论文部分内容阅读
目的:儿童RMPP的早期诊断是临床工作中的难点,本研究基于CT图像的AI分析技术对儿童RMPP进行定量分析,研究影像学定量指标在RMPP的诊断价值,结合临床探讨预测RMPP的相关预测因素,建立诺模图模型,为临床早期诊断及治疗提供依据。本研究分为三部分:第一部分:验证基于CT图像的AI检测技术在儿童MPP肺部病变检出的准确性,并探讨CT定量指标与临床实验室检查指标之间的相关性。第二部分:基于CT图像的AI定量分析儿童RMPP的CT定量指标特征,探讨CT定量指标对RMPP的诊断效能。第三部分:基于CT图像的AI定量分析对儿童RMPP预测模型构建研究,结合临床资料寻找早期识别RMPP患儿的预测指标,并建立RMPP患儿的早期预测模型。第一章1.资料与方法纳入延安大学附属医院确诊MPP患儿51例。将CT扫描原始数据以“Dicom”格式导入AI分析软件进行分割处理,导出病变参数包括病变体积、病变比例、病变密度、磨玻璃密度占比、病变质量。使用Pearson或Spearman相关性分析医师评价的病变范围得分与AI得到的病变比例、医师评价的病变密度得分与AI得到的病变密度、医师评价的病变总得分与AI得到的病变质量的相关性以及AI得到的病变比例、病变密度及病变质量与实验室检查的相关性。2.结果医师评价病变范围得分与病灶比例呈高度相关性（r=0.855,P＜0.01）,病变密度得分与病变平均密度呈高度相关性（r=0.743,P＜0.01）,病变严重程度得分与病变质量呈高度相关性（r=0.903,P＜0.01）。病变比例与NEU%（r=0.597,P＜0.01）、CRP（r=0.507,P＜0.01）呈中度正相关,与LYM%（r=-0.532,P＜0.01）和PAB（r=-0.590,P＜0.01）呈中度负相关;病变平均密度与CRP（r=0.319,P＜0.05）呈轻度正相关,与LYM%（r=-0.314,P＜0.05）呈轻度负相关;病变质量与NEU%（r=0.656,P＜0.01）、CRP（r=0.583,P＜0.01）呈中度正相关,LYM%（r=-0.616,P＜0.01）和PAB（r=-0.555,P＜0.01）呈中度负相关。3.小结本研究将AI定量技术与放射科医师人工评估结果进行对比,发现AI定量分析对病变范围及严重程度与医师相比具有高度相关性,与实验室检查具有轻-中度相关性,是一种客观、准确且具有可行性的自动评估办法。第二章1.资料与方法纳入延安大学附属医院、榆林市第二医院、榆林星元医院MPP患儿197例,其中GMPP患儿137例,RMPP患儿60例。RMPP的诊断标准基于大环内酯类抗生素治疗7天或更长时间后仍存在持续发热,临床表现及影像学进展。两组间比较采用独立样本T检验或Mann-Whitney U检验;计数资料两组间比较采用卡方检验。使用ROC曲线分析CT定量指标对RMPP的诊断价值。均以P＜0.05为差异有统计学意义。2.结果RMPP组患儿年龄大于GMPP组（Z=-2.373,P＜0.05）,平均住院时间长于GMPP组（Z=-8.058,P＜0.05）。共有148名患儿出现了发热的症状,RMPP组发热率高于GMPP组（X~2=12.631,P＜0.05）;两组之间咳嗽发生率差异无统计学意义（X~2=0.896,P＞0.05）。实验室检查中两组患儿白细胞之间差异无统计学意义（Z=-0.524,P＞0.05）;RMPP组患儿中性粒细胞计数及百分比（Z=-3.372,t=-5.652）、C反应蛋白（Z=-5.509）、乳酸脱氢酶（t=-3.939）水平较GMPP组患儿显著升高（P均＜0.05）;RMPP组患儿淋巴细胞计数及百分比（Z=-3.748,t=5.601）、单核细胞计数及百分比（Z=-1.019,t=-2.270）和前白蛋白（Z=-2.332）水平较GMPP组患儿降低（P均＜0.05）;两组之间性别（X~2=0.139）、呼吸道病毒混合感染率（X~2=0.090）、血小板计数（Z=-0.522）及免疫球蛋白（统计值=-1.472～1.248）等差异无统计学意义（P均＜0.05）。RMPP组患儿相较于GMPP组患儿,各CT定量指标（Z=-8.629～-5.761）之间差异均有统计学意义（P均＜0.05）。与GMPP患儿相比,Le V、Le V%、MLe D、LM在RMPP患儿中更高,GGO%在RMPP患儿中更低。Le V、Le V%、MLe D、GGO%、LM可以较好的鉴别GMPP患儿与RMPP患儿。当Le V＞22.9ml、Le V%＞5.01%、MLe D＞-296.36HU、GGO%＜0.47、LM＞20.8时,患儿分类为RMPP的曲线下面积分别为0.861、0.868、0.679、0.758、0.887。3.小结本研究采用AI定量分析技术对肺部病变客观定量得出病变体积、病变比例、病变密度、磨玻璃密度占比及病变质量,结果发现RMPP患儿肺内病变范围广、病变密度高、病变质量大,磨玻璃密度病变占比低,当全肺病变体积达到22.9ml、病变比例达到5.01%、病变密度达到-296.36HU、磨玻璃密度占比达到0.47%、病变质量达到20.8g时,可以较好的识别RMPP患儿。第三章1.资料与方法纳入对象同第二部分。其中延安大学附属医院收集MPP患儿为训练集,榆林市第二医院、榆林星元医院收集MPP患儿为验证集。两组间比较同第二章。采用多元逐步logistic回归筛选预测因素,选取的因素用来建立多变量logistic回归模型,本研究共建立三种预测模型:（1）只采用临床特征的临床模型;（2）采用CT定量指标的影像模型;（3）采用临床及CT定量的临床-影像模型,采用ROC的AUC来评价模型在训练集及验证集中的辨别能力,最后最优模型以诺模图表示,并通过训练集和验证集的判别能力和校准图来评估诺模图的准确性。通过Hosmer-Lemesshow检验及校准图对模型进行验证。采用决策曲线分析（DCA）评价诺模图的临床有效性。均以P＜0.05为差异有统计学意义。2.结果本研究共纳入197例MPP患儿,其中验证集116例,其中RMPP患儿33例,GMPP患儿83例;验证集81例,其中RMPP患儿27例,GMPP患儿54例。训练集与验证集除淋巴细胞百分比（Z=-2.080）与血小板计数（Z=-2.266）差异具有统计学意义（P均＜0.05）外,其余临床资料与CT定量指标均无明显差异（P均＞0.05）。训练集中RMPP组患儿与GMPP组患儿相比较,住院时间、发热率、中性粒细胞计数及百分比、单核细胞计数及百分比、CRP、LDH、淋巴细胞计数及百分比和前白蛋白之间差异具有统计学意义（P均＜0.05）。多因素逐步logistic回归分析结果显示,CRP、LDH、Le V%、GGO%为RMPP的独立预测因素。基于以上4项预测因素建立3种回归预测RMPP的回归模型,通过ROC曲线分析,发现临床-影像定量模型AUC最高,在训练集及验证集中分别为0.933和0.922,确认为最优模型,以诺模图表示。校准曲线显示该诺模图在训练集和验证集的预测值同实测值基本一致,Hosmer-Lemesshow拟合优度检验显示,在训练集和验证集中该模型与理想的模型差异无统计学意义。DCA曲线显示,当诺模图模型的预测概率阈值在0.00-0.85时,诺模图的临床收益率均大于“全干预”和“不干预”方案,提示该模型具有良好的临床适用性。3.小结本研究开发并验证了一种影像学定量指标联合实验室检查指标预测儿童RMPP的诺模图,模型内纳入了C反应蛋白、乳酸脱氢酶、病变比例,磨玻璃密度占比4个儿童RMPP预测因素。该模型显示出良好的准确性和区分度,提示它可以帮助临床医生更早的识别儿童RMPP,从而尽早干预治疗。全文结论1)将AI定量分析结果与放射科医师人工评估结果进行对比,发现AI定量分析对病变范围及严重程度与医师相比具有高度相关性,与实验室检查具有轻-中度相关性,是一种客观、准确且具有可行性的自动评估办法。2)使用AI定量分析技术量化肺内病变体积、病变比例、病变密度、磨玻璃密度占比及病变质量,结果发现RMPP患儿肺内病变范围广、病变密度高、病变质量大,磨玻璃密度病变占比低,当全肺病变体积达到22.9ml、病变比例达到5.01%、病变密度达到-296.36HU、磨玻璃密度占比达到0.47%以下、病变质量达到20.8g时,可以较好的识别儿童RMPP。3)开发并验证了一种影像学定量指标联合实验室检查指标预测儿童RMPP的诺模图模型,模型内纳入C反应蛋白、乳酸脱氢酶、病变比例、磨玻璃密度占比4个儿童RMPP的预测因素。该模型显示出了良好的准确度及区分度,有利于临床早期识别和诊断儿童RMPP,从而尽早进行治疗干预。