基于磁共振成像的深度学习影像组学列线图预测儿童胰胆管合流异常胆汁淤积进展的研究

为解决胰胆管合流异常患者肝细胞细胞角蛋白 7（CK7）状态无法无创评估的问题，研究人员开展利用磁共振成像（MRI）开发深度学习影像组学列线图的研究。结果显示该列线图预测 CK7 表达能力出色，有助于预测胆汁淤积进展及早期治疗。

　　背景：肝细胞细胞角蛋白 7（CK7）是评估慢性胆汁淤积性胆管病胆汁淤积严重程度的可靠标志物。然而，目前尚无无创检测方法来评估胰胆管合流异常患者肝细胞 CK7 的状态。目的：旨在利用磁共振成像（MRI）开发一种深度学习影像组学列线图，以在术前识别肝细胞 CK7 状态，并评估胰胆管合流异常患者的胆汁淤积进展。材料和方法：回顾性纳入 180 例胰胆管合流异常患者，随机分为训练队列（n = 144）和验证队列（n = 36）。通过免疫组织化学分析确定 CK7 状态。分别使用 Pyradiomics 和预训练的 ResNet50 提取影像组学特征和深度学习特征。采用最小冗余最大相关法和最小绝对收缩和选择算子等特征选择方法构建影像组学和深度学习特征标签。将影像特征标签与有价值的临床特征相结合，构建综合深度学习影像组学列线图模型。结果：深度学习特征标签的预测性能优于影像组学特征标签，验证队列中的曲线下面积（AUC）值更高（0.92 对 0.81）。此外，结合了影像组学特征标签、深度学习特征标签和 Komi 分类的深度学习影像组学列线图对 CK7 表达具有出色的预测能力，在验证队列中的 AUC 值为 0.95。结论：所提出的深度学习影像组学列线图在准确识别肝脏 CK7 表达方面表现出良好的性能，有助于预测胰胆管合流异常儿童的胆汁淤积进展，或许还能更早开始治疗。