基于MRI和PET的机器学习放射组学在胰腺导管腺癌转移预测中的应用：一项系统评价

《Journal of Gastrointestinal Cancer》：MRI and PET-Based Machine Learning Radiomics for Metastasis Prediction in Pancreatic Ductal Adenocarcinoma: A Systematic Review

ML辅助影像组学通过整合MRI和PET影像特征提升胰腺癌转移预测准确性，但证据质量低需多中心验证。

　　

摘要

背景

胰腺导管腺癌（PDAC）是一种侵袭性强的恶性肿瘤，患者生存率较低，其生存率下降的部分原因在于早期转移。传统成像方法在准确预测转移方面精度不足。基于机器学习（ML）的放射组学技术，通过整合磁共振成像（MRI）和正电子发射断层扫描（PET）等模态的定量成像特征，可能提高预后预测的准确性。

目的

系统性地评估基于ML的放射组学模型在预测PDAC转移方面的诊断准确性和临床应用价值。

方法

根据PRISMA 2020指南（PROSPERO: CRD420251109941），对PubMed、Embase、Scopus、Web of Science和Cochrane Library进行了系统性检索。符合条件的研究将基于ML的放射组学技术应用于MRI、PET或MRI/PET联合检查，以预测组织学或临床确诊的PDAC患者的转移情况。提取了关于研究设计、患者特征、成像方案、特征选择、ML算法、性能指标和验证策略的数据。使用QUADAS-2对方法学质量进行了评估，并根据GRADE框架对证据确定性进行了分级。

结果

共有7项研究符合纳入标准并被纳入系统性回顾。其中，基于MRI的模型最为常见，另有1项研究结合了PET和MRI技术。整体偏倚风险为中等，主要源于回顾性设计及参考标准的不统一性。由于数据不精确性和潜在的发表偏倚，PET/MRI组合研究的诊断准确性证据确定性较低。

结论

基于ML的放射组学技术在预测PDAC转移方面显示出良好的准确性，尤其是使用MRI和PET/MRI模态时。与临床生物标志物的结合进一步提升了预测价值。然而，由于方法学上的局限性以及证据确定性较低，在临床应用之前，需要进行前瞻性、多中心的研究，并采用标准化方案进行验证。