如何区分预后较好的胰腺癌与其良性炎症性病变：一种结合增强超声技术的机器学习方法以实现早期干预

《Abdominal Radiology》：Identifying a better-prognosis pancreatic cancer from its benign inflammatory mimic: a machine learning approach with contrast-enhanced ultrasound for early intervention

本研究开发并验证了一个基于小样本的机器学习框架，利用定量时间-强度曲线（TIC）特征区分胰腺导管腺癌（PDAC）与mass-forming胰腺炎（MFP），在122/30队列中模型AUC达0.89-0.92，证实其有效性和可解释性。

　　

摘要

目的

血管丰富的胰腺导管腺癌（PDAC）和肿块形成性胰腺炎（MFP）在增强超声检查中具有典型的鉴别诊断特征，因为两者在动脉期都表现出类似的增强现象，这导致无法通过视觉观察进行可靠区分。重要的是，血管丰富的PDAC亚型预后较好，因此将其准确鉴别为良性炎症性疾病（MFP）对于早期和适当的干预至关重要。本研究旨在开发并验证一个基于小样本量的机器学习框架，该框架利用定量时间-强度曲线（TIC）特征来实现这种精确的区分。

材料与方法

我们回顾性地纳入了152名在2017年9月至2024年4月期间接受增强超声检查（CEUS）且病变经病理学确认的患者（85例PDAC，67例MFP）。这些患者被分为两个时间段：122名患者（2017–2022年）作为训练组，30名患者（2023–2024年）作为内部测试组。从病变部位及其相邻的正常胰腺组织中生成了成对的TIC数据，并提取了22个定量差异/比率特征，这些特征描述了增强幅度、时间动态和曲线形态。基于独立样本t检验和临床可解释性，选择了五个具有代表性的TIC特征来训练六种经典分类器（逻辑回归、支持向量机、k近邻算法、随机森林、朴素贝叶斯和决策树）。通过在对训练组进行分层10折交叉验证以及在时间分离的测试组上进行测试来评估模型性能。

结果

在嵌套交叉验证中，所有模型的AUC值均在0.89–0.92之间。在测试组中，AUC值范围约为0.83至0.92，其中逻辑回归的表现最好（AUC为0.915）。总体而言，这六种分类器的区分能力大致相当。

结论

基于少量生理学上可解释的CEUS-TIC特征构建的机器学习模型，即使在样本量有限的情况下，也能为区分血管丰富的PDAC和MFP提供稳定且可解释的定量支持。