APEX-NET：基于早期非对比CT的胰腺自动评估网络

《European Radiology》：APEX-NET: automated pancreatic evaluation network using early non-contrast CT

　　

摘要

研究目的

利用增强型CT的特征学习技术，开发并验证APEX-NET模型，以便通过非对比CT实现对急性胰腺炎的早期诊断及严重程度分级。

材料与方法

这项在五个中心开展的回顾性及前瞻性研究共纳入3383名患者，包括急性胰腺炎患者以及非急性胰腺炎患者（腹痛患者和健康人群）。该模型使用3个内部队列和2个外部队列进行训练和评估，功能包括胰腺分割、急性胰腺炎诊断（区分急性胰腺炎与非急性胰腺炎）以及根据修订后的亚特兰大分类标准进行严重程度预测（轻度、中度或重度）。研究还采用了特征映射模块，通过配对的NCCT与CECT特征学习，从NCCT中提取模拟的CECT特征。此外，还通过亚组分析进一步评估了该模型，并通过与6名经验不同的放射科医生对比，进行了读者研究。评估指标包括 Dice相似系数、接收者操作特征曲线下面积以及准确率。

研究结果

在急性胰腺炎诊断方面，APEX-NET在验证集、内部测试集以及两个外部测试集中的AUC值分别为0.949、0.958、0.981和0.955。在严重程度预测方面，APEX-NET的表现显著优于NCCT模型（p＜0.05），其宏观平均AUC值分别为0.873（验证集）和0.872（内部测试集）。在几乎所有年龄、性别和病因亚组中，APEX-NET都展现出优势。在读者研究中，其表现与资深放射科医生相当，且优于初级放射科医生（p＜0.05）。

结论

APEX-NET能够基于NCCT实现急性胰腺炎的准确诊断及早期严重程度分级，具有很高的临床应用潜力，可有效解决依赖CECT检查所带来的时间延迟问题。

要点总结

问题 目前缺乏一种能够通过初始诊断扫描即NCCT准确预测急性胰腺炎严重程度的方法，从而导致错过关键的干预时机。

研究发现 通过整合增强型CT特征学习技术，可实现急性胰腺炎严重程度的准确预测。该模型在不同人群、不同病因以及不同成像参数条件下均表现出良好的性能。

临床意义 APEX-NET是一种基于NCCT的深度学习框架，它能够加快急性胰腺炎的诊断和严重程度分级速度，其表现与资深放射科医生相当，同时还能减少对延迟进行的增强型CT检查的依赖，具备很好的临床应用前景。

图形摘要