目的:探討B(tài)ayes分析在孤立性肺結節(jié)（SPN）CT定性診斷中的價值,并期望為SPN的管理提供幫助。方法:回顧性搜集連續(xù)SPN病例352例（惡性135例,良性217例）作為訓練集。利用Bayes分析法先從訓練集中求出惡性SPN的驗前比及各臨床和CT表現的似然比,再以此計算每個SPN的惡性概率,概率≥50%判為惡性,＜50%判為良性。并前瞻性地檢驗Bayes分析在132例SPN測試集樣本（惡性61例,良性71例）中的診斷效能和預測概率的精度,與2位高年資和2位低年資放射科醫(yī)生常規(guī)閱片的表現作比較。結果:（1）惡性SPN的驗前比為0.61;（2）根據各臨床和CT表現似然比的高低得出,較能提示惡性SPN的特征為空泡征、短毛刺、深分葉等,較能提示良性SPN的特征為良性鈣化模式、強化值＜20HU、“多邊形”輪廓等;（3）Bayes分析法回代檢驗訓練集樣本,其敏感度、特異度及符合率分別為88.9%、93.1%、91.5%。測試集中,Bayes分析的敏感度、特異度、符合率、陽性預測值及陰性預測值分別為88.5%、85.9%、87.1%、84.4%、89.7%,其診斷符合率與高年資甲醫(yī)生（80.3%,... 

【文章來源】：中南大學湖南省211工程院校985工程院校教育部直屬院校

【文章頁數】：50 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
目錄
第一章 前言
第二章 材料和方法
    2.1 一般材料
        2.1.1 病例選擇標準
        2.1.2 臨床資料
    2.2 方法
        2.2.1 CT掃描方法
        2.2.2 CT圖像評價標準
        2.2.3 CT圖像測量及評價方法
        2.2.4 Bayes分析的理論及其運用
        2.2.5 統(tǒng)計處理方法
第三章 結果
    3.1 惡性SPN的驗前比及各指標在不同狀態(tài)下的似然比
    3.2 Bayes分析與常規(guī)閱片法判別SPN良惡性質的結果比較
        3.2.1 Bayes分析與常規(guī)閱片法診斷SPN的真實性及收益評價
        3.2.2 Bayes分析與常規(guī)閱片法鑒別SPN良惡性質能力的比較
    3.3 Bayes分析法估算SPN惡性概率的情況分析
    3.4 Bayes分析法錯判SPN的情況報告
第四章 討論
    4.1 Bayes分析在CT鑒別SPN性質中的價值
        4.1.1 似然比對各臨床和CT表現在SPN診斷中權重大小的解釋作用
        4.1.2 Bayes分析對SPN惡性概率的預報作用
    4.2 初步探討B(tài)ayes分析在SPN管理中的意義
    4.3 Bayes分析法的運用舉例
    4.4 Bayes分析法的錯判病例分析
    4.5 Bayes分析方法的局限和本研究存在的不足
第五章 結論
參考文獻
附圖
綜述
致謝
攻讀學位期間主要的研究成果目錄


【參考文獻】：
期刊論文
[1]孤立性肺結節(jié)影像學診斷原則與研究進展[J]. 張敏鳴.  放射學實踐. 2007(03)
[2]孤立性肺結節(jié)良惡性病變的危險因素分析[J]. 張軼,丁嘉安.  中國胸心血管外科臨床雜志. 2006(03)
[3]孤立性肺結節(jié)與支氣管關系的多層螺旋CT研究進展[J]. 周濤,甘新蓮,周燕發(fā).  放射學實踐. 2006(05)
[4]人工神經網絡在孤立性肺結節(jié)CT診斷研究中的應用[J]. 王曉華,陳卉,馬大慶,高培毅,周新華.  中華放射學雜志. 2006(04)
[5]毛刺征在CT診斷周圍型小肺癌中的價值[J]. 王曉華,馬大慶,陳卉.  中國醫(yī)學影像學雜志. 2006(02)
[6]基于貝葉斯網絡的腦膠質瘤惡性高低度的自動診斷[J]. 馬軍,楊杰,耿道穎.  生物醫(yī)學工程學雜志. 2006(01)
[7]孤立性肺結節(jié)的臨床與CT計量診斷[J]. 王曉華,馬大慶,周新華.  中國醫(yī)學影像技術. 2005(10)
[8]貝葉斯學派統(tǒng)計學家,頻率學派統(tǒng)計學家和科學家[J]. Bradley Efron,朱鈺,謝愛輝,郭曉燁.  統(tǒng)計與信息論壇. 2005(04)
[9]肺外惡性腫瘤的部位和病理類型與其肺內孤立性病灶性質的相關性研究[J]. 李成洲,肖湘生,李玉莉,劉士遠,李惠民,張慶華.  臨床放射學雜志. 2005(02)
[10]高分辨率CT正向概率判別法在肺結節(jié)鑒別診斷中的應用研究[J]. 周旭輝,李子平,譚國勝,范淼,楊旭峰.  中華放射學雜志. 2005(01)



本文編號：3629281