简介：无

简介：摘要目的探讨表观扩散系数（ADC）全域直方图对鉴别腮腺多形性腺瘤和恶性肿瘤的价值。方法回顾性分析2016年11月至2018年1月于郑州大学第一附属医院经手术病理证实的41例腮腺多形性腺瘤和22例恶性肿瘤治疗前MRI平扫、DWI及ADC图像。在包含肿瘤实质的每一层ADC图像上用Mazda软件勾画感兴趣区并进行灰度全域直方图分析，对两组肿瘤直方图参数特征进行统计学分析，并应用ROC曲线评价直方图参数鉴别腮腺多形性腺瘤和恶性肿瘤的价值。结果通过灰度直方图提取出的12个参数中,最小值、最大值、均值、偏度、第10百分位数、第50百分位数、第90百分位数及第99百分位数这8个参数在两组间的差异有统计学意义（P<0.05），其余4个参数面积、峰度、变异度和第1百分位数在两组间差异无统计学意义（P>0.05）。其中，第10百分位数诊断效能最高，曲线下面积为0.834，灵敏度和特异度分别为85.4%和75.7%。灰度直方图多个参数联合进行诊断的曲线下面积为0.888，灵敏度和特异度分别为85.6%和77.3%。结论磁共振全域灰度直方图分析可作为鉴别腮腺多形性腺瘤和恶性肿瘤的重要手段，第10百分位数具有较高的诊断效能。灰度直方图多个参数联合能够进一步提高诊断效能。

简介：无

简介：摘要目的探讨邻近房室环间隔(VSAVA)不同部位室性心律失常(VA)的心电图特点及鉴别流程。方法2010年8月至2021年10月在温州医科大学附属第二医院经电生理检查与消融治疗符合邻近VSAVA起源的特发性VA患者287例纳入本研究，其中男169例，年龄(61.50±15.67)岁，年龄范围12~86岁，根据胸部X线片影像及三维标测定位分为2组：①邻近三尖瓣环间隔(VSTA)组226例，其中男132例，年龄(61.92±15.88)岁；②邻近二尖瓣环间隔(VSMA)组61例，其中男37例，年龄(59.93±15.07)岁。分析并比较两组患者心电图QRS时限的特征及变化规律。结果消融成功261例(90.94%，261/287)。分析其心电图特征，发现：①若以V1导联呈QR、Qr、qr、qR型；QS型与rS型分别作为鉴别邻近VSMA、邻近VSTA中下部与其上部起源VA的指标，其敏感性、特异性、阳性与阴性预测值分别为75.41%(46/61)、95.13%(215/226)、80.70%(46/57)、93.48%(215/230)；93.71%(179/191)、85.42%(82/96)、92.75%(179/193)、87.23%(82/94)；68.57%(24/35)、98.81%(249/252)、88.89%(24/27)、95.77%(249/260)；②若以RV2/SV2比值>5预测VA起源于邻近VSMA的敏感性、特异性、阳性和阴性预测值分别为98.36%(60/61)、92.03%(208/226)、76.92%(60/78)和99.52%(208/209)，提示RV2/SV2比值>5预测VA起源于邻近VSMA部VA的价值优于V1导联呈QR、Qr、qr、qR型。结论射频消融治疗邻近VSAVA部VA安全有效，不同部位心电图特征亦异，且有一定的变化规律。掌握这些特点对术前初步判定其起源部位，缩短手术时间，提高消融术成功率将有所裨益。

简介：摘要目的探讨基于CT影像组学列线图鉴别甲状腺滤泡性肿瘤良生与恶性的价值。方法回顾性收集2016年1月至2018年12月复旦大学附属肿瘤医院经手术病理证实的200例甲状腺滤泡性肿瘤患者的临床资料及CT图像，其中甲状腺滤泡癌（FTC）46例、甲状腺滤泡腺瘤（FTA）154例。采用随机数表法随机分为训练集（n=140）和验证集（n=60）。采用LIFEx软件提取增强CT图像的48个影像组学特征。根据最小绝对收缩和选择算子回归进行特征降维、筛选及模型建立，在此基础上绘制列线图。利用受试者操作特征曲线及曲线下面积（AUC）评估列线图预测甲状腺良性与恶性滤泡性肿瘤的效能，通过校准曲线对列线图进行内部及外部验证，最后应用决策曲线分析评估列线图的临床应用价值。结果经筛选得到4种特征用于建立预测甲状腺良性与恶性滤泡性肿瘤的列线图，分别为灰度区域矩阵（GLZLM）-区域长度不均匀性、GLZLM-低灰度区域因子、传统指数-HU单元Q3值、传统指数-HU单元平均值。列线图在训练集中区分FTC和FTA的AUC为0.863（95%CI 0.746~0.932），准确度为87.9%，灵敏度为67.9%，特异度为91.1%；验证集中AUC为0.792（95%CI 0.658~0.917），准确度为75.0%，灵敏度为66.7%，特异度为90.5%。校正曲线结果显示列线图预测值与病理结果之间具有良好的一致性，决策曲线分析表明列线图在临床上具有良好的应用价值。结论CT影像组学模型对于鉴别甲状腺良性与恶性滤泡性肿瘤具有较好的效能，基于此的列线图可准确、直观地预测甲状腺滤泡性肿瘤患者的恶性概率。

简介：警械武器对于武警高质量完成执勤任务等方面有着非常重要的作用。但是在具体使用的过程中需要确保使用过程的规范化，才能好发挥警戒武器的使用效用。文中从当前警械武器使用的规范化方面存在的问题分析入手，针对性提出了提升警械武器使用的规范化水平的相关措施。

简介：摘要目的建立基于MRI-T2WI影像组学列线图并评价其鉴别卵巢交界性上皮源性肿瘤（boderline epithelial ovarian tumors, BEOTs）及恶性上皮源性肿瘤（malignant epithelial ovarian tumors, MEOTs）的效能及临床应用价值。材料与方法回顾性分析2016年1月至2021年5月间南京医科大学附属淮安第一医院经病理证实的上皮源性卵巢肿瘤患者的临床及影像资料，共计192例，其中BEOTs 72例，MEOTs 120例，按8∶2比例随机分为训练集（n=153）及测试集（n=39），从每个患者的轴位T2WI图像中手动勾画感兴趣区并提取影像组学特征。使用Mann-Whitney U检验、相关性分析及最小绝对收缩选择算子（least absolute shrinkage and selection operator, LASSO）回归进行特征选择，并构建影像组学模型及计算影像组学评分Radscore。结合临床因素及Radscore，采用多元logistic回归模型构建影像组学列线图模型。最后通过ROC曲线、校准曲线及决策曲线分析评价列线图模型的临床应用价值。结果经特征筛选后最终保留10个影像组学特征。结合HE4和Radscore的影像组学列线图在训练集及测试集中的曲线下面积值（area under the cure, AUC)（训练集：0.947，测试集：0.914）均大于单一的影像组学模型（训练集：0.925，测试集：0.819）。ROC曲线及决策曲线分析结果显示，影像组学列线图模型更具优势。结论结合MRI-T2WI影像组学特征和临床因素的影像组学列线图模型可直观、准确地鉴别BEOTs及MEOTs，并为下一步的临床决策提供指导。

简介：摘要高超声速武器是未来临近空间武器系统的重要组成部分，为了应对高超声速目标的威胁，必须建立和发展新型的武器防御系统并构建探测/拦截体系。本文分析了高超声速武器的目标特性及其防御难点，提出了预警探测及拦截体系需求及其关键技术，对发展高超速武器防御体系具有借鉴和指导意义。

简介：摘要目的开发基于基线平扫CT的放射组学列线图模型以鉴别动静脉畸形（AVM）脑出血与原发性脑出血。方法回顾性分析苏州大学附属第一医院2017年10月至2020年9月经手术证实的脑出血患者135例，其中AVM脑出血患者52例，原发性脑出血患者83例。从基线平扫CT提取放射组学特征，计算放射组学评分（Radscore）并构建放射组学模型；结合临床特征和CT征象的多元logistic回归分析用于建立临床模型，并结合Radscore建立列线图模型。使用ROC曲线和决策曲线分析（DCA）评估模型的判别性能。结果经筛选得到的6个特征用于建立放射组学模型。临床模型由年龄（OR 4.739，95%CI 1.382~16.250）和血肿位置（OR 0.111，95%CI 0.032~0.385）构成，列线图模型由年龄、血肿位置和Radscore构成。在训练组，列线图模型（曲线下面积为0.912）与临床模型（曲线下面积为0.816）、放射组学模型（曲线下面积为0.857）比较，差异有统计学意义（Z值分别为2.776、2.034，P值分别为0.006、0.042）；在验证组，列线图模型（曲线下面积为0.919）与临床模型（曲线下面积为0.788）和放射组学模型（曲线下面积为0.810）比较差异无统计学意义（Z值分别为1.796、1.788，P值分别为0.073、0.074）。DCA分析表明，列线图模型的临床价值优于临床模型和放射组学模型。结论列线图模型可有效鉴别AVM脑出血与原发性脑出血，有助于临床决策。

简介：摘要目的探讨双层探测器光谱CT单能量图像（VMI）及电子云密度图（EDM）在肺磨玻璃结节（GGN）良性与恶性鉴别诊断中的价值。方法回顾性分析2019年7月至2020年8月南京医科大学鼓楼医学院经病理证实的65例GGN患者影像资料。65例中，良性27例、恶性38例，均于术前2周内接受双层探测器光谱CT扫描，并在后处理工作站重建出常规120 kVp混合能量图像（PI）、电子云密度图及40~80 keV虚拟单能量图。采用Mann-Whitney U检验比较良性与恶性GGN在PI、40~80 keV VMI中的CT值及电子云密度（ED）；采用独立样本t检验比较良性与恶性GGN的大小；采用χ²检验分析并比较良性与恶性GGN的CT征象，包括病灶大小、部位、形态、边缘、内部结构、邻近结构、结节类型等。采用受试者操作特征（ROC）曲线分析不同能谱定量参数对良性与恶性GGN的鉴别诊断效能。将差异有统计学意义的CT征象及各能谱定量参数采用logistic回归进行多因素分析，找出预测GGN为恶性病变的独立危险因素，然后将各独立危险因素单独或联合行ROC曲线分析。结果病灶形态、毛刺、分叶、部位、大小在肺良性与恶性GGN间差异有统计学意义（P<0.05）。良性与恶性GGN的PI、40~80 keV VMI中CT值及EDM中的ED值差异均有统计学意义（P<0.05）。PI、40~80 keV VMI中CT值及EDM中的ED值鉴别诊断良性与恶性GGN的ROC曲线下面积（AUC）分别为0.680、0.682、0.683、0.686、0.694、0.676、0.722，其中ED值的AUC最高。以GGN形态、毛刺、分叶、部位、大小、ED值及PI、40~80 keV VMI中CT值为自变量，GGN为恶性或良性为因变量进行二元logistic回归分析，结果显示ED值（OR=1.045，95%CI 1.001~1.090，P=0.044）、病灶大小（OR=1.582，95%CI 1.159~2.158，P=0.004）、毛刺征（OR=11.352，95%CI 2.379~54.172，P=0.002）均为恶性GGN的独立危险因素。对ED值、病灶大小、毛刺征单独及三者联合进行ROC曲线分析，鉴别诊断GGN良性与恶性的AUC为0.722、0.772、0.698、0.885，ED+病灶大小+毛刺征联合诊断的AUC最大，其灵敏度、特异度分别为92.1%、74.1%。结论双层探测器光谱CT平扫图像鉴别诊断肺GGN时，EDM的诊断效能高于其他VMI；当EDM联合病灶大小及毛刺征进行综合诊断时效能进一步提高。