目的 探讨60 kVp超低管电压联合人工智能迭代重建（AIIR）在头颈动脉CT血管成像（CTA）中的可行性。方法 前瞻性纳入120例行头颈动脉CTA检查的病人，随机分为4组（每组30例）：A组[100 kVp、40 mL对比剂、混合迭代重建（HIR）]、B组（80 kVp、40 mL对比剂、HIR）、C组（60 kVp、40 mL对比剂、AIIR 3、4级重建，分为C3、C4组）和D组（60 kVp、20 mL对比剂、AIIR 3、4级重建，分为D3、D4组）。比较各组主观影像质量评分（5分法）、客观参数[噪声、信噪比（SNR）、对比噪声比（CNR）]及辐射剂量[CT剂量指数（CTDIvol）、剂量长度乘积（DLP）、有效剂量（ED）]。以数字减影血管造影（DSA）为金标准评估诊断准确性。采用单因素方差分析或Kruskal-Wallis检验比较计量资料，卡方检验比较计数资料。采用Cohen’ s Kappa检验评估一致性。结果 4组病人的基线数据均衡（均P>0.05）。各组主观影像质量评分均≥3分，组间差异无统计学意义（均P>0.05），阅片者间一致性良好（均κ≥0.675）。与A组相比，C3、C4、D3和D4组噪声均显著降低（均P<0.05），SNR和CNR均显著升高（均P<0.05），而A、B组间差异无统计学意义（P>0.05）。低剂量各组的平均CT值与A组的相当或显著增高。4组中有13例进行了DSA检查，其结果对照显示各组CTA的诊断准确度均为100%。与A组相比，B、C、D组的辐射剂量分别降低了44.7%、77.3%和77.3%。结论 60 kVp联合AIIR的头颈动脉CTA方案可在辐射剂量降低77%、对比剂减少50%的条件下维持诊断级影像质量。
目的 探讨超低管电压（60 kVp）联合人工智能迭代重建（AIIR，联影uExceed R001）在上肢动静脉内瘘CT血管成像中的应用及其价值。方法 前瞻性纳入行上肢动静脉内瘘CTA检查的慢性肾功能衰竭病人90例并采用随机数字表法分为常规剂量组（100 kVp，1.0 mL/kg对比剂，混合迭代重建；45例）和超低剂量组（60 kVp，0.5 mL/kg对比剂，AIIR；45例）。由2名高年资影像医师采用4分制独立评估影像主观质量及内瘘瘘口狭窄诊断信心，Cohen’s Kappa用于评价一致性。2名医师对锁骨下动脉、肱动脉及桡动脉层面的平均CT值及信噪比（SNR）、对比噪声比（CNR）进行了定量分析。比较2组的辐射剂量和对比剂用量。2组间比较采用独立样本t检验、Mann-Whitney U检验或卡方检验。结果 2组病人的年龄、性别、体质量和体质量指数（BMI）差异无统计学意义（P>0.05）。影像质量及瘘口诊断信心评分均≥3分，满足临床诊断需求，且观察者间一致性良好（Kappa>0.72）。定量分析显示，超低剂量组在锁骨下动脉、肱动脉及桡动脉的SNR和CNR均显著优于常规剂量组（均P<0.001）。超低剂量组的有效辐射剂量显著低于常规剂量组（1.28 mSv∶6.50 mSv，P<0.001），降低约80%。对比剂用量由61.00 mL降至28.50 mL（降低53%），碘用量由21.35 g降至11.40 g（降低47%）。结论 超低剂量联合 AIIR在上肢动静脉内瘘 CTA 中可显著降低辐射剂量与对比剂用量，保持或改善影像质量与瘘口诊断信心，初步显示了潜在的临床应用价值，尤其适用于透析病人的高频次随访。
目的 探讨60 kVp结合心脏深度学习重建算法（CardioBoost）用于小儿先天性心脏病（CHD）CT血管成像（CTA）的可行性。方法 前瞻性纳入临床确诊为CHD且术前拟行心脏CTA检查的患儿160例，中位年龄8个月。将患儿随机分为常规剂量组和低剂量组（每组80例）。常规剂量组采用混合迭代重建（HIR）获得A组影像（80 kVp、400 mA、HIR），低剂量组分别采用HIR和CardioBoost重建获得B1组影像（60 kVp、240 mA、HIR）和B2组影像（60 kVp、240 mA、CardioBoost重建）。比较常规剂量组和低剂量组的辐射剂量[CT剂量指数（CTDIvol）、剂量长度乘积（DLP）、有效剂量（ED）和体型特异性剂量估算值（SSDE）]，并比较A、B1、B2三组影像的主观影像质量评分（5分法）和各心腔与大血管的客观影像质量参数[噪声、信噪比（SNR）、对比噪声比（CNR）]。以手术结果为金标准评估诊断准确性。采用Mann-Whitney U检验及Kruskal-Wallis检验比较计量资料，卡方检验比较计数资料。采用Kappa检验评估2名阅片者间的一致性。结果 低剂量组ED较常规剂量组降低了81.3%（P<0.05）。2名阅片者对3组影像主观评分的一致性均良好（均κ≥0.78）。A、B1、B2组影像的主观影像质量评分均≥3分。B2组的主观评分高于B1组（P<0.05），与A组主观评分差异无统计学意义（P>0.05）。B2组较B1组噪声降低，SNR及CNR升高（均P<0.05），各项客观评价指标与A组相当或表现更优。B2组对心内畸形诊断准确率高于B1组（P<0.05），与A组诊断准确率差异无统计学意义（P>0.05）。结论 小儿CHD CTA采用60 kVp结合CardioBoost算法可显著降低辐射剂量，同时可获得与常规剂量相当的影像质量。
目的 探讨基于动态对比增强MRI（DCE-MRI）药代动力学参数模型区分食管鳞状细胞癌（ESCC）肿瘤组织与头侧癌旁组织（PTD）微血管异质性的可行性。方法 前瞻性纳入2家医疗中心的154例经病理证实的ESCC病人。将A中心的128例病人按8∶2的比例随机分为训练集（102例）和内部验证集（26例），B中心的病人作为外部验证集（26例）。训练集用于筛选反映微血管异质性的参数并建立Logistic回归模型，验证集用于验证模型的诊断效能。采用联影医疗的医学影像处理软件在肿瘤组织及PTD中勾画感兴趣区（ROI），并对剔除与不剔除坏死囊变区的ROI勾画结果进行敏感性分析以评估模型结果稳健性。计算血流速率常数（kep）、容积转移常数（Ktrans）和血管外细胞外间隙容积分数（ve）的均数、标准差及变异系数。采用Wilcoxon符号秩检验比较肿瘤组织与PTD间药代动力学参数的差异，并将差异有统计学意义的参数纳入多因素Logistic回归分析。采用受试者操作特征（ROC）曲线评价单一参数及多变量模型的区分效能，并计算其曲线下面积（AUC）。采用DeLong检验比较AUC值差异，计算净重新分类指数（NRI）和综合判别改善指数（IDI）来评估模型的重分类能力。结果 训练集中肿瘤组织与PTD间kep均数、kep标准差、Ktrans均数、ve均数及ve变异系数的差异有统计学意义（均P<0.05）。多因素Logistic回归分析显示，kep均数与ve变异系数在区分肿瘤组织及PTD时具有统计学意义（均P<0.05），基于上述两参数构建Logistic回归多变量模型。在训练集、内外部验证集中，多变量模型的AUC值分别为0.835、0.846、0.818，DeLong检验显示，多变量模型的AUC值均高于kep均数（均P<0.05），而多变量模型与ve变异系数的AUC值差异均无统计学意义（均P>0.05）。多变量模型AUC优于kep，与ve变异系数相当，但NRI和IDI显示多变量模型具有更好的重分类能力（均P<0.05）。敏感性分析结果显示，ROI剔除或不剔除坏死囊变区域，模型的判别效能及参数效应方向的结果均一致。结论 基于ve变异系数与kep均数构建的多变量模型在区分ESCC肿瘤组织与PTD方面具有良好效能。
目的 探讨基于增强CT的瘤内瘤周生境影像组学模型在术前预测肝细胞癌（HCC）微血管浸润（MVI）中的价值。方法 回顾性收集158例经病理证实为HCC且明确MVI状态的病人，分析其临床资料及上腹部增强扫描动脉期、门静脉期CT影像特征。将病人按7∶3比例随机分为训练集（110例）和测试集（48例）。基于瘤内、瘤内瘤周及瘤内瘤周生境亚区域分别提取影像组学特征，采用最小绝对收缩和选择算子（LASSO）算法筛选出最优特征，并对临床资料进行单因素、多因素logistic回归分析筛选出预测MVI的独立危险因素，模型的建立均采用支持向量机（SVM）机器学习算法。利用训练集数据建立4个模型，包括瘤内影像组学模型、瘤内瘤周影像组学模型、瘤内瘤周生境影像组学模型、临床模型，并在测试集上利用受试者操作特征曲线（ROC）、曲线下面积（AUC）和净重新分类指数（NRI）来评价模型的预测效能，利用校准曲线和决策曲线分析（DCA）来评价模型的校准度和临床净获益。结果 构建的4个模型中瘤内瘤周生境影像组学模型预测效能最佳，训练集的ROC曲线下面积（AUC）为0.893、测试集为0.831，且与瘤内影像组学模型、瘤内瘤周影像组学模型以及临床模型相比均具有正向改善力（NRI>0）。校准曲线显示瘤内瘤周生境影像组学模型预测结果与真实结果之间有较好的一致性，且与临床模型、瘤内影像组学模型以及瘤内瘤周影像组学模型相比有更多的临床净获益。结论 基于增强CT的瘤内瘤周生境影像组学模型在预测HCC病人MVI方面表现出优异的效能，具有无创性术前预测MVI的潜力，可以为临床制定个体化治疗方案提供依据。
目的 探讨创伤性脑损伤（TBI）病人不同颅骨骨折部位与颅内出血发生及其复杂程度的相关性，并构建基于首次头颅CT的颅内出血风险预测模型。方法 回顾性收集来自5家三甲医院的TBI病人4 700例。根据首次CT结果将病人分为无颅内出血组（1 602例）、单一颅内出血组（1 011例）和多发颅内出血组（2 087例）。记录病人的年龄、性别、头皮血肿、中线移位、脑疝、各颅骨骨折部位以及颅内出血类型。计量资料的多组间比较采用单因素方差分析，计数资料的组间比较采用卡方检验。采用单因素分析评估不同颅骨骨折部位与各类型颅内出血的关联，采用多因素Logistic回归筛选颅骨骨折部位预测颅内出血发生及复杂程度的独立风险因素，据此构建有无颅内出血及出血复杂程度预测模型，并通过受试者操作特征（ROC）曲线下面积（AUC）、校准曲线及决策曲线分析（DCA）评价模型效能。结果 3组病人在年龄、性别、头皮血肿、中线移位、脑疝及各颅骨骨折部位分布方面均有差异（均P<0.05）。脑颅骨骨折为颅内出血的独立危险因素，其中蝶骨（OR=8.35）、颞骨（OR=6.93）关联强度较高；在预测有无颅内出血的模型中，纳入临床信息及各颅骨骨折部位后，模型AUC达到0.895（95%CI：0.89~0.90），校准良好，DCA提示在0.10~0.60的阈值概率范围内具有较高净获益。多发颅内出血预测模型的AUC为0.689（95%CI：0.67~0.71），校准尚可，在部分阈值概率范围内仍具有一定的临床应用价值。此外，硬膜外血肿（EDH）与颞骨骨折、蝶骨骨折及高危复合骨折均显著相关（均P<0.05）。结论 TBI病人颅骨骨折部位与颅内出血的发生及其复杂程度密切相关，基于颅骨骨折部位及相关临床信息构建的颅内出血风险预测模型具有较好的判别能力和临床决策价值，可为急诊TBI病人的早期风险分层提供参考。
目的 探讨双能CT（DECT）多定量参数对胃肠道间质瘤（GIST）危险度分级的预测价值。方法 回顾性收集36例经手术病理证实的GIST病人，平均年龄（62.2±10.8）岁。根据有丝分裂核分裂象计数将病人分为高危组（15例）和低危组（21例）。评估病人临床特征，并测量DECT多定量参数，包括静脉期融合影像的碘浓度（IC）、标准化碘浓度（NIC）、脂肪分数（FF）、电子密度（Rho）、有效原子序数（Zeff）及双能量指数（DEI）。采用卡方检验或t检验比较2组间各参数的差异。采用单因素及多因素Logistic回归分析筛选高危险GIST的独立预测因素，并构建整合多因素的Logistic回归联合模型。采用受试者操作特征（ROC）曲线评估模型预测效能，并计算其曲线下面积（AUC）。使用DeLong检验比较各模型间AUC值差异。通过校准曲线和决策曲线分析（DCA）评估模型的校准度和临床实用性。结果 单因素Logistic回归分析显示，肿瘤位置、不均匀强化、坏死/囊变、最大径、静脉期IC及NIC是高危险GIST的预测因素（均P<0.05）。多因素Logistic回归分析显示，肿瘤最大径[优势比（OR）=1.59，P=0.012]及NIC（OR=1.08，P=0.014）是高危险GIST的独立预测因素。基于2种独立预测因素构建的联合模型AUC值达0.95，敏感度为93.8%，特异度为85.0%，其预测效能高于各单一因素的预测效能（均P<0.05）。校准曲线显示预测概率与实际观察值一致性良好。DCA显示，在阈值概率0.05~0.73范围内，联合模型能获得更高净获益。结论 DECT多定量参数能够在术前无创性预测GIST的危险程度，为临床治疗决策提供参考。
胶质母细胞瘤（GBM）和单发脑转移瘤（SBM）的常规影像表现相似，但临床治疗方案差异显著，两者的精准鉴别对于后续诊疗至关重要。深度学习是机器学习的一个分支，采用深度学习算法可以优化影像分析流程中的多个关键环节，包括提升感兴趣区分割效率、精准提取影像特征以及构建高效融合模型等，从而为GBM和SBM的鉴别提供新的解决方案。相比传统的影像组学和机器学习方法，深度学习是一种更强大有效的方法。本综述系统阐述了深度学习在GBM与SBM鉴别诊断中的应用现状、技术进展及面临挑战。
缺血性卒中后病人功能恢复存在明显个体差异，传统临床指标难以充分解释这种异质性。随着人工智能技术发展，基于神经影像的脑结构损伤、脑衰弱与脑龄等指标，为评估大脑健康储备及预后提供了新方向。本综述系统阐述了脑结构损伤、脑衰弱与脑龄的定义、评估方法及临床意义，并分析其相互关系。深入理解三者关系，有助于更精准解析卒中后功能恢复的个体差异，对于构建多维度预后预测体系、推动卒中精准医疗具有重要作用。
晚期非小细胞肺癌（NSCLC）病人对于免疫治疗反应存在较大差异，通过生物标志物或直接预测疗效对于筛选受益人群具有重要意义。本文就AI模型在晚期NSCLC免疫治疗生物标志物预测、非传统生物标志物构建及免疫治疗疗效预测等方面的研究进展、面临的挑战和未来研究方向进行阐述和分析。
基于CT的影像组学能够从影像中提取高通量定量特征，为肺癌管理提供了一种无创性、可重复的决策支持工具。在预后预测方面，影像组学可用于评估病人的生存期、远处转移风险及淋巴结转移状态，从而辅助进行风险分层。在疗效评估方面，该技术能够早期预测病人对传统放化疗、免疫治疗及靶向治疗的反应，识别潜在获益人群。通过整合影像组学特征与临床病理信息，有望制定更精准的个体化治疗策略。本文对影像组学在肺癌预后预测与疗效评估中的最新研究进展进行综述。
胰腺导管腺癌（PDAC）局部侵犯与远处转移的准确预测对治疗决策及预后至关重要。影像组学通过高通量提取医学影像中的定量特征，结合机器学习算法可深入挖掘PDAC肿瘤异质性信息，为术前无创评估肿瘤侵犯转移提供了新途径。基于机器学习的影像组学已应用于PDAC血管侵犯、神经侵犯、淋巴结转移及肝转移的预测，其效能多优于传统影像评估方法，能够辅助临床制定个性化治疗策略。就基于机器学习的影像组学在预测PDAC局部侵犯与远处转移中的研究进展及面临的挑战进行综述。
子宫内膜癌（EC）分型已从传统的病理双分型模式，发展为包含DNA聚合酶ε（POLE）突变型、微卫星不稳定（MSI）型、p53突变型和非特异分子谱（NSMP）型4个亚型的分子分型系统，并被纳入最新版国际妇产科联合会（FIGO）分期标准。MRI作为EC术前评估的首选影像学方法，其功能成像、影像组学与深度学习技术在无创预测EC分子分型方面展现出巨大的应用潜力。本文就MRI技术在EC分子分型中的应用与研究进展进行综述，以期为精准医疗提供参考。
定量MRI相比常规影像检查能够发现早期青少年特发性关节炎（JIA）病人滑膜、软骨及骨质受累情况，并能进一步探究其病理生理过程。目前的定量MRI技术包括动态对比增强（DCE）-MRI、扩散加权成像（DWI）、T2 mapping、T1ρ mapping等多种数据采集方式，能够为JIA的早期诊断、治疗方案的制定及治疗效果评估提供初步依据。本文就定量MRI在JIA中的应用进展进行综述。
骨质疏松性椎体骨折（OVF）具有高发病率、高致残率的特点，基于机器学习（ML）的影像组学研究已聚焦对该病的全流程管理。本文阐述了ML在OVF预测与风险评估、诊断与分类分级、预后与疗效评价三大关键环节的研究现状，重点关注了利用ML预测OVF、区分急慢性OVF以及OVF再骨折等临床核心难题中的最新研究进展，旨在为推动ML技术更精准、有效地融入OVF的临床诊疗路径提供参考。
目的 分析儿童前纵隔T淋巴母细胞淋巴瘤/急性淋巴细胞白血病（T-LBL/ALL）CT及MRI表现。方法 回顾性收集经病理证实为前纵隔T-LBL/ALL的 23例患儿临床资料。患儿均于化疗前行平扫及增强CT检查，其中4例同时进行平扫及增强MRI检查。采用独立样本t检验及Fisher确切概率检验比较T-LBL和T-ALL的CT表现，并分析所有患儿CT表现及4例T-LBL/ALL的MRI表现。结果 23例肿瘤均呈团块状（100%），体积较大。其中，22例（95.7%）边界清晰，7例（30.4%）密度均匀呈实性，16例（69.6%）呈囊实性，增强后23例肿瘤实性区域均呈轻-中度渐进性强化伴小血管穿行。多数患儿影像占位效应明显，大多存在纵隔大血管受压（20例，87.0%）、气道受压（19例，82.6%），可出现心包、胸腔积液（20例，87.0%）、胸膜增厚（13例，56.5%），少量病人出现静脉血栓（1例，4.3%）和肾脏转移（8例34.8%）。T-LBL较T-ALL更容易发生囊变坏死（P=0.027）。结论 儿童前纵隔T-LBL/ALL CT及MRI影像表现上具有一定特征性，影像随访可有效评估治疗效果及并发症进展。
