文献速递腹部CT

基于CT的影像组学模型解读胰腺导管腺癌纤维化含量与分子差异:一项多机构研究

CT-based radiomics models decode fibrosis content and molecular differences in pancreatic ductal adenocarcinoma: a multi-institutional study.
PubMed 文献 · Insights Imaging · 2025-09-12

该研究基于三个机构回顾性纳入的215例切除PDAC患者,利用术前增强CT提取影像组学特征构建预测纤维化分级的模型,联合期相模型在训练、内部测试和外部测试队列的AUC分别为0.831、0.785、0.746,并在预后队列中显示与总生存和无病生存相关,RNA测序提示模型与纤维化生成和重塑过程相关。

要点

  • 联合期相CT影像组学模型预测PDAC高纤维化含量的外部测试AUC为0.746。
  • 高联合期相Rad-score组在预后队列中总生存和无病生存较长。
  • 常规临床因素与纤维化分级无显著关联,影像组学具独立预测价值。

核心结论

  • 联合期相影像组学模型在预测PDAC纤维化分级方面表现最佳,训练、内部测试和外部测试队列AUC分别为0.831、0.785和0.746。
  • 在预后队列中,高联合期相Rad-score组总生存(p=0.011)和无病生存(p=0.022)较低Rad-score组延长。
  • RNA测序提示不同联合期相模型与纤维化生成和重塑过程相关。

研究设计与样本

  • 回顾性多机构研究,从三个机构纳入2014年2月至2022年12月间接受手术切除的PDAC患者,共215例用于影像组学建模,中位年龄60.89岁,男性142例。
  • 训练队列来自机构1,内部测试队列来自机构2,外部测试队列来自机构3;另设预后队列(接受新辅助化疗后手术)和前瞻性生物学基础队列(机构1,2022年10月至2023年7月,15例)。
  • 所有患者术前2周内接受腹部三期增强CT(动脉期、门静脉期、延迟期),从三个期相分别提取1329个影像组学特征,联合期相共3987个特征,以ICC>0.75筛选稳健特征。
  • 参考标准为术后病理Masson染色评估的纤维化像素比例,纤维化含量分级:1级0–25%、2级26–50%、3级51–75%、4级76–100%,进一步分为低纤维化组(1级和2级)和高纤维化组(3级和4级)。

诊断标准与关键数值

  • 联合期相影像组学模型预测高纤维化含量(3级和4级)的AUC在训练队列为0.831、内部测试队列为0.785、外部测试队列为0.746。
  • 以Rad-score 0.5为界将患者分为高、低组;高联合期相Rad-score组在训练、内部测试和外部测试队列中总生存较长,HR分别为0.547(p=0.006)、0.488(p=0.032)、0.443(p=0.014)。
  • 高联合期相Rad-score组在训练、内部测试和外部测试队列中无病生存较长,HR分别为0.557(p=0.016)、0.505(p=0.026)、0.466(p=0.006)。
  • 在预后队列中,缓解组联合期相Rad-score低于非缓解组(0.45±0.27 vs 0.62±0.25,p=0.012)。

临床应用与阅片要点

  • 联合期相影像组学模型可基于术前增强CT无创预测PDAC纤维化分级,训练、内部测试和外部测试AUC分别为0.831、0.785和0.746。
  • 高联合期相Rad-score组在预后队列中总生存(p=0.011,HR=0.452)和无病生存(p=0.022,HR=0.468)较低Rad-score组延长。
  • 多因素分析显示CA19-9水平(p=0.013)和联合期相Rad-score(p=0.030)是总生存的独立预测因素,淋巴细胞比率(p=0.021)和联合期相Rad-score(p=0.022)是无病生存的独立预测因素。
  • 原文未据此给出临床推荐。

局限性

  • 原文未报告局限性。
全文中译19 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2025 Sep 12;16:190. doi: 10.1186/s13244-025-02036-z

引言

胰腺导管腺癌(PDAC)是主要的原发性胰腺恶性肿瘤,5年生存率低于12% [1, 2]。手术仍是PDAC唯一可治愈的治疗方法。由于大多数患者确诊时已处于晚期,不到20%的患者能够完全切除 [3]。化疗被推荐用于局部晚期PDAC患者,但仅能提供有限的改善。丰富的肿瘤基质成分与化疗失败相关 [4]。纤维化在肿瘤周围形成致密的物理屏障,阻碍肿瘤血管化并损害药物向癌细胞的递送 [5, 6]。白蛋白结合型紫杉醇具有减少癌相关成纤维细胞和减少肿瘤基质的独特能力 [7]。肿瘤基质比率高的局部晚期PDAC患者从白蛋白结合型紫杉醇联合吉西他滨中获益,但未从其他以吉西他滨为基础的方案中获益 [8]。此外,用纤维组织替代肿瘤细胞是评估新辅助化疗(NAC)疗效(从无反应到完全缓解)的主要病理指标之一 [9]。因此,准确评估纤维化对于监测治疗效果和治疗规划至关重要。

无创CT成像对于PDAC的诊断和评估至关重要。既往研究表明,多种影像学特征,如肿瘤直径、胰周肿瘤浸润、提示肿瘤与周围胰腺之间衰减差异,是PDAC纤维化含量的独立预测因素 [10, 11]。即便如此,影像学特征的评估具有高度主观性,可能导致放射科医生之间的不一致。影像组学是一项近期发展的技术,可基于大量高通量数据帮助预测肿瘤表型和异质性,并提供关于肿瘤生物学行为的信息 [12, 13]。目前,基于CT的影像组学已广泛用于肝纤维化分期,并显示出相当的预测价值 [14, 15]。肝纤维化和胰腺纤维化表现出相似的组织病理学变化,并共享涉及活化星状细胞的通路 [16]。然而,据我们所知,目前文献中缺乏基于CT影像组学的PDAC纤维化研究。

此外,越来越多的证据显示影像组学特征与肿瘤中特定生物学通路之间存在密切关联 [13, 17, 18]。因此,需要进一步研究来支持影像组学特征用于纤维化预测的稳健性,并探索特定分子机制,提供生物学验证并促进临床转化 [19]。

因此,我们研究的目的是构建基于术前对比增强计算机断层扫描CT(CECT)成像的影像组学模型,用于预测不同纤维化含量,在内部和外部测试队列中检验该模型,并通过分析RNA测序(RNA-seq)数据来了解相关的生物学功能。

方法

研究患者

回顾性收集2014年2月至2022年12月期间在三家独立机构因PDAC接受手术切除的患者,用于影像组学模型的构建与验证:机构1的训练队列;机构2的内部测试队列;机构3的外部测试队列。结局队列纳入2014年2月至2022年12月期间来自三家机构在新辅助化疗(NAC)后接受手术切除的患者,以评估NAC的疗效及影像组学模型的预后价值。前瞻性生物学基础队列纳入2022年10月至2023年7月期间在机构1因PDAC接受手术切除的患者。获取新鲜肿瘤标本并用于RNA测序分析,该分析在Illumina Novaseq XP平台上进行。患者的纳入和排除标准以及详细的NAC方案见附录E1–E4。详细的患者招募流程见图1A。本研究经机构1伦理审查委员会批准(KYLL-202111-222)。回顾性数据队列豁免书面知情同意要求(2021253)。每位前瞻性入组患者均获得了书面知情同意。本研究遵循影像组学研究评价清单(补充1)和方法学影像组学评分(补充2)。

图1 患者选择与研究设计。A 来自三个医学中心的训练队列、内部测试队列、外部测试队列、结局队列和生物学基础队列的患者选择流程示意图。B 影像组学特征提取、模型构建和下游分析的工作流程。Lasso,最小绝对收缩和选择算子;AUC,曲线下面积;DCA,决策曲线分析;RNA-seq,RNA测序 查看原图 ↗

CT采集与数据收集

所有患者均在手术前2周内接受腹部三相对比增强CT(CECT)检查——动脉期(AP)、门静脉期(PVP)和延迟期(DP)。详细的患者准备、成像方案和采集参数总结于附录E5。两位分别具有7年和10年腹部影像经验的放射科医师独立审阅了CT影像特征。影像学特征选自腹部放射学会和美国胰腺协会推荐的PDAC影像报告模板中的变量[20]。特征详见附录E6。

临床病理数据评估

从病历中检索PDAC患者的相关临床和常规病理数据。PDAC患者接受NAC后的组织病理学反应采用美国病理学家学会推荐的肿瘤消退分级(TRG)系统进行评估[21]。最终,患者被分为缓解组和未缓解组。临床病理变量和TRG分级系统的详细信息见附录E7。

纤维化含量评估

术后肿瘤标本的病理切片由两名分别具有7年和10年经验的胰腺病理学家复核,并通过Masson染色独立评估纤维化含量。测量方法详见附录E8。纤维化含量分级如下[22]:1级,0–25%;2级,26–50%;3级,51–75%;4级,76–100%。进一步分为两组:低纤维化组(1级和2级)和高纤维化组(3级和4级)。PDAC的Masson染色见图2。

图2 一名48岁女性被诊断为PDAC,CT图像显示肿瘤直径为27 mm,伴有胰周肿瘤浸润(A–C),CA19-9水平为254.86 U/mL(D)。肿瘤显示高纤维化含量为62.35%(Masson染色;原始放大倍数,× 400,蓝色代表纤维化)。一名59岁男性被诊断为PDAC,CT图像显示肿瘤直径为21 mm,无胰周肿瘤浸润(E–G),CA19-9水平为429.74 U/mL。H 肿瘤显示低纤维化含量为23.53%。(Masson染色;原始放大倍数,× 400,蓝色代表纤维化) 查看原图 ↗

无病生存期(DFS)和总生存期(OS)

患者在术后1、3、6和9个月以及此后每3–6个月进行随访。所有随访检查包括碳水化合物抗原19-9(CA19-9)测量和影像学检查(CECT、对比增强MRI、超声检查或正电子发射断层扫描)。DFS定义为从手术到疾病复发或死亡的时间,以先发生者为准。OS定义为从手术到任何原因死亡日期、或末次随访 visit 或研究截止日期2023年12月31日的时间间隔。

图像分割和放射组学特征提取

放射组学的工作流程如图1B所示。两名分别具有7年和10年腹部经验的放射科医生使用基于3D Slicer的开源软件(版本4.8.1,www.slicer.org)进行肿瘤分割和放射组学特征提取。详情见附录E9。随后,分别从AP、PVP和DP期的分割中提取了1329个放射组学特征,联合期(CP)放射组学特征总共为3987个特征。计算组内相关系数(ICC)以评估提取的放射组学特征的观察者内和观察者间可重复性;ICC > 0.75被选为稳健放射组学特征用于进一步分析。

无监督聚类

在训练队列中对稳健特征进行无监督凝聚层次聚类或k均值聚类,以识别具有相似放射组学特征模式的患者组。聚类可评估性通过Hopkins统计量H评估。最佳聚类数由平均轮廓统计量确定。所得聚类的稳定性通过Jaccard自举法评估。

模型构建和测试

在训练队列中,依次使用方差阈值、selectKbest和最小绝对收缩与选择算子(Lasso)方法,从AP、PVP、DP和CP图像中逐步获取最优特征。随后,根据最优影像组学特征及其各自系数计算每个期的影像组学评分(Rad-score)。在训练队列中,使用单因素和多因素logistic回归分析建立临床-影像组学融合模型。采用受试者工作特征(ROC)曲线分析及曲线下面积(AUC)、灵敏度(SEN)、特异度(SPE)和准确度(ACC)等参数评估预测性能。进行Hosmer–Lemeshow拟合优度检验,并生成校准曲线。采用决策曲线分析(DCA)评估临床实用性。此外,根据Rad-score的0.5值将训练、内部和外部队列中的患者分为高分组和低分组。采用Kaplan–Meier法生成生存曲线,并进行log-rank检验以比较两组间的OS和DFS。

结局预测及探索生物学功能

根据结局队列中CP Rad-score的0.5值将患者分为高分组和低分组。采用Kaplan–Meier法生成生存曲线,并进行log-rank检验以比较OS和DFS。采用Student t检验比较缓解组与非缓解组之间的Rad-score。将生物学基础队列患者分为低CP Rad-score组和高CP Rad-score组,以确定与影像组学特征相关的潜在生物学变化。RNA-seq数据的转录组学分析见附录E10。

统计分析

采用SPSS(版本22.0)和R软件(版本3.6.1)进行统计分析。采用Student t检验、Mann–Whitney U检验和Kruskal–Wallis H检验评估连续变量的差异。采用卡方检验和Fisher精确检验评估分类变量的差异。采用pwr.t2n.test进行功效分析,并计算经验效应量。p < 0.05定义为显著。影像组学模型构建的样本量估计及所使用的R软件包见附录E11、E12。

结果

患者特征

共纳入215例患者(年龄60.78 ± 10.06岁,范围28–84岁)。训练队列、内部测试队列和外部测试队列患者的临床、影像学和病理学特征总结于表1。三个队列之间所有特征均无显著差异(p > 0.05)。内部和外部测试队列中低纤维化组与高纤维化组之间患者的特征见表S1。

表1 患者基线特征 查看原表 ↗

影像组学特征捕捉PDAC患者在临床、影像学、病理学和预后方面的差异

对3061个稳健放射组学特征的无监督聚类分析揭示了两个不同且稳定的患者聚类,其表现出不同的放射组学肿瘤特征(图3A、B)。通过k均值聚类的亚组分析证实了其统计稳定性(Jaccard系数 > 0.90)。聚类1中的患者吸烟频率(p = 0.034)和动脉受累(p = 0.039)高于聚类2中的患者(图3A和表S2)。此外,与聚类2中的患者相比,聚类1具有更高的纤维化含量(p < 0.001)、更小的肿瘤最大直径(p = 0.002)和更低的BMI(p = 0.010)(图3C和表S2)。其他特征无显著差异(p > 0.05)。此外,纤维化含量较高的聚类1患者显示出更好的结局(p = 0.007;HR = 1.850)和更低的快速疾病进展概率(p = 0.001;HR = 2.131)(图3D、E)。

图3 PDAC患者放射组学数据的无监督k均值聚类。A 总结k均值聚类结果的热图(训练队列,n = 113)。展示了两个已识别的放射组学患者聚类与具有显著差异的分类参数之间的关联(顶部)。B k均值聚类图指示两个稳定的聚类(聚类1,红色;聚类2,蓝色)。C 箱线图显示聚类1和聚类2之间BMI、最大直径和纤维化含量等分类临床参数存在显著差异。D 总生存期(OS)的Kaplan–Meier曲线,OS定义为至全因死亡的时间。E 无病生存期(DFS)的Kaplan–Meier曲线,DFS定义为至首次肿瘤复发或转移的时间 查看原图 ↗

临床模型和放射组学模型的构建与性能

在训练队列中,多因素分析显示PVP(p = 0.005;HR = 1.068)和CP Rad评分(p < 0.001;HR = 1.007)被认为是不同纤维化分组的独立预测因子(表2)。经过Lasso回归分析(图S2),在AP、PVP、DP和CP中分别获得了6、11、3和12个非零系数特征,并分别用于构建Rad评分(附录E13)。各数据队列中放射组学特征的分布见图S3。四种模型在训练队列、内部测试队列和外部测试队列中预测不同纤维化分组的ROC见图4A–C。它们的性能展示在表3中,与其他放射组学模型的AUC值相比,CP放射组学模型具有最佳的AUC值,训练队列为0.831,内部测试队列为0.785,外部测试队列为0.746。三种数据队列中模型的校准曲线和决策曲线分析见图S4A–F。训练队列、内部测试队列和外部测试队列中高CP Rad评分组的患者相比低Rad评分组的患者显示出更长的OS(p = 0.006;HR = 0.547)、(p = 0.032;HR = 0.488)、(p = 0.014;HR = 0.443)和DFS(p = 0.016;HR 0.557)、(p = 0.026;HR = 0.505)、(p = 0.006;HR = 0.466)(图S5A–F)。此外,计算效应量和置信区间以衡量实际意义。结果显示检测到0.99的效应量,置信度为97.6%,误报差异的最大概率为5%。结果表明两个纤维化分组之间的效应量较大,两组间均值差异显著,表明本研究纳入的经验样本量足以支持该结论。

图4 预测不同纤维化分组的影像组学模型的构建与性能。在训练队列(A)、内部测试队列(B)和外部测试队列(C)中,通过ROC分析展示AP、PVP、DP和CP影像组学模型预测不同纤维化分组的性能。AUC,曲线下面积;AP,动脉期;PVP,门静脉期;DP,延迟期;CP,联合期 查看原图 ↗
表2 训练队列中患者变量与不同纤维化分组关联的单变量和多变量逻辑回归分析 查看原表 ↗
表3 AP、PVP、DP和CP影像组学模型预测不同纤维化分组的性能 查看原表 ↗

影像组学模型对治疗结局的预测价值

结局队列患者的基线特征见表S3。在纳入的57例患者中,28例位于缓解组(TRG 0:4例,TRG 1:4例,TRG 2:20例),29例位于未缓解组(TRG 3:29例)。缓解组的CP Rad-score低于未缓解组(0.45 ± 0.27 vs 0.62 ± 0.25;p = 0.012)(图5A)。高CP Rad-score组患者的总生存期(OS)(p = 0.011;HR = 0.452)和无病生存期(DFS)(p = 0.022;HR = 0.468)长于低Rad-score组患者(p = 0.027;HR)(图5B、C)。多变量分析显示,CA19-9水平(p = 0.013)和CP Rad-score(p = 0.030)是OS的独立预测因素(表4、S4),淋巴细胞比值(p = 0.021)和CP Rad-score(p = 0.022)是DFS的独立预测因素(表5、S5)。

图5 CP影像组学模型在结局队列中预测NAC反应和预后的性能。A CP Rad-score与NAC客观反应之间的关系。B 根据二分类CP Rad-score(低或高,以Rad-score值0.5定义)进行的OS(B)和DFS(C)Kaplan–Meier分析 查看原图 ↗
表4 结局队列中OS的多变量Cox回归分析 查看原表 ↗
表5 结局队列中DFS的多变量Cox回归分析 查看原表 ↗

与影像组学模型相关的生物学功能

生物学基础队列的患者特征见表S6。在全部15例患者中,7例位于低CP Rad-score组,8例位于高CP Rad-score组。共鉴定出46个差异表达基因(DEGs)在两组间差异表达,见图6A。与CP Rad-score显著相关的富集生物学过程(图6B)、细胞组分(图6C)和分子功能(图6D)主要与PDAC潜在的纤维化产生和重塑过程相关。一致地,与纤维化发展相关的通路,特别是与ECM组织相关的通路,与CP Rad-score显著相关(图6E)。此外,在与CP Rad-score高度且显著相关的基因中,包括多个ECM基因以及ECM组装和交联所需的基因(图6F)。详细的具体基因名称见附录E14。

图6 CP Rad评分与PDAC分子数据的相关性分析。A 火山图显示低Rad评分组与高Rad评分组相比的差异表达基因。条形图显示基于基因富集分析的与CP Rad评分显著相关的GO生物学过程(B)、细胞组分(C)、分子功能(D)和KEGG通路分析(E)。F Cnet图显示每个分子通路中富集排名靠前的基因。GO,基因本体论;KEGG,京都基因与基因组百科全书 查看原图 ↗

讨论

在本研究中,我们构建了一个CP影像组学模型,用于无创预测PDAC患者的纤维化分级,在训练集、内部测试队列和外部测试队列中的AUC分别为0.831、0.785和0.746。重要的是,我们基于RNA-seq数据的发现揭示了与CP影像组学模型相关的潜在生物学过程(主要涉及纤维化产生和重塑过程)。

本研究建立了一个临床-影像模型,用于术前预测PDAC的纤维化分级。单因素和多因素logistic回归分析结果显示,仅AP、PVP、DP和CP Rad评分为不同纤维化分级的独立预测因子,且CP影像组学模型显示出最佳的预测性能。此外,我们的研究显示没有临床因素与不同纤维化分级相关。既往研究表明,关于PDAC中不同纤维化分级与临床特征之间的相关性,尚无一致结论[8, 11]。一方面,我们认为这些结果之间的差异可能归因于疾病、物种和环境的差异。另一方面,这一发现强调了CECT影像组学作为定量影像特征在预测不同PDAC纤维化分级方面不可替代的价值。在此基础上,我们进一步探讨了该影像组学模型的预后、NAC疗效及潜在生物学意义。

影像组学的获益可能源于所获得的关于整个PDAC的综合深入信息,反映了不同空间层面的组织异质性。在影像组学意义上,空间组织异质性最好通过纹理特征来描述,纹理特征通过描述体素强度及其空间排列来识别不同的图像模式[23]。在我们的研究中,大多数CP影像组学特征属于纹理特征类或其小波变换。研究CP Rad评分相对于仅由强度特征组成的影像组学评分的附加价值进一步表明,纳入此类更复杂的特征对于预后性能至关重要。我们的结果与既往研究一致,即纹理特征在预后目的上优于一阶(强度)特征,且纹理特征被发现可依据疾病严重程度对患者进行分层[18, 24, 25]。值得注意的是,CP影像组学模型的特征并非简单地将各期所选特征相加,而是相互作用、相互补充,从而从多个角度对肿瘤特征提供更全面的分析。

近年来,越来越多的证据表明,影像组学模型具有解决诊断模糊性、监测辅助治疗反应、增强预后模型,甚至可视化肿瘤组织学与生物学特征之间联系的潜力[26, 27]。我们研究了影像组学模型的预后方面。在许多研究中,纤维化含量被认为是预后的保护因素,并得到了我们研究的验证[28, 29]。可能的原因是,在PDAC中纤维化紧密排列在肿瘤细胞周围,被认为是一种“堡垒样”屏障,能够有效阻止肿瘤迁移和侵袭[30]。同时,我们研究中构建的CP影像组学模型也与PDAC患者的总生存期(OS)和无病生存期(DFS)相关。新辅助化疗(NAC)在晚期PDAC患者中发挥重要作用,因为它能使相当比例的患者获得手术切除机会[31]。然而,评估NAC疗效在临床治疗过程中是一个重大挑战。目前,基于肿瘤直径变化的影像学评估标准常用于临床实践。然而,NAC通常引起分子和细胞水平的变化以实现降期,而这些变化并不表现为直径的缩小[32]。因此,PDAC中NAC疗效的评估应从形态学转向微环境成分的变化。研究发现,除受损的肿瘤细胞外,病理学评估NAC疗效的另一个重要指标是肿瘤细胞被间质纤维化所替代。我们的研究表明,高Rad-score(可能提示高纤维化组)与接受NAC的患者中更长的OS和DFS相关。这些发现也得到了最近一篇报告的证实,该报告强调了纤维化作为PDAC退缩病理学评估的重要性[33]。

与基于深度学习的模型不同——后者需要大型数据集且作为“黑箱”方法运作,缺乏明确的潜在生物学原理[34]——影像组学特征已被证明不仅与形态学特征相关,还与分子组织特征相关。影像组学提供的这种深入信息为先前开发的定量图像分析增添了新的维度[19, 35]。在我们PDAC患者的生物学基础队列中,不同的CP Rad-score组在分子水平上与细胞外基质(ECM)组装、纤维化产生和重塑过程密切相关,这证明了CP Rad-score相关病理生理学的潜在机制以及实现临床转化的基础。总之,我们的工作更进一步,展示了CP影像组学模型、纤维化分级、NAC反应评估、预后和生物学基础之间的影像组学联系,为PDAC患者的风险分层和个人化管理提供了启示,具有巨大的临床转化潜力。

我们的研究存在若干局限性。第一,由于回顾性设计,在患者纳入方面存在潜在的选择偏倚。第二,我们的影像组学模型建立在手术队列基础上;它可能无法应用于大多数未行切除术的胰腺导管腺癌(PDAC)患者。接下来,我们将分层收集患者进行研究,以提高结果的推广性。第三,AP、PVP、DP和CP影像组学模型的AUC值在训练数据上表现优异,但在验证测试集上表现较差。此外,在部分影像组学模型中,AUC的95% CI跨度相当大。这可能由于样本量小、数据噪声高或亚组内样本量分布不均所致,一方面可能导致模型过拟合,造成AUC的显著差异,另一方面影响统计结果的稳定性,从而增大95%置信区间[36, 37]。此外,由于PDAC发病率低且晚期PDAC的NAC转化率低(约20%),结局队列和生物学基础队列的样本量相对较小。在未来的研究中,我们将进一步扩大样本量以解决上述问题,使模型具有更具说服力、更全面的结果和更高的泛化能力。

结论

总之,CP CT影像组学模型通过结合CECT影像组学特征构建,能够无创地预测PDAC中不同的纤维化分级。值得注意的是,我们揭示了CP影像组学模型背后的特定病理生理过程,主要涉及纤维化相关过程。此外,CP影像组学模型可作为OS、DFS和NAC后反应的无创预测因子,其优于传统危险因素,并应在进一步的大型前瞻性研究中加以验证。

补充信息

电子补充材料

引用

  1. Wang F, Sun Y, Xu J, et al. CT-based radiomics models decode fibrosis content and molecular differences in pancreatic ductal adenocarcinoma: a multi-institutional study. Insights Imaging. 2025. PMID: 40940458. doi:10.1186/s13244-025-02036-z
  2. 全文:PMC12431998(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12431998/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。