简介:摘要目的探讨绝经后老年女性子宫内膜良恶性病变的超声特征。方法选取2019年1月至2021年11月在首都医科大学附属北京天坛医院行经阴道超声检查的子宫内膜病变患者,以患者手术后的病理诊断为金标准,根据手术病理结果将内膜病变分为良性病变组(包括子宫内膜增生及子宫内膜息肉)及恶性病变组(子宫内膜癌),比较良性组与恶性组子宫内膜厚度、多普勒血流参数,以及良性组与恶性组回声均匀性、是否合并囊性结构、子宫内膜-肌层交界完整性、血流评分及供血血管的差异,并根据上述超声特征建立预测模型。结果共有136例患者在我院手术并有明确的病理结果,其中良性病变组72例,恶性病变组64例。恶性病变组收缩期峰值流速(PSV)、舒张末期流速(EDV)高于良性病变组[(28.75±14.66)cm/s比(22.94±13.62)cm/s、(14.75±8.10)cm/s比(11.56±6.21)cm/s],恶性病变组病变厚径显著大于良性病变组[(19.31±8.97)mm比(10.14±4.31)mm],血流阻力指数低于良性病变组(14.75±8.10比11.56±6.21),差异均有统计学意义(t=2.393、2.597、7.452、2.028,均P<0.05)。根据上述超声特征建立预测模型,超声医师诊断内膜良恶性病变的ROC曲线下面积为0.905(P<0.001),该预测模型具有较高的诊断价值。结论绝经后老年女性子宫内膜良性病变及恶性病变均有不同的超声特征,恶性病变倾向于更厚的病变厚度、子宫内膜-肌层交界中断或不规则、血流信号评分更高及多支供血血管的血供模式,超声预测模型在诊断良恶性内膜病变中具有较高的诊断价值。
简介:摘要目的探讨超声造影在子宫内膜恶性病变诊断中的价值。方法选取2019年1月至2021年9月于首都医科大学附属北京天坛医院行超声造影检查的子宫内膜病变患者142例,以术后病理为金标准,将患者分为良性组(包括子宫内膜增生及子宫内膜息肉)和恶性组(子宫内膜癌),比较良性组与恶性组造影增强模式的差异。以早增强或同步增强或早达峰为诊断子宫内膜恶性病变的指标,计算超声造影诊断子宫内膜恶性病变及病变厚度≥10 mm子宫内膜恶性病变的敏感性、特异性、总符合率并计算Kappa值。结果共有108例患者进行了手术且有明确的病理结果,其中良性组66例,恶性组42例。恶性组病变厚度大于良性组,差异有统计学意义(t=4.039,P<0.05),但两组病变血流动力学参数差异无统计学意义(P>0.05)。恶性组超声造影开始增强时间、达峰时间、峰值强度与良性组差异有统计学意义(均P<0.05)。超声造影诊断子宫内膜恶性病变的敏感性为64.3%,特异性为100%,Kappa值为0.688。超声造影诊断病变厚度≥10 mm子宫内膜恶性病变的敏感性为75.0%,特异性为100%,Kappa值为0.795。结论对于子宫内膜恶性病变,尤其是厚度≥10 mm子宫内膜恶性病变的诊断中,超声造影具有较高的诊断符合率,早增强或同步增强或早达峰为子宫内膜恶性病变较为特异的超声造影表现。
简介:摘要:随着新兴技术的发展,电业信息采集系统的功能更加完善,能够精准对终端用户信息进行实时的采集。但是发展不是一成不变的,电力行业需要用发展和变化的眼光不断优化电力计量的准确性。电力信息采集系统的应用,它能及时了解用户的用电信息、实时采集用户的用电数据,采用远程自动抄表技术,提升电力用户的体验,优化企业服务体系。
简介:摘要目的探讨不同级别医师及国际卵巢肿瘤分析小组(International Ovarian Tumor Analysis,IOTA)简易原则对判断卵巢肿瘤良恶性的价值。方法回顾性分析2017年1月至2020年11月首都医科大学附属北京天坛医院182例卵巢肿瘤患者的超声图像,分别由两名高年资医师及两名低年资医师在不知病理诊断情况下对卵巢肿瘤进行诊断,另一名经过IOTA术语及简易原则培训的低年资医师应用IOTA简易原则对182例卵巢肿瘤进行诊断。以患者手术后的病理诊断为金标准,分别计算高年资医师、低年资医师及IOTA简易原则(包括将不确定型肿瘤归为恶性肿瘤及排除不确定型肿瘤两种统计方法)诊断卵巢肿瘤的敏感性、特异性、阳性预测值、阴性预测值,并计算不同级别医师及IOTA简易原则与病理诊断之间的一致性,即Kappa值。结果182例卵巢肿瘤病理诊断为良性61例,病理诊断为恶性121例。高年资医生诊断敏感性93.4% ,特异性99.2%,总符合率97.2%,Kappa值0.938。低年资医生诊断敏感性80.3% ,特异性90.0%,总符合率86.8%,Kappa值0.704。当不确定型肿瘤归类为恶性时,IOTA简易原则诊断敏感性95.0%,特异性73.5%,总符合率80.7%,Kappa值0.614。当不确定型肿瘤不纳入统计时,IOTA简易原则诊断敏感性94.2%,特异性90.9%,总符合率92.0%,Kappa值0.834。结论IOTA简易原则是低年资医师判断卵巢肿瘤良恶性非常有用的诊断工具,当IOTA简易原则判断为不确定的病例时,建议转诊至有经验的高年资医师进行诊断。
简介:摘要目的探讨脑胶质母细胞瘤超声造影声像图特性与异柠檬酸脱氢酶1(isocitrate dehydrogenase-1,IDH1)基因表达之间的关系。方法回顾性分析2018年5月至2019年4月北京天坛医院30例神经外科胶质母细胞瘤患者术中肿瘤超声造影资料,观察其声像图特征(肿瘤是否累及胼胝体结构,超声造影增强后肿瘤边界清晰程度以及肿瘤超声造影强化后有无坏死区域)。测量肿瘤无强化区域面积与肿瘤强化区域边缘面积(即肿瘤坏死区域/整体肿瘤区域,tumor necrosis area/whole body area,N/W area)之间的比值,分析与IDH1基因表达水平(弱阳性、中等阳性、强阳性)的相关性。结果超声造影后IDH1阳性与阴性组间肿瘤边界清晰程度、超声造影后肿瘤坏死差异有统计学意义(均P<0.05)。IDH1表达水平与超声造影增强模式N/W area指标间呈负相关(r=-0.756,P<0.05),提示IDH1基因表达水平与肿瘤坏死区域呈负相关。结论超声造影可以准确区分胶质母细胞瘤活跃增殖区域及出血坏死区。通过超声造影准确识别肿瘤坏死区域范围有助于预测IDH1基因表达及基因表达水平。
简介:摘要目的应用速度向量成像(velocity vector imaging,VVI)技术评价颈动脉硬化斑块力学参数,探讨力学参数与斑块内组织成分的相关性。方法选取2019年4-12月北京天坛医院拟行颈动脉内膜剥脱术(carotid endarterectomy,CEA)的患者53例,术前行VVI检查,将斑块于长轴方向自近心端向远心端均分为5部分,分别命名为R1、R2、R3、R4、R5,测量各节段斑块的力学参数(纵向应变、应变率),术后获得49例斑块,将大体标本与术前图像对应均分为5段,进行HE染色和CD68免疫组化分析。根据既往研究中不稳定斑块的病理诊断标准,将斑块分为不稳定组和稳定组,应用Image-Pro Plus 6.0图像分析软件计数斑块内巨噬细胞数量、脂质核心比例及CD68阳性反应区平均光密度。结果49例斑块中,33例为不稳定组,16例为稳定组。两组斑块的纵向应变及应变率(均数±标准差)为R1>R2>R5>R4>R3,巨噬细胞数量、平均光密度、脂质核心比例为R2>R3>R1>R4>R5,差异有统计学意义(均P<0.05),以上指标进行组间比较显示不稳定组大于稳定组,但差异无统计学意义(P>0.05)。斑块R1~R5段纵向应变与相应节段斑块内巨噬细胞数量、平均光密度、脂质核心含量之间呈正相关(r=0.300、0.255、0.394,P<0.05),应变率与相应节段斑块巨噬细胞数量、脂质核心含量之间呈正相关(r=0.199、0.214,P<0.05)。斑块上游R1~R2段相关系数r值较前增大(应变:r=0.480、0.418、0.582;应变率:r=0.292、0.319,P<0.05)。结论斑块各节段纵向应变及应变率与斑块内巨噬细胞、脂质核心含量之间呈正相关,斑块上游相关性更为显著,进而间接反映斑块长轴力学参数在判断斑块稳定性中具有一定价值。
简介:摘要目的观察颈动脉蹼的超声及计算机断层血管成像(computed tomography angiography,CTA)特征,与颈动脉内膜剥脱术后病理进行对照,比较两种检查方法的诊断效能。方法选择2018年6月至2019年7月于首都医科大学附属北京天坛医院拟行颈动脉内膜剥脱术的患者159例,术前行超声检查、主动脉弓上CTA,明确有无颈动脉蹼以及是否合并血栓或动脉粥样硬化斑块。超声检查记录颈动脉蹼的位置、长度、厚度、伸入管腔的方向、回声、有无合并斑块或血栓等,与术前CTA检查结果对比。术后大体标本观察,行组织病理学检查。结果159例颈动脉内膜剥脱术患者中22例经病理证实有颈动脉蹼结构,HE染色为广泛的内膜肌纤维增生及黏液样变性,其中18例颈动脉蹼底部合并斑块形成,4例合并血栓形成。术前超声诊断术侧存在颈动脉蹼结构17例,5例误诊及漏诊,超声诊断颈动脉蹼的敏感性为77%(17/22),特异性为98%(135/137),准确性为75%。术前CTA诊断术侧颈动脉蹼11例,11例误诊及漏诊,CTA诊断颈动脉蹼的敏感性为50%(11/22),特异性为97%(134/137),准确性为47%。结论超声诊断颈动脉蹼的敏感性及准确性高于CTA,能更好地显示颈动脉蹼结构及是否合并斑块或血栓形成。
简介:摘要目的探讨采用基于卷积神经网络(CNN)构建的人工智能辅助诊断模型对乳腺肿块四分类进行超声鉴别诊断的应用价值。方法利用CNN构建辅助诊断模型,收集2016年1月至2018年1月首都医科大学附属北京天坛医院的2 098例乳腺肿块患者(其中良性肿瘤1 132例,恶性肿瘤779例,炎症32例,腺病155例)的10 490张超声图像,将其分为训练集和测试集,对人工智能辅助诊断模型进行训练及测试。并将分别使用二维成像(two-dimensional imaging,2D)和二维彩色多普勒成像(two dimensional color Doppler flow imaging,2D-CDFI)的两组数据训练模型进行比较。分析乳腺良性肿瘤、恶性肿瘤、炎症、腺病患者的ROC曲线,计算ROC曲线下面积(AUC)。结果使用2D-CDFI数据训练的模型比使用2D数据训练的模型对良性肿瘤和炎症的训练集和验证集的准确性有显著提高。①对于良性肿瘤的诊断,使用2D图片训练集的敏感性92%,特异性95%,AUC 0.93;使用2D-CDFI图片训练集的敏感性93%,特异性95%,AUC 0.93;使用2D图片测试集的敏感性91%,特异性96%,AUC 0.94;使用2D-CDFI图片测试集的敏感性93%,特异性94%,AUC 0.94。②对于恶性肿瘤的诊断,使用2D图片训练集的敏感性93%,特异性97%,AUC 0.94;使用2D-CDFI图片训练集的敏感性93%,特异性96%,AUC 0.94;使用2D图片测试集的敏感性93%,特异性96%,AUC 0.94;使用2D-CDFI图片测试集的敏感性93%,特异性96%,AUC 0.94。③对于炎症的诊断,使用2D图片训练集的敏感性81%,特异性99%,AUC 0.91;使用2D-CDFI图片训练集的敏感性86%,特异性99%,AUC 0.89;使用2D图片测试集的敏感性100%,特异性98%,AUC 0.98;使用2D-CDFI图片测试集的敏感性100%,特异性99%,AUC 0.96。④对于腺病的诊断,使用2D图片训练集的敏感性88%,特异性97%,AUC 0.94;使用2D-CDFI图片训练集的敏感性93%,特异性98%,AUC 0.94;使用2D图片测试集的敏感性94%,特异性98%,AUC 0.93;使用2D-CDFI图片测试集的敏感性88%,特异性99%,AUC 0.90。即使肿瘤的最大径<1 cm,也不影响准确性。结论基于CNN构建的人工智能深度学习可以对乳腺肿块进行更细致的分类,提高诊断率,对乳腺肿瘤患者的治疗具有较好的指导作用。