基于增強CT掃描圖像的影像組學模型對胰腺導管腺癌和胰腺神經內分泌腫瘤的鑒別診斷價值

[中圖分類號] R445.3 [文獻標志碼] A

The value of radiomic models based on contrast-enhanced computed tomography images in distinguishing between pancreatic ductal adenocarcinoma and pancreatic neuroendocrine neoplasmsZHUANG Yuan，CUI Jingjing，YANG Guangjie，LI Ben，WANG Ning，SUN Hukui ， WANG Zhenguang（Department of Nuclear Medicine，The Affiliated Hospital of Qingdao University，Qingdao 266075，China）

[ABSTRACT]ObjetiveTo evaluate the valueof radiomic models based oncontrast-enhanced computed tomography（CT） images indiferentiating pancreaticductaladenocarcinoma（PDAC）frompancreatic neuroendocrineneoplasms（pNEN）．Methods A totalof291casesof pancreatictumors（218 PDACcasesand73pNENcases）from TheAfiliated HospitalofQingdaoUniversityfromNovember2016to September 2022 wereasignedtothe trainingset，while124cases（93PDACcasesand31pNENcases） from ShandongProvincialHospitalwereasigned tothetestset.Tumorregionsof interest （ROIweredelineatedonarterial-phase andvenous-phasecontrast-enhanced CTimagesoftheupperabdomen，and subsequently，radiomicfeatures wereextractedandselected.Radom forest models wereconstructedusingtheradiomicfeatures preprocesed with six methodsseparately：L1-normregularization，L2-normregularization，maximum absolute normalization，min-max normalization，quantile transformation，and Yeo Johnsontransformation.The eficacyofthe sixrandom forest models fordistinguishing between PDACand pNEN wasassessed usingtheareaunder thereceiveroperatingcharacteristiccurve（AUC）.TheBrierscore（BS）wascalculatedtoevaluatemodelcalibration.Adecisioncurveanalysis（DCA）wasperformedtoquantifythenetclinicalbenefit.ResultsForthesixrandomforest models，the AUCs were 0.981-0.998 in the training set and 0.685-0.840 in the test set，with the accuracies being 92.8%- 98.2% and 51.8%-86.7% ，respectively. The quantile transformation-based random forest model demonstrated the best performance，showing an AUC of 0.840 ，a sensitivity of 90.2% ，a specificity of 77.0% ， and an accuracy of 86.7% ， significantly surpassing those of the other models，also with the best calibration （ BS=0.119 . The DCA results indicated that the quantile transformationbasedrandomforestmodeldemonstratedsuperiornet linicalbenefits inboththetrainingsetandtestset.ConclusionRadiomic models based on contrast-enhanced CT features can effectively differentiate PDAC from pNEN，in which the quantile transformationbasedrandom forest model exhibits superior diagnostic performance， demonstrating potential for clinical application.

[KEY WORDs]Imaging genomics； Tomography，X-ray computed;Pancreatic neoplasms；Carcinoma，pancreatic ductal; Neuroendocrine tumors；Diagnosis，differential；Model building；Big data

胰腺導管腺癌（pancreaticductaladenocarcinoma，PDAC）是最常見的胰腺癌病理類型，其主要來源于胰管上皮細胞，具有較高的惡性程度及死亡率，且近年來發病率顯著上升[1-4]。胰腺神經內分泌腫瘤（pancreatic neuroendocrine neoplasm，pNEN）是一種源于胰腺多能神經內分泌干細胞的異質性腫瘤，在胰腺腫瘤中占比約 2%^[5-6] 。部分pNEN的影像學表現缺乏特異性，常規影像學檢查難以進行精準診斷。典型pNEN的CT影像可表現為富血供占位，在動脈期或門脈期表現為明顯強化，可與其他胰腺腫瘤相鑒別；但部分pNEN由于內部纖維間質含量較高，強化不典型，而常被誤診為PDAC或實性假乳頭狀腫瘤等。PDAC和pNEN具有不同的生物學特性和臨床治療策略[8-9]，目前如何準確鑒別兩者是影像學診斷面臨的問題之一。

影像組學是指從CT、MRI、超聲、PET/CT等影像圖像中高通量提取的定量特征，包括病灶大小、形狀、紋理、邊緣和功能等信息，將其轉化為計算機可處理的信息并運用數學算法處理，從而獲得更深層次和多元化的用于疾病診斷及評估的數據。影像組學中提取的特征信息目前在多種疾病的診療和預后預測方面均有較好效果[10-13]，最新研究證實應用影像組學可有效鑒別診斷胰腺疾病[14-15]。因此，本研究基于增強CT掃描圖像構建影像組學模型，以探究該模型對PDAC與pNEN的鑒別效能。現將結果報告如下。

1資料與方法

1.1 一般資料

選擇2016年11月—2022年9月青島大學附屬醫院及山東第一醫科大學附屬省立醫院收治的311例PDAC患者與104例pNEN患者，將青島大學附屬醫院的291例患者設為訓練集（包括PDAC218 例及pNEN73例），將山東第一醫科大學附屬省立醫院124例患者設為測試集（包括PDAC93例及pNEN31例）。患者的納入標準： ① 經超聲引導穿刺活檢或術后病理確診為PDAC或pNEN者；② 穿刺活檢或術前2周內行上腹增強CT檢查者；③ CT 檢查前4周內未行抗腫瘤治療（包括化療、放療、靶向治療或免疫治療）者； ④ 年齡 18～80 歲，且臨床資料完整者。排除標準： ① 合并其他器官惡性腫瘤，或存在胰腺轉移性腫瘤者； ② 增強CT檢查圖像質量不佳者； ③ 合并急性胰腺炎、慢性胰腺炎急性發作或自身免疫性胰腺炎等可能干擾腫瘤特征判讀的胰腺炎性病變者。

1.2增強CT掃描圖像分割與特征提取

本研究中患者的增強CT檢查所用儀器包括飛利浦BrillianceiCT256、西門子Somatom Defini-tionFlash128、西門子SomatomSensation64或飛利浦Brilliance16CT掃描儀。從圖像存檔和通信系統中以DICOM格式導出所有患者上腹部增強CT檢查動脈期及靜脈期圖像，經圖像重采樣和灰度離散化標準化處理后[16]，使用中國上海聯影智能醫療科技有限公司開發的聯影人工智能研究門戶（uAI）平臺（https：//urp.united-imaging.com/），采用半自動分割技術在動、靜脈期圖像上沿病灶邊緣逐層勾畫感興趣區域（ROI），并生成腫瘤的三維容積感興趣區域（VOI）。由具有5年及8年腹部影像診斷經驗的兩名醫師對自動分割結果進行判定，對分割不佳的病例在聯影uAI平臺上逐層手動修正ROI并且生成修正后VOI，而后計算組內以及組間相關系數（ICCs），將 ICCsgt;0.75 的特征納入后續處理。最后使用對數濾波、指數濾波、平方濾波、平方根濾波、小波變換等方法，提取動脈期 + 靜脈期CT掃描圖像中共3852個影像組學特征。

1.3影像組學模型的構建與效能評估

通過uAI平臺將所有特征均值方差歸一化，將數據集中的每個樣本映射到同一尺度[17]，隨后依次采用相關系數、最小冗余最大相關、最小絕對收縮與選擇算子進行降維，排除冗余或不相關特征，并篩選能夠鑒別PDAC與pNEN的影像組學特征。采用L1范數正則化、L2范數正則化、絕對值最大歸一化、最大最小歸一化、Quantile變換、Yeo-Johnson變換6種預處理方法分別處理上述特征，預處理后的特征均輸入隨機森林分類器，從而構建6種預處理隨機森林模型。

1.4 統計學處理

采用ROC曲線及AUC分析6種預處理隨機森林模型對PDAC和pNEN的鑒別診斷效能，繪制校正曲線計算布里爾分數（BS）對6種模型的擬合度進行整體評價，采用決策曲線分析（DCA）分析6種預處理隨機森林模型的臨床凈獲益。

2結果

2.1 患者一般資料

青島大學附屬醫院的291例患者當中，包括218例PDAC患者（低分化81例，中分化119例，高分化18例）及73例pNEN患者（無功能性pNEN39例，胰島素瘤11例，胃泌素瘤8例，胰高血糖素瘤2例，生長抑素瘤2例，血管活性腸肽瘤1例，其他類型或未分類pNEN1O例）。山東第一醫科大學附屬省立醫院的124例患者中，包括93例PDAC患者（低分化41例，中分化49例，高分化3例）及31例pNEN患者（無功能性pNEN15例，胰島素瘤4例，胃泌素瘤4例，生長抑素瘤1例，其他類型或未分類pNEN7例）。

2.26種預處理隨機森林模型的構建及效能評估

6種預處理隨機森林模型均包含了61個影像組學特征，包括24個小波變換特征，17個紋理特征，12個統計特征等。在訓練集和驗證集中通過ROC曲線、校正曲線及DCA對6種預處理隨機森林模型性能進行分析。其中Quantile變換隨機森林模型在訓練集和測試集中對PDAC與pNEN鑒別診斷效能均較高 ?AUC=0.998，0.840 ，準確度 92.8%.86.7%） ，而Yeo-Johnson變換隨機森林模型在訓練集以及測試集當中也均具有較好的鑒別診斷的效能 （AUC=0.998，0.835 ，準確度 =92.8% 、85.5% ），見圖1、表1。校正曲線結果顯示，訓練集當中Quantile變換隨機森林模型與Yeo-Johnson變換隨機森林模型的BS均較低，并且在測試集當中Quantile變換隨機森林模型的BS最低，這提示Quantile變換隨機森林模型的鑒別效能最好（圖2）。DCA結果顯示，所有模型在訓練集中都有較高的臨床凈獲益，而在測試集中除絕對值最大歸一化隨機森林模型和最大最小歸一化隨機森林模型外，其余模型均有較高的臨床凈獲益（圖3）。

3討論

傳統影像學檢查在胰腺病變初診、分期及制定治療方案和評估治療效果中起著重要作用，但是在鑒別PDAC與pNEN時仍然面臨特異性不足的問題[18]。部分pNEN在CT、MRI動態增強掃描時與PDAC的強化方式相似，往往造成兩者間的鑒別診斷困難[19]。經腹超聲檢查操作方便、無創、重復性好，可實時觀察腫瘤形態學特征及血供情況，但由于檢查時易受腸氣干擾，存在假陽性或假陰性概率，對胰腺腫瘤診斷作用有限[20]。PET/CT作為目前最先進的影像學檢查技術，在診斷PDAC和pNEN時可能因顯像劑敏感性差異、腫瘤代謝異質性及小病灶分辨率不足而導致結果假陰性或鑒別困難[20-21]盡管細針穿刺細胞學檢查被視作是鑒別PDAC與pNEN的金標準，但其操作可能引發感染、出血及胰瘺等并發癥，且存在腹膜種植風險[22]。為了解決PDAC與pNEN間無創鑒別困難問題，本研究基于增強CT影像組學構建了鑒別診斷模型，旨在降低PDAC以及pNEN的誤診率，為精準診斷提供新的方法。

影像組學能夠從傳統影像學檢查圖像中提取大量信息，可定量、無創識別腫瘤異質性。本研究構建的6種預處理隨機森林模型納入了61個影像組學特征，其中包含小波變換特征、紋理特征、統計特征等，這些特征對鑒別pNEN與PDAC具有重要價值。其中小波變換特征可以捕捉腫瘤在不同尺度下的異質性特征，紋理特征能反映腫瘤內部細微結構的差異，而統計特征則可以量化腫瘤強化模式的灰度變化[14-15]。pNEN與PDAC 在微血管分布、組織密度等方面存在顯著差異，這些差異可通過上述特征得到客觀表征，使本模型能夠通過識別腫瘤的生物學行為鑒別pNEN與PDAC。

近年來，多項研究證實基于影像組學特征的隨機森林模型在疾病鑒別診斷中具有優良性能。有研究采用多個CT影像組學模型區分直腸神經內分泌腫瘤和直腸導管腺癌，其中隨機森林模型在訓練集和測試集展現出較好的鑒別效能[23]。為預測肺癌患者生存率，PARMAR等[24]基于增強CT掃描圖像比較了12種影像組學模型的性能與穩定性，結果表明隨機森林模型較其他模型表現出較高的預測效能。本研究在隨機森林模型的基礎上進一步使用6種預處理方法，以提升模型性能。結果顯示，Quan-tile變換隨機森林模型在訓練集和測試集均表現優異，且泛化能力突出，其AUC差值僅為0.158，遠低于其他模型。在測試集中，該模型的靈敏度、特異度和準確度均顯著優于其他預處理方法。除此之外，Quantile變換隨機森林模型的校正曲線亦展現出最佳校準性能，表明其預測概率與實際風險高度匹配，適合臨床決策。DCA結果進一步證實，該模型在訓練集和測試集中均有較高的臨床凈獲益。

本研究嚴格遵循世界衛生組織標準，納入了全亞型pNEN病例，通過區分神經內分泌與導管上皮起源腫瘤的本質差異，提升模型的臨床普適性。研究整合了雙中心6年收治的104例pNEN患者資料，覆蓋了pNEN主要亞型，有效規避亞型細分導致的樣本量不足問題。此設計與國際主流研究方案一致，通過全譜系病例納入確保模型在真實臨床場景中的泛化能力與穩健性。但本研究仍存在一定局限性，首先，本研究聚焦于增強CT影像組學模型在鑒別PDAC與pNEN中的價值，模型缺乏對患者臨床特征的納入；其次，本研究的ROI分割仍需要人工介人，可能引入操作者依賴性偏差。后續隨著計算機算法的進步，全自動分割工具的引入有望顯著提高精確度和工作效率[25]

綜上所述，基于增強CT掃描圖像特征的影像組學模型在PDAC與pNEN的鑒別診斷方面具有一定價值，其中Quantile變換隨機森林模型的鑒別診斷效能最高。CT影像組學在胰腺腫瘤的鑒別中具有一定臨床應用潛力，其與人工智能算法的深度融合有望推動胰腺腫瘤的精準診斷技術革新。

倫理批準和知情同意：本研究涉及的所有試驗均已通過青島大學附屬醫院醫學倫理委員會的審核批準（文件號QYFYWZLL27217）。所有試驗過程均遵照《赫爾辛基宣言》的條例進行。作者聲明：莊園、王振光、楊光杰、崔景景、李奔參與了研究設計；莊園、楊光杰、王寧、孫虎魁參與了論文的寫作和修改。所有作者均閱讀并同意發表該論文，且均聲明不存在利益沖突。

[參考文獻]

[1]GENERAL OFFICE OF NATIONAL HEALTH COMMIS-SION.胰腺癌診療指南（2022年版）[J].臨床肝膽病雜志，2022，38（5）：1006-1030.

[2]SIEGELRL，MILLERKD，WAGLENS，et al.Cancer sta-tistics，2023[J].CAACancerJClin，2023，73（1） ：17-48.

[3]KLEIN A P. Pancreatic cancer epidemiology：Understandingtheroleoflifestyleand inherited risk factors[J].NatRevGas-troenterolHepatol，2021，18（7）：493-502.

[4]XU Y Y，LIU W，LONG Z，et al.Mortality and years of lifelost due to pancreatic cancer in China，its provinces，urban andrural areas from 20o5 to 202o：Results from the national mor-talitysurveillance system[J].BMCCancer，2023，23（1）：893.

[5]吳文銘，陳潔，白春梅，等.中國胰腺神經內分泌腫瘤診療指南（2020）[J].中國實用外科雜志，2021，41（6）：601-617，632.

[6]ELKELANYO O，KARAISZ FG，DAVIES B，et al. Anoverview of pancreatic neuroendocrine tumors and an update onendoscopic techniques for their management[J].Curr Oncol，2023，30（8）：7566-7580.

[7]李穎，邊云，邵成偉.胰腺神經內分泌腫瘤基于人工智能的影像組學進展[J].放射學實踐，2024，39（10）：1399-1403.

[8] 馬露，何為，劉劍羽.擴散加權成像單指數模型及體素內不相干運動模型鑒別乏血供胰腺神經內分泌腫瘤和胰腺癌的價值[J].中國醫學影像學雜志，2019，27（7）：487-490.

[9]GUO C G，CHEN X，WANG Z Q，et al.Differentiation ofpancreatic neuroendocrine carcinoma from pancreatic ductaladenocarcinoma using magnetic resonance imaging：The valueof contrast-enhanced and diffusion weighted imaging[J]. Onco-target，2017，8（26）：42962-42973.

[10]楊采薇，蔣涵羽，劉曦嬌，等.影像組學在胰腺腫瘤病變影像學評估中的研究進展[J].放射學實踐，2019，34（9）：963-968.diomics and liver： Where we are and where we are headed？[J]. Eur J Radiol，2024，171：111297.

[12]WARKENTIN M T，AL-SAWAIHEY H，LAM S，et al. Ra-diomics analysis to predict pulmonary nodule malignancy usingmachine learning approaches[J]. Thorax，2024，79（4）： 307-315.

[13］ MAYERHOEFER MARIUS E，ANDRZEJ M， GEORG L，etal. Introduction to radiomics[J]. J Nucl Med Off Publ Soc NuclMed，2020，61（4） ：488-495.

[14]HE M，LIU ZY，LIN Y S，et al. Differentiation of atypicalnon-functional pancreatic neuroendocrine tumor and pancreaticductal adenocarcinoma using CT based radiomics[J].Eur JRa-diol，2019，117：102-111.

[15] ZHANG T， XIANG Y，WANG H， et al. Radiomics combinedwith multiple machine learning algorithms in differentiatingpancreatic ductal adenocarcinoma from pancreatic neuroendo-crine tumor： More hands produce a stronger flame[J]. J ClinMed，2022，11（22）：6789.

[16]NIE P，YANG G J，WANG Y M，et al. A CT-based deeplearning radiomics nomogram outperforms the existing prog-nostic models for outcome prediction in clear cell renal cell car-cinoma：A multicenter study[J].Eur Radiol，2023，33（12）：8858-8868.

[17]趙曉萌，邵碩，鄭寧，等.IVIM、DKI聯合DCE-MRI的影像組學在預測乳腺癌HER-2表達狀態中的應用價值[J].磁共振成像，2024，15（7） ：105-111.

[18]佟陳昀顥，張水生，張韶凱，等.影像學檢查對胰腺癌的鑒別診斷價值：全國多中心回顧性研究[J].中國腫瘤，2024，33（6）：508-514.

[19］汪薇，饒圣祥，曾蒙蘇，等.增強磁共振成像對乏血供胰腺神經內分泌腫瘤及胰腺導管腺癌的鑒別診斷價值[J].中國臨床醫學，2021，28（5） ：782-788.

[20］段麗紅，郭麗蘋，尹麗，等.經腹超聲聯合超聲造影評估胰腺癌臨床分期的價值研究[J].中國現代藥物應用，2023，17（1）：63-66.

[21] KRISHNARAJU V S，KUMAR R，MITTAL BR， et al. Dif-ferentiating benign and malignant pancreatic masses：Ga-68PSMA PET/CT as a new diagnostic avenue[J]. Eur Radiol，2021，31（4）：2199-2208.

[22] ZOFIA R A. Ultrasound-guided percutaneous core-nedlebiopsy of focal pancreatic lesions-practical aspectss[J]. J Ultra-son，2022，22（89）：117-120.

[23］趙金莉.基于CT圖像的放射組學對直腸神經內分泌腫瘤和直腸腺癌的鑒別診斷價值[D].沈陽：中國醫科大學，2021.

[24] PARMAR C， GROSSMANN P， BUSSINK J， et al. Machinelearning methods for quantitative radiomic biomarkers[J]. SciRep，2015，5：13087.

[25] LAMBIN P，LEIJENAAR R T H，DEIST T M， et al. Ra-diomics： The bridge between medical imaging and personalizedmedicine[J]. Nat Rev Clin Oncol，2017，14（12）：749-762.