基于肿瘤内和肿瘤周围CT值比值以及异常血管网络，区分G3胰腺神经内分泌肿瘤与胰腺神经内分泌癌

《Frontiers in Oncology》：Differentiation between G3 pancreatic neuroendocrine tumor and pancreatic neuroendocrine carcinoma based on intratumor and peritumor CT value ratio and abnormal vascular network

胰腺神经内分泌肿瘤（G3 pNETs）与胰腺神经内分泌癌（pNECs）的CT影像特征鉴别研究。回顾性分析42例患者腹部增强CT，构建基于动脉期和门静脉期CT比值（B1/B2）、胰腺管浸润（PDI）、周围脂肪浸润（PFI）及异常血管网络（AVN）的多变量模型，AUC 0.970（95%CI 0.927-1.000），敏感性95.50%，特异性90.00%，为影像鉴别提供新指标。

　　本研究旨在通过计算机断层扫描（CT）图像，建立一个能够有效区分三级胰腺神经内分泌肿瘤（G3 pNETs）和胰腺神经内分泌癌（pNECs）的模型。胰腺神经内分泌肿瘤（pNENs）是一种具有高度异质性的肿瘤类型，其生物学行为和临床表现因肿瘤分级而异。在临床实践中，准确鉴别G3 pNETs与pNECs具有重要意义，因为这两类肿瘤在病理特征、治疗方案和预后方面存在显著差异。G3 pNETs通常生长较缓慢，对某些治疗方式如烷化剂、生长抑素类似物和靶向治疗可能有反应，而pNECs则更倾向于对铂类化疗药物（如顺铂/依托泊苷）产生较好的疗效。因此，早期和准确的鉴别对于患者的个体化治疗和预后评估至关重要。

在影像学方面，虽然磁共振成像（MRI）在区分pNETs和pNECs方面表现优异，但由于其在某些地区设备稀缺、成本较高，且操作流程较为复杂，难以广泛应用于临床实践。相比之下，CT作为一种更普及、成本较低且操作便捷的影像技术，已成为pNENs初步诊断和评估的重要工具。然而，传统的CT图像分析方法在区分G3 pNETs和pNECs方面存在局限性，尤其是在肿瘤增强特性、周围脂肪浸润以及血管网络异常等方面，缺乏系统性的定量指标。因此，本研究提出了一种基于CT图像特征的定量模型，结合了肿瘤与周围区域的增强比值、胰管侵犯（PDI）、周围脂肪浸润（PFI）以及异常血管网络（AVN）等指标，以期提高鉴别诊断的准确性。

研究纳入了42名在JINCHENG GENERAL医院接受腹部CT检查的患者，其中20名为G3 pNETs，22名为pNECs。通过对这些患者的CT图像进行回顾性分析，研究人员评估了肿瘤及其周围区域的特征，包括动脉期和门静脉期的动态增强表现。研究发现，在动脉期和门静脉期，肿瘤与周围区域的增强比值（CT比值B1和B2）以及PDI、PFI和AVN等指标在两组之间存在显著差异。其中，CT比值B2在门静脉期的诊断效能最高，其曲线下面积（AUC）达到了0.902，敏感性为95.00%，特异性为72.70%。而当将这些指标与CT比值B1和B2相结合时，模型的诊断效能进一步提升，AUC达到0.970，敏感性为95.50%，特异性为90.00%。这表明，CT比值B1和B2的组合，加上PDI、PFI和AVN的评估，能够更有效地鉴别G3 pNETs与pNECs。

研究还采用了一种统一的CT图像分析方法，确保了数据的可靠性和一致性。两名经验丰富的放射科医生使用PACS系统对图像进行分析，并在出现分歧时通过讨论达成一致。在CT值测量方面，研究人员特别关注了肿瘤及其周围区域的增强表现，定义了两个关键区域：距离肿瘤边缘0-10 mm的区域A和10-20 mm的区域B。这两个区域的选择基于对肿瘤周围组织受多种不稳定因素（如水肿、炎症、坏死和邻近组织浸润）影响的考虑，因此认为区域B的CT值更能反映肿瘤的生物学特性。通过手动勾画感兴趣区域（ROI）并计算其平均CT值，研究人员进一步得出了肿瘤与区域A和区域B之间的增强比值，作为模型的输入参数。

在统计分析方面，研究采用了二元逻辑回归模型和受试者工作特征（ROC）曲线分析。通过比较不同组合指标的诊断效能，研究人员发现，包含CT比值B1、B2、PDI、PFI和AVN的模型表现最佳，其AUC为0.970，敏感性和特异性分别达到95.50%和90.00%。相比之下，仅使用CT比值B1和B2的模型诊断效能较低，AUC为0.907，敏感性为77.30%，特异性为95.00%。而当CT比值B1、B2与AVN相结合时，AUC为0.923，敏感性为81.80%，特异性为85.00%。这说明，除了CT增强比值外，AVN等血管相关特征在鉴别诊断中也具有重要作用。

在讨论部分，研究强调了模型构建的科学性和临床意义。该研究结合了定量和定性分析方法，从多个角度评估了肿瘤的影像学特征，包括肿瘤的增强模式、周围脂肪浸润程度以及血管网络的结构。这些特征能够反映肿瘤的生物学行为，如生长速度、侵袭性以及是否具有转移倾向。研究还指出，虽然之前有研究利用MRI或CT图像的其他参数（如ADC值、放射组学特征等）来预测肿瘤的侵袭性和分级，但缺乏针对G3 pNETs和pNECs的专门模型。本研究填补了这一空白，为临床提供了一种新的、基于CT图像的诊断工具。

此外，研究还探讨了模型的优缺点。一方面，该研究采用统一的CT设备和相同的分析方法，确保了数据的一致性和可比性；另一方面，由于研究样本来自单一中心，且G3 pNETs和pNECs均为罕见肿瘤，样本量相对较小，可能影响模型的普遍适用性。此外，由于研究为回顾性设计，数据主要依赖于病历记录，可能存在一定的偏差。虽然模型在本研究中表现出较高的诊断效能（AUC为0.970），但尚未进行外部验证，因此需要进一步的研究来确认其在更广泛人群中的适用性。

在临床应用方面，本研究提出的模型具有重要的现实意义。由于G3 pNETs和pNECs的治疗策略和预后存在显著差异，早期和准确的鉴别对于患者的治疗选择和预后评估至关重要。例如，G3 pNETs可能对某些靶向治疗药物或生长抑素类似物有较好的反应，而pNECs则更倾向于接受铂类化疗方案。因此，能够通过CT图像快速、准确地区分这两类肿瘤，有助于临床医生在患者尚未接受手术或病理检查之前做出更合理的治疗决策，避免过度或不足的治疗，从而改善患者的整体管理。

研究还指出，虽然目前已有多种影像学方法用于pNENs的分级和鉴别诊断，但这些方法往往需要复杂的设备或技术，如MRI、ADC值分析或放射组学特征提取。相比之下，CT作为一种常规且广泛应用的影像技术，具有更高的可及性和操作便捷性，因此在实际临床中更具优势。然而，由于缺乏对CT图像中肿瘤与周围组织关系的系统分析，传统的CT诊断方法在区分G3 pNETs和pNECs方面存在一定的局限性。本研究通过引入CT比值B1和B2，以及PDI、PFI和AVN等指标，为CT在pNENs鉴别诊断中的应用提供了新的思路和方法。

综上所述，本研究构建了一个基于CT图像特征的模型，能够有效区分G3 pNETs和pNECs。该模型结合了肿瘤与周围组织的增强比值、胰管侵犯、周围脂肪浸润以及异常血管网络等指标，具有较高的敏感性和特异性。尽管研究存在一定的局限性，如样本量较小和未进行外部验证，但其提出的模型为胰腺神经内分泌肿瘤的临床诊断提供了新的依据，具有重要的应用前景。未来的研究可以进一步扩大样本量，并结合其他影像学和分子生物学方法，以提高模型的准确性和普适性。此外，随着人工智能和深度学习技术的发展，这些CT图像特征也可以作为训练模型的数据基础，推动精准医学在肿瘤诊断和治疗中的应用。