Page 144 - 南京医科大学自然版

第46卷第7期
·1090 · 南 京 医 科 大 学 学 报 2026年7月

Toward best practices in radiology reporting［J］. Radiolo⁃ creased interreader agreement in diagnosis of hepatocellu⁃
gy，2009，252（3）：852-856 lar carcinoma using an adapted LI⁃RADS algorithm［J］.
［33］KNIGHTLY D V，PLACE J N. Best practices in computeri⁃ Eur J Radiol，2017，86：33-40
zed tomography［J］. Radiol Manage，2010，32（1）：16-23 ［43］CHOI H H，KIM S，SHUM D J，et al. Assessing adherence
［34］GRANATA V，DE MUZIO F，CUTOLO C，et al. Struc⁃ to US LI⁃RADS follow⁃up recommendations in vulnerable
tured reporting in radiological settings：pitfalls and per⁃ patients undergoing hepatocellular carcinoma surveil⁃
spectives［J］. J Pers Med，2022，12（8）：1344 lance［J］. Radiol Imaging Cancer，2024，6（1）：e230118
［35］张紫欣，吕志彬，王宇新，等. LI⁃RADS 2018 版 MRI 辅 ［44］BOSS M A，MALYARENKO D，PARTRIDGE S，et al. The
助征象在肝癌分类及预后评估中的应用［J］. 临床放射 QIBA profile for diffusion⁃weighted MRI：apparent diffu⁃
学杂志，2024，43（5）：858-861 sion coefficient as a quantitative imaging biomarker［J］.
ZHANG Z X，LV Z B，WANG Y X，et al. Application of LI⁃ Radiology，2024，313：e233055
RADS 2018 MRI ancillary features in hepatocellular car⁃ ［45］RAUNIG D L，MCSHANE L M，PENNELLO G，et al.
cinoma classification and prognostic evaluation［J］. Jour⁃ Quantitative imaging biomarkers：a review of statistical
nal of Clinical Radiology，2024，43（5）：858-861 methods for technical performance assessment［J］. Stat
［36］AN J Y，UNSDORFER K M L，WEINREB J C. BI⁃RADS， Methods Med Res，2015，24（1）：27-67
C⁃RADS，CAD⁃RADS，LI⁃RADS，lung⁃RADS，NI⁃RADS， ［46］HAGIWARA A，FUJITA S，OHNO Y，et al. Variability
O⁃RADS，PI⁃RADS，TI⁃RADS：reporting and data sys⁃ and standardization of quantitative imaging：monoparamet⁃
tems［J］. RadioGraphics，2019，39（5）：1435-1436 ric to multiparametric quantification，radiomics，and artifi⁃
［37］唐雅伦，李 瑞，高 磊，等. 人工智能辅助诊断系统与 cial intelligence［J］. Invest Radiol，2020，55（9）：601-616
Lung⁃RADS 对不同临床特征肺结节的良恶性预测效 ［47］程 枫，艾慧俊，冯娅琴，等. 描述性标准化超声报告对
能［J］. 分子影像学杂志，2025，48（6）：668-677 甲状腺乳头状癌诊断的影响［J］. 现代实用医学，2018，
TANG Y L，LI R，GAO L，et al. Predictive performance of 30（11）：1507-1509
an artificial intelligence ⁃ assisted diagnostic system and CHENG F，AI H J，FENG Y Q，et al. Impact of descrip⁃
Lung ⁃ RADS for malignancy of pulmonary nodules with tive standardized ultrasound reporting on the diagnosis of
different clinical characteristics［J］. Journal of Molecular papillary thyroid carcinoma［J］. Modern Practical Medi⁃
Imaging，2025，48（6）：668-677 cine，2018，30（11）：1507-1509
［38］刘丹丹，韦 平，高 彦，等. 联合 Kaiser 评分、DWI 及 ［48］LIN Y N，FU M Z，DING R W，et al. Patient adherence to
MRS 对乳腺 BI⁃RADS3⁃5 类病变的诊断效能［J］. 临床 lung CT screening reporting & data system⁃recommended
放射学杂志，2025，44（12）：2290-2294 screening intervals in the United States：a systematic re⁃
LIU D ，WEI P，GAO Y，et al. Diagnostic performance of view and meta⁃analysis［J］. J Thorac Oncol，2022，17（1）：
combined Kaiser Score，diffusion⁃weighted imaging，and 38-55
magnetic resonance spectroscopy for breast BI⁃RADS cat⁃ ［49］LACSON R，WANG A J，COCHON L，et al. Factors asso⁃
egory 3⁃5 lisions［J］. Journal of Clinical Radiology，2025， ciated with optimal follow⁃up in women with BI⁃RADS 3
44（12）：2290-2294 breast findings［J］. J Am Coll Radiol，2020，17（4）：469-
［39］VAN RIEL S J，JACOBS C，SCHOLTEN E T，et al. Ob⁃ 474
server variability for Lung ⁃ RADS categorisation of lung ［50］LIN X H，LIAO T T，YANG Y T，et al. Value of deep
cancer screening CTs：impact on patient management［J］. learning model for predicting breast imaging reporting
Eur Radiol，2019，29（2）：924-931 and data system 3 and 4A lesions on mammography［J］.
［40］BERG W A，CAMPASSI C，LANGENBERG P，et al. Quant Imaging Med Surg，2025，15（5）：4047-4058
Breast Imaging Reporting and Data System：inter⁃ and in⁃ ［51］WU H C，LIU F，YANG Q S，et al. Automated MRI sys⁃
traobserver variability in feature analysis and final assess⁃ tem for clinically significant prostate cancer detection de⁃
ment［J］. AJR Am J Roentgenol，2000，174（6）：1769- velopment validation and real⁃world implementation［J］.
1777 Nat Commun，2025，16（1）：11583
［41］ALIKHASSI A，ESMAILI GOURABI H，BAIKPOUR M. ［52］XING Z Y，CHEN J，PAN L，et al. Enhanced detection of
Comparison of inter ⁃ and intra ⁃ observer variability of prostate cancer lesions on biparametric MRI using artifi⁃
breast density assessments using the fourth and fifth edi⁃ cial intelligence：a multicenter，fully⁃crossed，multi⁃read⁃
tions of Breast Imaging Reporting and Data System［J］. er multi⁃case trial［J］. Acad Radiol，2025，32（10）：5954-
Eur J Radiol Open，2018，5：67-72 5963
［42］BECKER A S，BARTH B K，MARQUEZ P H，et al. In⁃ ［53］CHEN H，YANG B W，QIAN L，et al. Deep learning pre⁃