基于123 I-MIBG SPECT/CT影像组学的周围神经母细胞瘤病理亚型无创预测研究

为解决周围神经母细胞瘤(pNTs)病理亚型鉴别难题，研究人员通过123 I-MIBG SPECT/CT影像组学分析，构建融合临床特征与放射组学特征的联合模型及投票分类器，训练集宏平均AUC达0.968，验证集准确率81.0%，为儿童实体瘤精准诊疗提供新型无创工具。

　　

这项开创性研究探索了如何利用放射性核素碘-123标记的间碘苄胍(¹²³
I-MIBG)单光子发射计算机断层扫描/计算机断层扫描(SPECT/CT)技术，通过高通量影像组学特征分析实现周围神经母细胞瘤(peripheral neuroblastic tumors, pNTs)病理亚型的智能判别。作为儿童期最常见的恶性实体肿瘤，pNTs包含神经母细胞瘤、节细胞神经母细胞瘤等多种亚型，其病理特征直接影响临床预后决策。

研究团队创新性地对67例患儿进行多中心回顾性分析，采用7:3比例随机划分训练集与验证集。通过单变量特征筛选与递归特征消除算法，从1702个原始特征中精选出6项临床参数和9个放射组学标志物。令人振奋的是，基于逻辑回归的融合模型在验证集展现出81.0%的判别准确率，而集成四种算法的投票分类器更将训练集性能提升至87.0%准确率与0.968宏平均AUC值，其稳定性在独立验证集中得到充分验证(0.879 AUC)。

该突破性成果标志着影像组学可作为pNTs术前无创分型的"数字病理"工具，为制定个体化治疗方案提供客观依据。特别是投票分类器的优异表现，证实多算法协同策略能显著提升肿瘤特征解码能力，这种创新方法学框架也可拓展至其他恶性肿瘤的精准诊断领域。