Page 106 - 南京医科大学学报自然科学版

第43卷第9期
·1284 · 南 京 医 科 大 学 学 报 2023年9月

［参考文献］ metric analysis to differentiate pseudo ⁃ progression from
early tumor progression［J］. J Neurooncol，2013，112（3）：
［1］ LOUIS D N，PERRY A，WESSELING P，et al. The 2021
413-420
WHO classification of tumors of the central nervous sys⁃
［12］ AN G，AHN S，PARK J S，et al. Association between tem⁃
tem：a summary［J］. Neuro Oncol，2021，23（8）：1231-
poral muscle thickness and clinical outcomes in patients
1251
with newly diagnosed glioblastoma［J］. J Cancer Res Clin
［2］ 国家卫生健康委员会医政医管局. 脑胶质瘤诊疗规范
Oncol，2021，147（3）：901-909
（2018年版）［J］. 中华神经外科杂志，2019，35（3）：217-
［13］ FURTNER J，GENBRUGGE E，GORLIA T，et al. Tempo⁃
239
ral muscle thickness is an independent prognostic marker
［3］ WU X F，LIANG X，WANG X C，et al. Differentiating high⁃
in patients with progressive glioblastoma：translational ima⁃
grade glioma recurrence from pseudoprogression：compar⁃
ging analysis of the EORTC 26101 trial［J］. Neuro Oncol，
ing diffusion kurtosis imaging and diffusion tensor imaging
2019，21（12）：1587-1594
［J］. Eur J Radiol，2021，135：109445
［14］ KIM J Y，PARK J E，JO Y，et al. Incorporating diffusion⁃
［4］ BRANDSMA D，VANDEN⁃BENT M J. Pseudoprogression
and perfusion⁃weighted MRI into a radiomics model im⁃
and pseudoresponse in the treatment of gliomas［J］. Curr
proves diagnostic performance for pseudoprogression in
Opin Neurol，2009，22（6）：633-638
glioblastoma patients［J］. Neuro Oncol，2019，21（3）：
［5］ WEN P Y，MACDONALD D R，REARDON D A，et al.
404-414
Updated response assessment criteria for high⁃grade glio⁃
［15］ LOHMANN P，GALLDIKS N，KOCHER M，et al. Ra⁃
mas：response assessment in neuro ⁃ oncology working
diomics in neuro⁃oncology：basics，workflow，and applica⁃
group［J］. J Clin Oncol，2010，28（11）：1963-1972
tions［J］. Methods，2021，188：112-121
［6］ VAN DIJKEN B，VAN LAAR P J，HOLTMAN G A，et al.
［16］ 陈思璇，许 悦，叶梅萍，等. MRI 不同影像组学模型预
Diagnostic accuracy of magnetic resonance imaging tech⁃
测胶质瘤MGMT启动子甲基化状态的研究［J］. 磁共振
niques for treatment response evaluation in patients with
成像，2022，13（3）：1-5
high⁃grade glioma，a systematic review and meta⁃analysis
［17］ SU C Q，CHEN X T，DUAN S F，et al. A radiomics⁃based
［J］. Eur Radiol，2017，27（10）：4129-4144
［7］ 苏春秋，韩秋月，周茂冬，等. 动态对比增强MRI纹理分 model to differentiate glioblastoma from solitary brain me⁃
析法与磁敏感加权成像联合应用在脑胶质瘤分级中的 tastases［J］. Clin Radiol，2021，76（8）：629
［18］ 唐 薇，段俊艳，余子意，等. 增强 MRI 影像组学预测
价值［J］. 临床放射学杂志，2018，37（8）：1264-1268
［8］ 黄晓星，汪泽燕，肖学红，等. 术前MRI强化特征预测胶 脑胶质瘤 IDH⁃1 基因突变的价值分析［J］. 磁共振成
质母细胞瘤患者术后复发风险的价值［J］. 临床放射学 像，2022，13（5）：111-114
［19］ LI Z，MA X，SHEN F，et al. Evaluating treatment response
杂志，2022，41（2）：217-223
［9］ 唐文天，张梓枫，尹建新，等. 常规MRI特征在弥漫性星 to neoadjuvant chemoradiotherapy in rectal cancer using
形细胞瘤IDH基因突变预测中的临床价值［J］. 南京医 various MRI⁃based radiomics models［J］. BMC Med Imag⁃
科大学学报（自然科学版），2022，42（3）：376-381 ing，2021，21（1）：30
［20］ 孙颖志，颜林枫，韩 宇，等. 利用机器学习鉴别胶质母
［10］ SONG Y，ZHANG J，ZHANG Y D，et al. Feature explorer
细胞瘤标准化治疗后真假性进展的研究［J］. 神经解剖
（FAE）：a tool for developing and comparing radiomics
models［J］. PLoS One，2020，15（8）：e0237587 学杂志，2019，35（2）：163-170
［11］ AGARWAL A，KUMAR S，NARANG J，et al. Morphologic ［收稿日期］ 2023-04-30
MRI features，diffusion tensor imaging and radiation dosi⁃ （本文编辑：陈汐敏）