超声影像组学在肝脏病变的诊断应用进展

表1 评估各类肝局灶性病变的超声组学模型及效果

Ref.	年份	病例数	模型	模型效果
Yao等[4]	2018	111	GEVM	良恶性AUC 0.94; 恶性分型AUC 0.97; PD-1 AUC 0.97; Ki-67 AUC 0.94; MVI AUC 0.98
Ta等[17]	2018	105	FLLCAD	FLL分类AUC 0.883, 准确性81.1%
Peng等[18]	2019	97	基于S-G滤波器的CEUS定量分析方法	HCC与MLT比较: a2: HCC 0.70 vs MLT 0.88, a3: HCC 0.76 vs MLT 0.82, AUC: HCC 0.65 vs MLT 0.88, PT: HCC 0.84 vs MLT 0.82
彭诗云等[19]	2017	80	基于S-G滤波器的CEUS定量分析方法	HCC与MLT比较: a2: HCC 0.70 vs MLT 0.88, a3: HCC 0.74 vs MLT 0.80, AUC: HCC 0.65 vs MLT 0.88
Guo等[20]	2018	93	DCCA-MKL框架	鉴别肝肿瘤良、恶性: 准确性: 90.41%±5.80%; 灵敏度: 93.56%±5.90%; 特异度: 86.89%±9.38%
Wu等[21]	2020	42	CPI鉴别CRC肝转移和非典型血管瘤	CEUS+CPI准确性 78.6%-81.0%
吴剑等[22]	2016	42	DVP参数成像	DVP 曲线3种类型: Ⅰ型(16/42, 38.1%), Ⅱ型(20/42, 47.6%), Ⅲ型(6/42, 14.3%)
周榴等[23]	2020	43	LASSO HCC分级预测	预测AUC 0.76
Sugimoto等[26]	2016	232	CAD辅助HCC分级预测	总敏感性为87.5%, 高和中低分化AUC 0.872±0.090中和低分化AUC 0.863±0.101
刘桐桐等[29]	2018	87	超声组学预测HCC中的MVI及肿瘤分化等级	MVI AUC 0.76; 灵敏度 0.55; 特异度 0.86; 肿瘤分化 AUC 0.89; 灵敏度 0.75; 特异度 0.90;
Hu等[30]	2019	482	放射学评分模型预测HCC中MVI	训练队列 AUC 0.758; 验证队列AUC 0.731
Dong等[33]	2019	42	ORF的DOSM模型预测HCC中的MVI	AUC 95.01%; 准确性92.86%; 灵敏度85.71%; 特异度100%
Dong等[34]	2020	322	超声组学算法预测HCC中的MVI及MVI分级	是否存在MVI: GTR AUC 0.708; PTR AUC 0.710; GPTR AUC 0.726; GPTR+AFP AUC 0.744; M1和M2分级GTR AUC 0.806

GEVM: 多模式超声; AUC: 受试者工作特征曲线下面积; MVI: 微血管浸润; FLLCAD: 肝局灶性病变计算机辅助诊断系统; FLL: 肝局灶性病变; CEUS: 超声造影; HCC: 肝细胞癌; MLT: 直肠癌肝转移; a2: 拟合时间-强度曲线下降斜率; a3: 拟合时间-强度曲线上升斜率; PT: 灌注时间; DCCA-MKL: 基于计算机辅助系统的两阶段多视图学习框架; CPI: 彩色编码成像; CRC: 直肠癌; DVP: 动态血管模型参数成像; CAD: 计算机辅助系统; ORF: 超声原始射频; DOSM: 基于时域、频域和统计特征图的微血管浸润预测模型; GTR: 总肿瘤区域; PTR: 肿瘤周围区域; GPTR: 总肿瘤结合肿瘤周围区域; AFP: 甲胎蛋白.