врач-рентгенолог отделения рентгенодиагностического НИИ детской онкологии и гематологии, кандидат медицинских наук,
115478 Москва, Каширское шоссе, 24
24 Kashirskoe Highway, Moscow, 115478
врач-рентгенолог отделения рентгенодиагностического НИИ клинической и экспериментальной радиологии, 115478 Москва, Каширское шоссе, 24;
врач-рентгенолог отделения рентгенологии, рентгеновской компьютерной томографии и магнитно-резонансной томографии НИИ радиологии и клинической физиологии, 117997, Москва, ул Островитянова, 1, стр. 10
24 Kashirskoe Highway, Moscow, 115478;
1 Ostrovityanova, Moscow, 117997
заведующая отделением рентгенодиагностическим НИИ детской онкологии и гематологии,
115478 Москва, Каширское шоссе, 24
24 Kashirskoe Highway, Moscow, 115478
врач-рентгенолог отделения рентгенодиагностического НИИ детской онкологии и гематологии,
115478 Москва, Каширское шоссе, 24
24 Kashirskoe Highway, Moscow, 115478
Цель: Определение возможностей количественной оценки данных мультипараметрической МРТ с использованием внутриклеточного контрастного препарата в дифференциальной диагностике доброкачественных и злокачественных заболеваний печени у детей.
Материал и методы: Обследовано 30 пациентов (17 мальчиков, 13 девочек) с 83 образованиями печени в возрасте от 6 месяцев до 20 лет. Всем пациентам проводилось исследование на МРТ-аппаратах 3 Тл или 1,5 Тл с использованием гепатотропного МР-контрастного препарата гадоксетовой кислоты с получением постконтрастных изображений в артериальную, портальную, венозную и отсроченные фазы (1, 5, 20, 40 мин). Были определены количественные характеристики изменения интенсивности сигнала в очаге поражения, интактной паренхиме печени, селезенке, почке, аорте, нижней полой вене. Для нивелирования влияния внешних факторов пользовались не абсолютными значениями интенсивности сигнала, а соотношениями: очаг/интактная паренхима печени, очаг/почка, очаг/аорта, очаг/селезенка, очаг/НПВ. Для каждого очага рассчитывалось 5 коэффициентов, кроме того, была проведена нормировка к нативной фазе. Опухоли были распределены на группы: доброкачественные (52) и злокачественные (31). Диагноз всех злокачественных новообразований подтвержден морфологически, доброкачественных — морфологически или с помощью контрастного МРТ-исследования и динамического наблюдения.
Результаты: С помощью программы XLSTAT была построена математическая модель дифференциальной диагностики. Модель информативна и статистически достоверна (p < 0,001). При значении А>0,5 принималось решение о злокачественной природе исследуемого очага. Если А≤0,5 — образование доброкачественное. Чувствительность и специфичность диагностики при помощи модели составили 0,862 и 0,925 соответственно.
Выводы: Математическая модель позволяет с высокой степенью информативности дифференцировать злокачественные и доброкачественные образования, что является приоритетной задачей при выявлении объемного образования в печени.
Purpose: Тo determine the possibilities of quantitative assessment of mpMRI with EOB-DTPA in the differential diagnosis of benign and malignant tumors in children.
Material and methods: 30 patients (male — 17, female — 13) with 83 tumors underwent MRI. Age ranged from 5 months to 20 years. All children underwent MRI on 3T or 1.5T MR-scanners using body coil. Fat saturated T1WI were performed before and after hepatotropic MR-contrast agent (gadoxetic acid) injection in arterial, portal, venous and delayed phases (1, 5, 20, 40 min). Tumors were divided into 2 groups: benign (52) and malignant (31). In this work we use only pre- and postcontrast T1WI. Diagnosis was confirmed histologically (all malignant and a part of benign FLL) and long-term MRI follow-up studies (for benign). To eliminate influence of external factors we used coefficients for each MR-program, the signal was normalized to intact liver parenchyma, spleen, abdominal aorta and v. cava inferior, also normalization to native series has been performed. Coefficients were compared for malignant and benign tumors using Student’s t-test, significantly different parameters were further used to build mathematical model by constructing a logistic regression with step-by-step selection of the most informative values.
Results: Regression model is presented by formula. The model is informative and statistically significant (p < 0.001). If A>0.5 tumors has a malignant nature if А ≤ 0.5–benign. Model sensitivity and specificity are 0.862 and 0.925, respectively.
Conclusion: Our model could be an excellent assistance in differentiation of benign and malignant focal liver lesions and reduces diagnostic path, effects the proper patients management.
The authors declare that there are no conflicts of interest present.