
-
生物通官微
陪你抓住生命科技
跳动的脉搏
整合常规CT、双层光谱探测器CT及影像组学特征的联合模型对胰腺神经内分泌肿瘤与神经内分泌癌的术前鉴别价值
《BMC Medical Imaging》:A spectral CT radiomics nomogram for preoperative discrimination between pancreatic neuroendocrine tumors and carcinomas
【字体: 大 中 小 】 时间:2026年10月16日 来源:BMC Medical Imaging 3.9
编辑推荐:
摘要目的开发并验证一种整合常规 CT、双层光谱探测器 CT(DLCT)及影像组学特征的联合模型,用于术前鉴别胰腺神经内分泌肿瘤(PNETs)与神经内分泌癌(PNECs)。材料与方法本研究共纳入 128 例接受增强双层光谱探测器 CT(DLCT)检查且经病理诊断为胰腺神经内分泌
开发并验证一种整合常规 CT、双层光谱探测器 CT(DLCT)及影像组学特征的联合模型,用于术前鉴别胰腺神经内分泌肿瘤(PNETs)与神经内分泌癌(PNECs)。
本研究共纳入 128 例接受增强双层光谱探测器 CT(DLCT)检查且经病理诊断为胰腺神经内分泌瘤(PNENs)的患者。所有患者分为 PNETs 组(n = 86)和 PNECs 组(n = 42),并按 7:3 的比例随机分为训练组(n = 89)和验证组(n = 39)。收集患者的常规临床数据、常规 CT 特征及 DLCT 参数,并基于静脉期 40 keV 虚拟单能图像(VMIs)提取影像组学特征。采用逻辑回归分析识别鉴别 PNETs 与 PNECs 的独立预测因子。构建常规 CT 模型、DLCT 模型、基于 40 keV VMIs 的影像组学模型及联合模型。通过 Delong 检验比较各模型的曲线下面积(AUC),并基于最优模型绘制列线图。
联合模型显示出优越的预测性能,在训练集中的 AUC 达到 0.956,在验证集中达到 0.905。Delong 检验显示,在训练集中,联合模型显著优于常规 CT 模型、DLCT 模型及影像组学模型(AUC 分别为:0.794、0.835 和 0.871;所有 P < 0.05)。在验证集中,联合模型与常规 CT 模型、DLCT 模型及影像组学模型之间的 AUC 差异无统计学意义(AUC 分别为:0.787、0.805 和 0.811;所有 P > 0.05)。决策曲线和校准分析进一步支持了联合模型在临床应用中的稳健性和良好的拟合优度。
联合模型在识别 PNETs 和 PNECs 方面表现出令人满意的效果,可能有助于临床决策,但其优越性需要在外部独立队列中进一步验证。
开发并验证一种整合常规 CT、双层光谱探测器 CT(DLCT)及影像组学特征的联合模型,用于术前鉴别胰腺神经内分泌肿瘤(PNETs)与神经内分泌癌(PNECs)。
本研究共纳入 128 例接受增强双层光谱探测器 CT(DLCT)检查且经病理诊断为胰腺神经内分泌瘤(PNENs)的患者。所有患者分为 PNETs 组(n = 86)和 PNECs 组(n = 42),并按 7:3 的比例随机分为训练组(n = 89)和验证组(n = 39)。收集患者的常规临床数据、常规 CT 特征及 DLCT 参数,并基于静脉期 40 keV 虚拟单能图像(VMIs)提取影像组学特征。采用逻辑回归分析识别鉴别 PNETs 与 PNECs 的独立预测因子。构建常规 CT 模型、DLCT 模型、基于 40 keV VMIs 的影像组学模型及联合模型。通过 Delong 检验比较各模型的曲线下面积(AUC),并基于最优模型绘制列线图。
联合模型显示出优越的预测性能,在训练集中的 AUC 达到 0.956,在验证集中达到 0.905。Delong 检验显示,在训练集中,联合模型显著优于常规 CT 模型、DLCT 模型及影像组学模型(AUC 分别为:0.794、0.835 和 0.871;所有 P < 0.05)。在验证集中,联合模型与常规 CT 模型、DLCT 模型及影像组学模型之间的 AUC 差异无统计学意义(AUC 分别为:0.787、0.805 和 0.811;所有 P > 0.05)。决策曲线和校准分析进一步支持了联合模型在临床应用中的稳健性和良好的拟合优度。
联合模型在识别 PNETs 和 PNECs 方面表现出令人满意的效果,可能有助于临床决策,但其优越性需要在外部独立队列中进一步验证。