What’s new in Cardiothoracic Imaging (Chinese) – September 2020

2年 ago
胸部CT中亚实性肺腺癌结节的生长率

Constance de Margerie-MellonLong H NgoRitu R GillAntonio C Monteiro FilhoBenedikt H HeidingerAllison OnkenMayra A MedinaPaul A VanderLaanAlexander A Bankier

https://pubs.rsna.org/doi/10.1148/radiol.2020192322

Harvard 大学和 Vienna大学的研究人员试图验证一组经病理证实的腺癌患者的部分实性结节(PSN’s)和毛玻璃结节(GGN’s)的指数增长模型。利用庞大的组织数据库,研究人员从总共750例腺癌中纳入74个符合入组/排除标准的结节,这些结节有3个不同时间点的CT检查而且是PSN’s和GGN’s。研究人员将这74个结节分为GGN(50或68%)和PSN(24或32%)。在回顾性审阅中,两名不知道结果的放射科医生使用商业化的软组织内核分割软件对GGN’s和PSN’s进行自动分割,并在切除前评估基线总体积以及至少3个时间点中追踪结节的生长。应用线性混合效应模型来模拟数据的平均值和体积增长曲线的方差/协方差。使用这些数据,将标准增长模型应用于模拟线性,指数,二次和幂次的增长模型。通过r2(调整后的R2)和均方根误差(RMSE)进行分析,其中最佳拟合模型将具有最高r2和最低RMSE。指数增长曲线证明是模拟GGN(r2 = 0.89,RSME = 688)和PSN(r2 = 0.95,RSME = 146)增长的最佳拟合线。利用连续的CT检查可以估计GGN和PSN的生长速度,这揭示了生长速度与CT形态,临床和组织学特征间的有趣关系。例如,GGN’s的增长速度比PSN’s快,GGN’s的斜率几乎是PSN’s的两倍。原位腺癌的倍增时间明显长于浸润性腺癌的倍增时间(939天vs 679天,P = 0.01)。还观察到其他几个有趣的相联性。研究人员确实注意到,没有一种生长模型能够完美地拟合所有研究的肿瘤。他们提供了合理的解释,因为肿瘤天生具有异质性,没有两个肿瘤生长可能完全相同。可以将差异归因于基线侵袭性特征或结构性生长模式的不同。由于指数模型的确表现最佳,研究人员建议,仍应使用该模型来估计肿瘤的生长,但需注意的是,由于内在的异质性,预期会有小的差异,并且临床医生应该使用类似的特征来得到一幅关于这些原位腺有怎样的行为的更完整的图像。

 

及时的诊断和治疗缩短了冠状病毒(COVID-19)肺炎的治愈时间,并降低了连续胸部CT的最高和最后CT评分

Guoquan Huang, Tao Gong, Guangbin Wang, Jianwen Wang, Xinfu Guo, Erpeng Cai, Shirong Li, Xiaohu Li, Yongqiang Yu, and Liangjie Lin

American Journal of Roentgenology 2020 215:2, 367-373

https://www-ajronline-org.liboff.ohsu.edu/doi/full/10.2214/AJR.20.23078

来自中国芜湖的研究人员对感染了新型冠状病毒的患者提出了一个升级的CT分类系统。众所周知,COVID-19的典型CT表现是外周的毛玻璃结节(GGO’s)。随着疾病的进展,在GGO区域中出现明显的铺路石征,然后逐渐实变。新系统扩大了标准分类系统以解释说明这种预期的临床进程,新系统将出现明显铺路石征增加1分以及将实变增加2分,从而将最大肺叶评分从5分增加到7分,总分从25分增加到35分。使用此新系统,在回顾性审阅中,将30例COVID-19阳性患者分为两组。A组是那些较早诊断和治疗的患者,即首次症状出现后3天内得到诊断和治疗;而B组为首次症状出现后3天才得到诊断和治疗。两组之间在性别或年龄上没有统计学差异。分组之后,A组和B组的连续CT扫描就采用了这种经过改进的评分系统进行评分;疾病治愈的时间,最大CT得分和最后一次CT得分用作研究终点。用每位患者的连续CT评分得出曲线,并使用曲线上最大值的时间点来估计疾病的治愈时间。使用洛伦兹线形拟合每个组的平均CT评分,绘制A组和B组连续CT评分的变化趋势。使用Mann Whitney检验分析A组和B组的最后CT评分。在该研究的25名患者中(A组14例,B组11例),早期诊断和治疗与最大CT评分,疾病治愈时间和最后CT评分呈正相关。对于在首发症状出现后3天内得到诊断和治疗的患者,其最大CT得分更小(10分比16分),疾病治愈的时间更短(6天比13天),最后CT得分更小(3.14 +/- 2.41 vs. 5.54 +/- 1.20),并有统计学差异。这些结果表明,早期识别和治疗,即使只是支持性治疗,对控制疾病的严重程度和病程至关重要。通过利用连续的CT扫描及新的评分系统,研究人员能够定量准确地描述从GGO到明显铺路征的GGO再到实变的COVID肺炎的演变,并验证早期诊断和治疗与疾病的严重程度和疾病治愈时间呈正相关。一项样本量更大、检验效能增强的研究需要进一步验证这些发现。

 

年轻成人和年长成人中冠状病毒的比较研究

Zhu, Tingting MD, PhD*; Wang, Yujin MD*; Zhou, Shuchang MD, PhD*; Zhang, Na PhD†; Xia, Liming MD, PhD*

Journal of Thoracic Imaging: July 2020 – Volume 35 – Issue 4 – p W97-W101

https://journals.lww.com/thoracicimaging/Fulltext/2020/07000/A_Comparative_Study_of_Chest_Computed_Tomography.13.aspx

湖北省的研究人员对72例住院确诊为COVID-19的有症状成年患者进行了回顾性研究。将这72名患者分为两组,一组为定义为年龄大于60岁的“年长”成人,另一组为定义为小于60岁的“年轻”成人。发热(81.9%)和咳嗽(38.9%)是最常见的症状,两组中呼吸困难和疲劳的患者数目相似。对胸部CT检查进行回顾和评估,包括:1)疾病的分布(中央vs周边);2)累及的肺叶数量,左肺上叶舌段作为独立一个肺叶;3)病变密度(纯磨玻璃结节,有实变的磨玻璃结节,或实性结节);4)间质改变(网状,小叶间隔增厚,胸膜下线等);5)伴随的放射学征象如空泡,空气支气管征或血管充血;6)胸膜反应(胸膜增厚,胸膜牵拉和胸膜增厚)。尽管这项研究只有72名患者,检验效能相对较小,研究人员观察到了成年人有症状COVID-19的最常见表现。与年轻患者相比,年长患者肺部受累方面在统计学上有显着差异,年长组中有67.9%的患者表现出全部6个肺叶受累,而年轻组中只有36.4%。两组患者的病变密度相似,大多数患者(81.9%)主要表现为有实变的磨玻璃结节。两组显示出相似的疾病分布,70.3%的病例表现为外周分布为主的类型。年长患者的CT扫描出现胸膜下线(50%)和胸膜增厚(71.4%)的发生率高于年轻患者。这些数据表明,在有症状的患者中,“以外周分布为主的混合性磨玻璃和实性结节是最常见的CT表现“这一发现正确的。与年轻组相比,年长组通常表现出更为弥漫的肺部受累模式,这可能解释了老年长组患者感染COVID-19后观察到的死亡率和发病率与年轻组比较的差异。作者认为,在老年患者中出现胸膜增厚和胸膜下线这些有统计学差异的结果可能与年长患者对肺实质炎症的反应不同有关,并可能是疾病进展的一个标志。

 

房颤患者偶发的冠状动脉钙化和中风风险

Dustin Hillerson, Thomas Wool, Gbolahan O. Ogunbayo, Vincent L. Sorrell, and Steve W. Leung

American Journal of Roentgenology 2020 215:2, 344-350

https://www.ajronline.org/doi/abs/10.2214/AJR.19.22298

Kentucky大学的研究人员旨在确定在房颤(Afib)患者常规胸部CT上偶然发现的冠状动脉钙化是否与独立的CHA2DS2-VASc风险评估的中风相关。目前公认在房颤患者中,冠状动脉钙化(CACs)是冠状动脉病(CAD)的一个代名词。这项回顾性研究建立了两个队列,即203例诊断为房颤并随后发生中风的患者和203例无中风的房颤患者。重要的是,每个中风病例都与非中风病例一对一匹配,从而使患者具有相同的危险因素。回顾了这两个队列的常规胸部CT,以确定是否存在CAC,并且将CAC的程度分为无,轻度,中度或重度。在129例中风患者(63.5%)和121例无中风患者(59.6%)中发现了CAC,P值为0.46。但是,COX回归分析发现CAC的存在与中风的可能性之间存在显着的时间关系,风险比(HR)为1.47(95%CI,1.1-1.97 p <0.01)。 CAC组中有124例在随访期间死亡,而同期无CAC组中只有60例患者死亡,HR为1.6(95%CI 1.17-2.18,p <0.01)。作者推测偶然发现的CAC可以添加到CHA2DS2-VASc风险评估量表中,因为他们证实了中风和死亡率有中等关联。这项研究的局限性是回顾性研究造成的潜在偏倚,以及其他混杂因素造成的死亡。

 

Translated by: Jingbiao Chen

Translation Revised by: Jin Wang

References
  • Share