区122个、非PCa区334个)。以病灶为单位,AI模型对测试集PCa的分割DSC为(70.2±21.7)%,检出癌灶的灵敏度94.1%(48/51)。以患者为单位,AI模型检出PCa患者灵敏度为97.3%(36/37),特异度为66.7%(26/39),准确度为81.6%(62/76)。AI模型对PCa癌灶定位分区的准确度为90.8%(414/456),对癌区检出的灵敏度为95.1%(116/122),特异度为89.2%(298/334)。结论U-Net深度学习模型对MRI ADC图像中PCa的检出具有较高的灵敏度,对PCa 6分区定位具有较高的准确度,预测结果可自动填写入结构化报告,进一步提高了临床工作效率。
简介:摘要目的探讨肺肠型腺癌(pulmonary enteric adenocarcinoma,PEAC)的临床病理学及分子学特征。方法收集2015至2019年郑州大学附属肿瘤医院确诊的PEAC19例,复查相关临床及病理资料,同时采用免疫组织化学(IHC)法检测相关免疫表型,扩增阻滞突变系统(ARMS)法和荧光原位杂交(FISH)法检测表皮生长因子受体(EGFR)、KRAS、间变性淋巴瘤激酶(ALK)基因的表达情况,随访患者,复习相关文献并总结分析。结果19例患者中男性10例,女性9例,平均年龄58岁(33~71岁)。镜下见肿瘤组织呈中到高分化的腺样和/或乳头样生长方式,肿瘤细胞呈高柱状,有时假复层排列。部分腺腔内可见炎性坏死和散在的碎裂核。IHC显示该组病例不同程度表达细胞角蛋白(CK)7(19/19)、甲状腺转录因子1(TTF1,8/19)、Napsin A(6/19)、Villin(17/19)、CK20(16/19)和CDX2(10/19)。基因检测发现9例(9/19)KRAS基因突变,1例(1/19)EGFR基因突变,1例(1/19)ALK基因断裂信号阳性。检索国内外有关PEAC的文献报道并总结发现KRAS在PEAC中的突变率远远高于EGFR及ALK的突变率。19例病例均行手术切除,11例术后行化疗或放化疗。结论PEAC是肺腺癌的一种少见变异类型,与结直肠腺癌有相似的组织细胞学形态。但是详细病史、组织学异质性、CK7+/Villin+的免疫组合以及KRAS基因突变率高是诊断的要点。预后有待于长期随访及大数据统计。