鞍内及鞍上肿瘤计算机辅助MR影像诊断
作者：林燕 高培毅 孙楠
单位：100050 北京市神经外科研究所
关键词：脑肿瘤；诊断，计算机辅助；磁共振成像；分类法；回归分析
中华放射学杂志991207摘要：目的 探讨鞍内及鞍上肿瘤计算机辅助MR影像诊断的价值。方法 搜集了434例经病理证实的鞍内及鞍上肿瘤(男224例，女210例，年龄4～76岁，平均38岁)，其中包括垂体瘤257例、颅咽管瘤89例、脑膜瘤36例、胶质瘤22例、动脉瘤18例、生殖细胞瘤8例和恶性畸胎瘤4例。根据40个观察指标分析434例患者的临床及MR影像学资料，经分类与回归树(classification and regression tree，CART)进行交叉验证，建立一个树状模型。采用DOS板Foxpro 2.6数据库语言编程。抽取经手术和病理证实且术前MR诊断错误的鞍内和鞍上疑难肿瘤病例60例，包括垂体瘤、颅咽管瘤、胶质瘤、生殖细胞瘤和畸胎瘤等。随机将60份病例的MR片分为2组，每组30例。第1组由2名有较丰富的神经放射学诊断经验者共同阅读，根据自己的经验进行讨论并作出诊断；第2组由2名低年住院医师共同阅读，根据自己的观察使用上述方法进行诊断。阅片结果采用χ2检验。结果 第1组2名医师诊断准确率为33.3%(10/30)；第2组2名医师诊断准确率为63.3%(19/30)。经统计学处理表明，两组组间存在着差异，P<0.05，有显著性意义。结论 本组资料表明，CART是比较理想的统计分析手段之一，采用CART所建立的模型进行计算机辅助诊断，可提高疑难病例的影像学诊断水平。将辅助诊断模块融入计算机辅助医学影像学诊断报告处理系统具有重要的实用价值。
, 百拇医药
Computer assisted MRI diagnosis of the tumors in the sella turcica and suprasellar region
LIN Yan, GAO Peiyi, SUN Nan.
Beijing Neurosurgical Institute, Beijing 100050
Abstract Objective To evaluate the clinical value of computer-assisted MRI diagnosis of the tumors in sella turcica and suprasellar region. Methods MR study of 434 patients with sellar or suprasellar tumors were reviewed retrospectively including 224 males and 210 females ranging in age from 4 to 76 years. All patients had surgery, with subsequent pathologic confirmation of the final diagnosis. The tumors included 257 pituitary adenomas, 89 craniopheryngiomas, 36 meningiomas, 22 gliomas, 18 aneurysms, 8 germinomas and 4 malignant teratomas. Cross validation of the MR imaging signs was performed with Classification and Regression Tree (CART). CART model was built. The software of computer-assisted MRI diagnosis of the tumors in sella turcica and suprasellar region was made by FoxPro 2.6 (DOS version). There were two groups with 30 MR films of sellar or suprasellar tumors for each. The first group consisted of 2 senior radiologists without the application and the second consisted of 2 junior radiologists assisted with the application. Statistical method was χ2 test. ResultsStatistics analysis indicated that there were significant difference (P<0.05) between two groups. ConclusionsCART is a satisfactory method in statistics. The diagnostic accuracy of MR imaging could be improved markedly by computer-assisted with CART model. It is valuable to combine computer-assisted MRI diagnostic system with AUTO-report system.
, http://www.100md.com
Key words Brain neoplasms Decision making, computer-assisted Magnetic resonance imaging Classification Regression analysis
随着计算机技术的飞速发展及普及，计算机在放射科管理中的作用受到了越来越多的关注。在各项应用中，计算机辅助影像学诊断报告系统无论是作为图像存档和传输系统(PACS)、放射科信息系统(RIS)的一部分，还是作为一个独立的应用程序，已在国内相当一部分医院放射科运行使用，并取得了可喜的效果[1-5]。我们在1996年开发的“计算机辅助医学影像学诊断报告处理系统”(AUTO-report)运行至今已处理各种诊断报告18万余份，各种报告和报表准确无误，程序运行稳定。同时，利用科研和教学模块处理术后病理资料近万份，为科研和教学病例的检索查询提供了强有力的支持。为了充分利用在处理诊断报告时保存的数据资料，特别是经手术和病理证实的影像学资料，不断提高影像学诊断水平，我们在“计算机辅助医学影像学诊断报告处理系统”中增加了计算机辅助诊断功能。现对鞍内及鞍上肿瘤计算机辅助MR影像诊断功能的开发作一介绍，并结合笔者的经验就有关问题进行初步讨论，以供参考。
, http://www.100md.com
材料与方法
一、病例资料
选取“计算机辅助医学影像学诊断报告处理系统”科研与教学模块数据库中经病理证实的鞍内及鞍上肿瘤434例，其中男224例，女210例，年龄4～76岁，平均38岁。434例鞍内及鞍上肿瘤包括垂体瘤257例，颅咽管瘤89例，脑膜瘤36例，胶质瘤22例，动脉瘤18例，生殖细胞瘤8例和恶性畸胎瘤4例。临床病历记载主要临床表现包括头痛、呕吐、视力视野改变和内分泌异常等。
二、统计学方法
观察分析包括患者性别、年龄、临床上是否有头痛和视野改变、MR图像上是否有血管流空影、骨破坏、脑积水、肿瘤的位置及生长方向、信号变化等40个指标。根据上述40个观察指标分析434例患者的临床及MR影像学资料，并使用分类与回归树(classification and regression tree，CART)进行交叉验证。即将434例观察对象随机分成10组，2～9组用来进行模型训练，得出树状结构，计算这9组观察对象判定的几率值，此为先验几率；1组用来回代模型，计算1组判断正确的几率值，此为后验几率。2～9组每组均重复上述过程，经过反复训练，得出一个先验几率和后验几率均较满意的树状模型(图1)。
, 百拇医药
*：1=实性，2=囊在瘤内；3=囊在瘤上；4=囊实混在；5=囊性；6=蜂房状；**：0=无实性部分；1=混杂信号；2=低信号；3=稍低信号；4=等低信号；5=等信号；6=等高信号；7=稍高信号；8=高信号；方框表示辅助诊断结果；圆圈表示节点
图1 CART树状模型结构示意图
三、编程
根据434例鞍内和鞍上肿瘤的CART树状模型结构进行界面友好的人机对话式编程。在树状结构的每一个结点，对话框中都会出现一个相关的问题，操作者(医师)只需回答“是”或“不是”即可进入下一结点，直至到最终诊断。为了方便地接入“计算机辅助医学影像学诊断报告处理系统”，仍采用DOS版FoxPro 2.6数据库语言编程，并将其作为一个子程序处理，最后编译为可独立运行的执行文件。在诊断报告处理的过程中可随时按快捷键进入此子程序。计算机辅助诊断结果供医师在处理诊断报告时参考。
, http://www.100md.com
四、准确性验证
抽取经手术和病理证实且术前MR诊断错误的鞍内和鞍上疑难肿瘤病例60例，包括垂体瘤、颅咽管瘤、胶质瘤、生殖细胞瘤、畸胎瘤等。随机将60份病例的MR片分为2组，每组30例。第1组由2名有较丰富的神经放射学诊断经验的高年医师共同阅读，根据自己的经验进行讨论并作出诊断：第2组由2名低年住院医师共同阅读，根据自己的观察使用上述方法进行诊断。阅片结果采用χ2检验。
结果
一、程序运行
将源程序码写入“计算机辅助医学影像学诊断报告处理系统”的子程序集。当运行“计算机辅助医学影像学诊断报告处理系统”的报告录入程序时，后台激活辅助诊断子程序。医师在阅片和处理诊断报告时，如遇到诊断困难，可随时通过按一快捷键将后台激活的辅助诊断子程序调到前台供使用。屏幕上的对话框中每次显示1个问题，使用者仅需根据阅片结果回答“是”与“不是”即可。当程序按CART树状结构顺序下行到树根部时，屏幕上显示辅助诊断结果。诊断结果以某种病的可能几率表示，并提示“计算机辅助诊断结果仅供参考”。
, 百拇医药
二、准确性验证
第1组2名医师讨论后诊断准确率为33.3%(10/30)；第2组2名医师诊断准确率为63.3%(19/30)。经统计学处理表明，两组组间存在着差异，P<0.05，有显著性意义(表1)。
表1 两组诊断结果比较 组别
例数
诊断正确
诊断错误
诊断正确率(%)
第1组
30
10
20
, 百拇医药
33.3
第2组
30
19
11
63.3
两组诊断正确率经统计学处理，χ2=5.41，P=0.02讨论
一、临床应用价值
80年代初，计算机辅助诊断系统在我国风靡一时，其中应用在中医领域的专家系统最为引人注目。计算机辅助诊断的过程包括病人一般资料和检查资料的搜集、医学信息的量化处理、统计学分析以及得到诊断判据等。其中，数学模型对诊断的正确性尤为重要。当时，较为流行的模型有Bayes模型、最大似然法(评分法)模型和序贯模型等。专家系统融入了某专家诊病时的逻辑思维和辨证方法，其目的是供他人使用，并达到“专家”的诊病水平。在临床实践中，除了病人面对“机器人”时的心理因素外，由于病情复杂还使专家系统常常力不从心。我们研制的鞍内及鞍上肿瘤计算机辅助MR影像诊断程序与专家系统有本质上的区别：前者是在揭示了鞍内及鞍上肿瘤MR影像表现客观规律的基础上编程，由“专家”本人使用；后者则是“专家”诊病经验的总结，由“他人”使用。计算机辅助诊断融入诊断报告系统符合日常工作习惯，辅助诊断结果的准确性与使用医师观察影像征象的能力呈正比。
, 百拇医药
本研究的疑难病例验证试验中，第1组2名医师未使用辅助诊断的准确率为33.3%；第2组2名医师使用辅助诊断的准确率为63.3%。在不考虑高年医师和低年医师在诊断经验、阅片水平区别的情况下，两组组间仍存在着差异，P<0.05，有显著性意义。使用计算机辅助诊断，可明显提高疑难病变的诊断水平，具有重要的临床价值。此外，由于CART树状结构是经过反复训练后得出的一个先、后验几率均较满意的树状模型，年轻医师在经过一段使用后，还可提高自身的阅片能力。可以认为，计算机辅助诊断对提高阅片能力和诊断水平都起到了一定的积极作用。
二、CART模型
毋庸置疑，由于鞍区解剖结构复杂，因此有时鞍内及鞍上肿瘤的内部同质性较差。主要表现为发生在此部位的肿瘤病理类型多，肿瘤的生物学特征及其影像学表现存在多样性。此外，同一种病理学类型的肿瘤可有不同的影像表现。正是因为上述原因，使得鞍内及鞍上肿瘤的影像学诊断和鉴别诊断相对困难，错诊率较高。在临床影像学研究中，常常采用多元线性回归、Logistic回归等统计学方法处理这类同质性较差的数据，但效果往往不甚理想。本研究采用的分类与回归树(CART)可以将具有不同特征的鞍内及鞍上肿瘤分配到树的各个局部去处理，使每个局部肿瘤的内部同质性得到改善，提高了诊断准确性，克服了上述方法的不足。CART的基本原理是对各观察变量的相对重要性进行非参数检验的一种统计方法。它采用双向判决的树状结构将全部病例分成2个亚组，每次分割只采用1个特定的变量值。每个亚组再重复上述过程直至不能再分割。用CART软件分析时，我们可以得到模型的先验几率(敏感性、特异性、准确性)。同时，由于该模型采用交叉应证(cross validation)的方法，在每个终止结还可以得到该结点的后验几率，因此不必再次抽取相同病例进行后验几率计算，大大减少了工作量。同时，由于交叉验证的计算原理，也使其后验几率与先验几率之间的差别较其他回归分析小。
, http://www.100md.com
CART模型应用简单，无需代入公式进行计算。它将一系列变量进行树状串联，考虑了变量间的相互影响，因而是一种比较合乎规律的诊断模型。CART的树状分析过程与影像科医师的诊断思维过程十分相似，从影响鉴别诊断的主要因素入手，然后逐层展开，直至作出某种疾病可能性的诊断。
本研究建立的CART树状模型揭示了鞍内及鞍上肿瘤MR影像表现在内在规律，但在实际应用过程中，诊断医师对MR影像征象的观察却起着决定性作用。影像学征象观察得越仔细、准确，最后计算机辅助诊断的准确性就越高。2名低年住院医师根据CART树状模型诊断的准确性虽然明显高于常规诊断，但诊断正确率仍很低，仅63.3%。笔者认为造成树状模型诊断几率较低的原因是：(1)某些肿瘤病例数过少，模型训练不足；(2)对影像征象的观察误差，如有无垂体的辨认等。我们相信，随着病例数的不断积累以及影像诊断基本功训练的不断加强，鞍内及鞍上肿瘤的计算机辅助MR影像诊断的准确性必将进一步提高。
本组资料表明，CART是比较理想的统计分析手段之一，采用CART所建立的模型进行计算机辅助诊断，可提高复杂病变的影像学诊断水平。将辅助诊断模块融入计算机辅助医学影像学诊断报告处理系统具有重要的实用价值。
, http://www.100md.com
(志谢 北京医科大学第三医院临床流行病学研究中心赵一鸣博士在本研究的CART模型建立上给予了无私的帮助，在此表示衷心感谢!)
参考文献
1 高培毅，林燕.计算机辅助医学影像学诊断报告处理系统的开法与应用.中华放射学杂志，1998，32：41-42.
2 祝捷，萧湘生，刘光华.编辑软件RRC 2.0在临床影像学诊断报告中的应用.中华放射学杂志，1998，32：42-43.
3 陈堤，黄伟.医学影像诊断报告计算机网络的研制.中华放射学杂志，1998，32：43-44.
4 王鸣鹏，冯，董介清，等.计算机报告书写系统的开发与应用.中华放射学杂志，1998，32：47-48.
5 李传富，宋宝珠，唐业斌，等.影像诊断数据智能化管理程序的设计及其价值评估.中华放射学杂志，1999，33：136-138.
收稿：1999-08-24, 百拇医药
单位：100050 北京市神经外科研究所
关键词：脑肿瘤；诊断，计算机辅助；磁共振成像；分类法；回归分析
中华放射学杂志991207摘要：目的 探讨鞍内及鞍上肿瘤计算机辅助MR影像诊断的价值。方法 搜集了434例经病理证实的鞍内及鞍上肿瘤(男224例，女210例，年龄4～76岁，平均38岁)，其中包括垂体瘤257例、颅咽管瘤89例、脑膜瘤36例、胶质瘤22例、动脉瘤18例、生殖细胞瘤8例和恶性畸胎瘤4例。根据40个观察指标分析434例患者的临床及MR影像学资料，经分类与回归树(classification and regression tree，CART)进行交叉验证，建立一个树状模型。采用DOS板Foxpro 2.6数据库语言编程。抽取经手术和病理证实且术前MR诊断错误的鞍内和鞍上疑难肿瘤病例60例，包括垂体瘤、颅咽管瘤、胶质瘤、生殖细胞瘤和畸胎瘤等。随机将60份病例的MR片分为2组，每组30例。第1组由2名有较丰富的神经放射学诊断经验者共同阅读，根据自己的经验进行讨论并作出诊断；第2组由2名低年住院医师共同阅读，根据自己的观察使用上述方法进行诊断。阅片结果采用χ2检验。结果 第1组2名医师诊断准确率为33.3%(10/30)；第2组2名医师诊断准确率为63.3%(19/30)。经统计学处理表明，两组组间存在着差异，P<0.05，有显著性意义。结论 本组资料表明，CART是比较理想的统计分析手段之一，采用CART所建立的模型进行计算机辅助诊断，可提高疑难病例的影像学诊断水平。将辅助诊断模块融入计算机辅助医学影像学诊断报告处理系统具有重要的实用价值。
, 百拇医药
Computer assisted MRI diagnosis of the tumors in the sella turcica and suprasellar region
LIN Yan, GAO Peiyi, SUN Nan.
Beijing Neurosurgical Institute, Beijing 100050
Abstract Objective To evaluate the clinical value of computer-assisted MRI diagnosis of the tumors in sella turcica and suprasellar region. Methods MR study of 434 patients with sellar or suprasellar tumors were reviewed retrospectively including 224 males and 210 females ranging in age from 4 to 76 years. All patients had surgery, with subsequent pathologic confirmation of the final diagnosis. The tumors included 257 pituitary adenomas, 89 craniopheryngiomas, 36 meningiomas, 22 gliomas, 18 aneurysms, 8 germinomas and 4 malignant teratomas. Cross validation of the MR imaging signs was performed with Classification and Regression Tree (CART). CART model was built. The software of computer-assisted MRI diagnosis of the tumors in sella turcica and suprasellar region was made by FoxPro 2.6 (DOS version). There were two groups with 30 MR films of sellar or suprasellar tumors for each. The first group consisted of 2 senior radiologists without the application and the second consisted of 2 junior radiologists assisted with the application. Statistical method was χ2 test. ResultsStatistics analysis indicated that there were significant difference (P<0.05) between two groups. ConclusionsCART is a satisfactory method in statistics. The diagnostic accuracy of MR imaging could be improved markedly by computer-assisted with CART model. It is valuable to combine computer-assisted MRI diagnostic system with AUTO-report system.
, http://www.100md.com
Key words Brain neoplasms Decision making, computer-assisted Magnetic resonance imaging Classification Regression analysis
随着计算机技术的飞速发展及普及，计算机在放射科管理中的作用受到了越来越多的关注。在各项应用中，计算机辅助影像学诊断报告系统无论是作为图像存档和传输系统(PACS)、放射科信息系统(RIS)的一部分，还是作为一个独立的应用程序，已在国内相当一部分医院放射科运行使用，并取得了可喜的效果[1-5]。我们在1996年开发的“计算机辅助医学影像学诊断报告处理系统”(AUTO-report)运行至今已处理各种诊断报告18万余份，各种报告和报表准确无误，程序运行稳定。同时，利用科研和教学模块处理术后病理资料近万份，为科研和教学病例的检索查询提供了强有力的支持。为了充分利用在处理诊断报告时保存的数据资料，特别是经手术和病理证实的影像学资料，不断提高影像学诊断水平，我们在“计算机辅助医学影像学诊断报告处理系统”中增加了计算机辅助诊断功能。现对鞍内及鞍上肿瘤计算机辅助MR影像诊断功能的开发作一介绍，并结合笔者的经验就有关问题进行初步讨论，以供参考。
, http://www.100md.com
材料与方法
一、病例资料
选取“计算机辅助医学影像学诊断报告处理系统”科研与教学模块数据库中经病理证实的鞍内及鞍上肿瘤434例，其中男224例，女210例，年龄4～76岁，平均38岁。434例鞍内及鞍上肿瘤包括垂体瘤257例，颅咽管瘤89例，脑膜瘤36例，胶质瘤22例，动脉瘤18例，生殖细胞瘤8例和恶性畸胎瘤4例。临床病历记载主要临床表现包括头痛、呕吐、视力视野改变和内分泌异常等。
二、统计学方法
观察分析包括患者性别、年龄、临床上是否有头痛和视野改变、MR图像上是否有血管流空影、骨破坏、脑积水、肿瘤的位置及生长方向、信号变化等40个指标。根据上述40个观察指标分析434例患者的临床及MR影像学资料，并使用分类与回归树(classification and regression tree，CART)进行交叉验证。即将434例观察对象随机分成10组，2～9组用来进行模型训练，得出树状结构，计算这9组观察对象判定的几率值，此为先验几率；1组用来回代模型，计算1组判断正确的几率值，此为后验几率。2～9组每组均重复上述过程，经过反复训练，得出一个先验几率和后验几率均较满意的树状模型(图1)。
, 百拇医药
*：1=实性，2=囊在瘤内；3=囊在瘤上；4=囊实混在；5=囊性；6=蜂房状；**：0=无实性部分；1=混杂信号；2=低信号；3=稍低信号；4=等低信号；5=等信号；6=等高信号；7=稍高信号；8=高信号；方框表示辅助诊断结果；圆圈表示节点
图1 CART树状模型结构示意图
三、编程
根据434例鞍内和鞍上肿瘤的CART树状模型结构进行界面友好的人机对话式编程。在树状结构的每一个结点，对话框中都会出现一个相关的问题，操作者(医师)只需回答“是”或“不是”即可进入下一结点，直至到最终诊断。为了方便地接入“计算机辅助医学影像学诊断报告处理系统”，仍采用DOS版FoxPro 2.6数据库语言编程，并将其作为一个子程序处理，最后编译为可独立运行的执行文件。在诊断报告处理的过程中可随时按快捷键进入此子程序。计算机辅助诊断结果供医师在处理诊断报告时参考。
, http://www.100md.com
四、准确性验证
抽取经手术和病理证实且术前MR诊断错误的鞍内和鞍上疑难肿瘤病例60例，包括垂体瘤、颅咽管瘤、胶质瘤、生殖细胞瘤、畸胎瘤等。随机将60份病例的MR片分为2组，每组30例。第1组由2名有较丰富的神经放射学诊断经验的高年医师共同阅读，根据自己的经验进行讨论并作出诊断：第2组由2名低年住院医师共同阅读，根据自己的观察使用上述方法进行诊断。阅片结果采用χ2检验。
结果
一、程序运行
将源程序码写入“计算机辅助医学影像学诊断报告处理系统”的子程序集。当运行“计算机辅助医学影像学诊断报告处理系统”的报告录入程序时，后台激活辅助诊断子程序。医师在阅片和处理诊断报告时，如遇到诊断困难，可随时通过按一快捷键将后台激活的辅助诊断子程序调到前台供使用。屏幕上的对话框中每次显示1个问题，使用者仅需根据阅片结果回答“是”与“不是”即可。当程序按CART树状结构顺序下行到树根部时，屏幕上显示辅助诊断结果。诊断结果以某种病的可能几率表示，并提示“计算机辅助诊断结果仅供参考”。
, 百拇医药
二、准确性验证
第1组2名医师讨论后诊断准确率为33.3%(10/30)；第2组2名医师诊断准确率为63.3%(19/30)。经统计学处理表明，两组组间存在着差异，P<0.05，有显著性意义(表1)。
表1 两组诊断结果比较 组别
例数
诊断正确
诊断错误
诊断正确率(%)
第1组
30
10
20
, 百拇医药
33.3
第2组
30
19
11
63.3
两组诊断正确率经统计学处理，χ2=5.41，P=0.02讨论
一、临床应用价值
80年代初，计算机辅助诊断系统在我国风靡一时，其中应用在中医领域的专家系统最为引人注目。计算机辅助诊断的过程包括病人一般资料和检查资料的搜集、医学信息的量化处理、统计学分析以及得到诊断判据等。其中，数学模型对诊断的正确性尤为重要。当时，较为流行的模型有Bayes模型、最大似然法(评分法)模型和序贯模型等。专家系统融入了某专家诊病时的逻辑思维和辨证方法，其目的是供他人使用，并达到“专家”的诊病水平。在临床实践中，除了病人面对“机器人”时的心理因素外，由于病情复杂还使专家系统常常力不从心。我们研制的鞍内及鞍上肿瘤计算机辅助MR影像诊断程序与专家系统有本质上的区别：前者是在揭示了鞍内及鞍上肿瘤MR影像表现客观规律的基础上编程，由“专家”本人使用；后者则是“专家”诊病经验的总结，由“他人”使用。计算机辅助诊断融入诊断报告系统符合日常工作习惯，辅助诊断结果的准确性与使用医师观察影像征象的能力呈正比。
, 百拇医药
本研究的疑难病例验证试验中，第1组2名医师未使用辅助诊断的准确率为33.3%；第2组2名医师使用辅助诊断的准确率为63.3%。在不考虑高年医师和低年医师在诊断经验、阅片水平区别的情况下，两组组间仍存在着差异，P<0.05，有显著性意义。使用计算机辅助诊断，可明显提高疑难病变的诊断水平，具有重要的临床价值。此外，由于CART树状结构是经过反复训练后得出的一个先、后验几率均较满意的树状模型，年轻医师在经过一段使用后，还可提高自身的阅片能力。可以认为，计算机辅助诊断对提高阅片能力和诊断水平都起到了一定的积极作用。
二、CART模型
毋庸置疑，由于鞍区解剖结构复杂，因此有时鞍内及鞍上肿瘤的内部同质性较差。主要表现为发生在此部位的肿瘤病理类型多，肿瘤的生物学特征及其影像学表现存在多样性。此外，同一种病理学类型的肿瘤可有不同的影像表现。正是因为上述原因，使得鞍内及鞍上肿瘤的影像学诊断和鉴别诊断相对困难，错诊率较高。在临床影像学研究中，常常采用多元线性回归、Logistic回归等统计学方法处理这类同质性较差的数据，但效果往往不甚理想。本研究采用的分类与回归树(CART)可以将具有不同特征的鞍内及鞍上肿瘤分配到树的各个局部去处理，使每个局部肿瘤的内部同质性得到改善，提高了诊断准确性，克服了上述方法的不足。CART的基本原理是对各观察变量的相对重要性进行非参数检验的一种统计方法。它采用双向判决的树状结构将全部病例分成2个亚组，每次分割只采用1个特定的变量值。每个亚组再重复上述过程直至不能再分割。用CART软件分析时，我们可以得到模型的先验几率(敏感性、特异性、准确性)。同时，由于该模型采用交叉应证(cross validation)的方法，在每个终止结还可以得到该结点的后验几率，因此不必再次抽取相同病例进行后验几率计算，大大减少了工作量。同时，由于交叉验证的计算原理，也使其后验几率与先验几率之间的差别较其他回归分析小。
, http://www.100md.com
CART模型应用简单，无需代入公式进行计算。它将一系列变量进行树状串联，考虑了变量间的相互影响，因而是一种比较合乎规律的诊断模型。CART的树状分析过程与影像科医师的诊断思维过程十分相似，从影响鉴别诊断的主要因素入手，然后逐层展开，直至作出某种疾病可能性的诊断。
本研究建立的CART树状模型揭示了鞍内及鞍上肿瘤MR影像表现在内在规律，但在实际应用过程中，诊断医师对MR影像征象的观察却起着决定性作用。影像学征象观察得越仔细、准确，最后计算机辅助诊断的准确性就越高。2名低年住院医师根据CART树状模型诊断的准确性虽然明显高于常规诊断，但诊断正确率仍很低，仅63.3%。笔者认为造成树状模型诊断几率较低的原因是：(1)某些肿瘤病例数过少，模型训练不足；(2)对影像征象的观察误差，如有无垂体的辨认等。我们相信，随着病例数的不断积累以及影像诊断基本功训练的不断加强，鞍内及鞍上肿瘤的计算机辅助MR影像诊断的准确性必将进一步提高。
本组资料表明，CART是比较理想的统计分析手段之一，采用CART所建立的模型进行计算机辅助诊断，可提高复杂病变的影像学诊断水平。将辅助诊断模块融入计算机辅助医学影像学诊断报告处理系统具有重要的实用价值。
, http://www.100md.com
(志谢 北京医科大学第三医院临床流行病学研究中心赵一鸣博士在本研究的CART模型建立上给予了无私的帮助，在此表示衷心感谢!)
参考文献
1 高培毅，林燕.计算机辅助医学影像学诊断报告处理系统的开法与应用.中华放射学杂志，1998，32：41-42.
2 祝捷，萧湘生，刘光华.编辑软件RRC 2.0在临床影像学诊断报告中的应用.中华放射学杂志，1998，32：42-43.
3 陈堤，黄伟.医学影像诊断报告计算机网络的研制.中华放射学杂志，1998，32：43-44.
4 王鸣鹏，冯，董介清，等.计算机报告书写系统的开发与应用.中华放射学杂志，1998，32：47-48.
5 李传富，宋宝珠，唐业斌，等.影像诊断数据智能化管理程序的设计及其价值评估.中华放射学杂志，1999，33：136-138.
收稿：1999-08-24, 百拇医药