《Frontiers in Oncology》：Differentiation of intraductal papillary mucinous neoplasms and pancreatic ductal adenocarcinoma using arterial-phase CT radiomics combined with clinical features
编辑推荐：
目的：探究基于动脉期CT放射组学联合临床特征在鉴别导管内乳头状黏液性肿瘤（IPMN）与胰腺导管腺癌（PDAC）中的价值。方法：回顾性纳入216例经病理确诊的IPMN或PDAC患者。研究人员收集了临床资料和增强CT图像。将患者分为训练队列、测试队列和外部验证队列
目的：探究基于动脉期CT放射组学联合临床特征在鉴别导管内乳头状黏液性肿瘤（IPMN）与胰腺导管腺癌（PDAC）中的价值。方法：回顾性纳入216例经病理确诊的IPMN或PDAC患者。研究人员收集了临床资料和增强CT图像。将患者分为训练队列、测试队列和外部验证队列。对临床变量和CT特征进行单因素和多因素分析，以确定独立预测因子。使用ITK-SNAP软件手动勾画感兴趣区（ROI），并使用Pyradiomics包提取放射组学特征。采用最小绝对收缩和选择算子（LASSO）方法进行特征降维和选择。计算放射组学评分，并采用随机森林（RF）算法构建放射组学模型和联合模型。评估各模型的诊断性能和临床效用。结果：多因素分析确定单发囊性病变（OR=2.33）、附壁结节（OR=2.69）和CA19-9水平（OR=2.36）为区分IPMN与PDAC的独立因素（均P<0.05）。从动脉期增强CT图像中提取的放射组学特征用于构建放射组学模型。结合放射组学特征和临床特征的联合模型表现出更优的预测性能。联合模型在训练队列中的受试者工作特征曲线下面积（AUC）为0.935（95% CI: 0.898-0.974），在测试队列中为0.931（95% CI: 0.846-1.000），显著高于单独放射组学模型（AUC分别为0.885和0.827）。外部验证队列的AUC为0.808（95% CI: 0.684-0.968），校准曲线显示预测结果与实际结果之间具有良好的一致性。决策曲线分析表明联合模型提供了更大的临床获益。结论：基于动脉期CT放射组学联合临床特征的预测模型可以有效区分IPMN与PDAC。
导管内乳头状黏液性肿瘤（intraductal papillary mucinous neoplasm，IPMN，一种胰腺导管内上皮来源的囊性肿瘤，具有恶性潜能，可进展为胰腺癌）与胰腺导管腺癌（pancreatic ductal adenocarcinoma，PDAC，一种侵袭性恶性肿瘤，5年生存率仅约13%）在CT影像学上常表现重叠，导致术前鉴别困难。尽管增强CT技术提高了IPMN的检出率，但仅凭视觉特征难以可靠区分。放射组学（radiomics，从医学图像中高通量提取定量特征的方法）可揭示肿瘤内部异质性，为鉴别提供新手段。该研究旨在构建基于动脉期CT放射组学联合临床特征的预测模型，以提高IPMN与PDAC的鉴别准确性。该论文发表在《Frontiers in Oncology》。
研究人员回顾性纳入201例经病理确诊的IPMN或PDAC患者（共216例，排除24例伴其他肝胆胰恶性肿瘤及9例动脉期图像伪影者），样本来源于双中心。将患者按8:2比例随机分为训练队列（141例，含66例IPMN和75例PDAC）和测试队列（35例，含16例IPMN和19例PDAC），另设外部验证队列（40例，含20例IPMN和20例PDAC）。主要关键技术方法包括：①基于动脉期增强CT图像，使用ITK-SNAP软件手动勾画感兴趣区（ROI），利用Pyradiomics包提取1127个放射组学特征；②采用最小绝对收缩和选择算子（LASSO）进行特征降维与选择，结合10折交叉验证确定最优惩罚参数（λ）；③基于随机森林（RF）算法构建放射组学模型及联合临床特征的联合模型；④通过受试者工作特征曲线（ROC）评估模型性能，采用校准曲线和决策曲线分析（DCA）评估校准度与临床净获益。
**临床特征与影像学表现**：通过单因素和多因素logistic回归分析，发现单发囊性病变（OR=2.33，95% CI: 1.14-4.79）、附壁结节（OR=2.69，95% CI: 1.40-5.17）和CA19-9水平升高（OR=2.36，95% CI: 1.23-4.51）是区分IPMN与PDAC的独立预测因子（均P<0.05）。性别、年龄、吸烟史、病变位置、最大直径及钙化在两无显著差异。
**特征选择与模型构建**：从1127个放射组学特征中筛选出ICC>0.90且LASSO系数非零的最优特征，计算放射组学评分。基于随机森林算法构建的放射组学模型在训练队列和测试队列的AUC分别为0.885（95% CI: 0.829-0.941）和0.827（95% CI: 0.680-0.975）。联合模型（放射组学评分+独立临床预测因子）的性能显著提升，训练队列AUC为0.935（95% CI: 0.896-0.974），测试队列AUC为0.931（95% CI: 0.846-1.000），DeLong检验显示两者差异有统计学意义（P<0.05）。外部验证队列的AUC为0.808（95% CI: 0.684-0.968），校准曲线显示预测概率与实际观察概率高度一致，决策曲线分析表明联合模型在广泛阈值范围内提供更高的临床净获益。
**讨论总结**：该研究证实动脉期CT放射组学联合临床特征可有效鉴别IPMN与PDAC，联合模型优于单独放射组学模型。既往研究已指出CA19-9、附壁结节等是恶性转化的警示指标，但影像学特征存在重叠。放射组学通过提取肿瘤纹理、形状等定量特征，可反映病理生理变化，弥补视觉评估的不足。本研究的局限性包括：双中心回顾性设计、样本量较小、未进行IPMN病理亚型分析，以及动脉期增强CT图像质量可能影响特征提取。未来需扩大样本量并探索多模态影像组学。
**研究结论翻译**：总之，基于增强CT的放射组学可用于IPMN和PDAC的分类和预测。此外，将放射组学特征与临床变量整合可进一步提高模型性能，为患者提供无创的个性化评估，支持精准医学在临床实践中的发展。
