基于 nnU-Net 自动分割的 CT 影像组学预测急性胰腺炎严重程度的多中心验证
Multicenter Comparative Validation of an nnU-Net-Based Automated CT Radiomics Workflow for Acute Pancreatitis Severity Prediction
RSS 订阅 · Academic Radiology · 2026-10-13
在内部测试队列中，LightGBM 分类器在手动与自动分割下 AUC 分别为 0.799 和 0.733，绝对 AUC 差值为 0.066，FDR 校正后差异无统计学意义。自动工作流在两个外部队列中 AUC 分别为 0.784 和 0.715。
要点
- 自动分割与手动分割的影像组学模型在内部测试中 AUC 差值仅 0.066，FDR 校正后无显著差异。
- 自动工作流在外部中心 B 和 C 的 AUC 分别为 0.784 和 0.715，显示中等判别能力。
- 所选的 2D nnU-Net 在五折交叉验证中平均 Dice 为 0.798，在独立内部测试队列中为 0.726。
核心结论
- 基于 nnU-Net 的自动分割-影像组学工作流在内部测试队列中与专家手动工作流的判别能力无显著差异。
- 自动工作流在两个外部队列中保持了中等判别能力。
- 研究结果支持降低对手动胰腺分割的依赖，但本研究未建立正式等效性或可互换性。
研究设计与样本
- 研究类型为回顾性多中心研究，纳入中心 A 214 例、中心 B 56 例、中心 C 42 例急性胰腺炎患者。
- 以专家手动胰腺掩膜作为 nnU-Net 训练参考标注，并作为影像组学工作流的对照组。
- 在选定最优 nnU-Net 配置后，分别从手动和自动感兴趣区提取影像组学特征，并使用相同分析框架开发 AP 严重程度分类器。
诊断标准与关键数值
- 内部测试队列中，LightGBM 分类器在手动分割下 AUC 为 0.799（95%CI 0.683-0.915）。
- 内部测试队列中，LightGBM 分类器在自动分割下 AUC 为 0.733（95%CI 0.593-0.873）。
- 两种工作流的绝对 AUC 差值为 0.066，配对 DeLong 检验 FDR 校正后 p=0.360，Z=1.1755，未校正 p=0.2398。
- 自动工作流在中心 B 的 AUC 为 0.784（95%CI 0.653-0.915），在中心 C 的 AUC 为 0.715（95%CI 0.559-0.871）。
- 所选 2D nnU-Net 在五折交叉验证中平均 Dice 系数为 0.798，在独立内部测试队列中为 0.726。
临床应用与阅片要点
- 对于急性胰腺炎严重程度预测的 CT 影像组学分析，自动胰腺分割可减少专家手动勾画的劳动量。
- 临床应用时需注意所选 nnU-Net 在内部测试中的 Dice 为 0.726，分割精度可能影响后续特征稳定性。
局限性
- 本研究为回顾性设计，且未对工作流之间的正式等效性或可互换性进行验证。
引用
- Academic Radiology：Multicenter Comparative Validation of an nnU-Net-Based Automated CT Radiomics Workflow for Acute Pancreatitis Severity Prediction
- Hou, Feng, Li, et al. Multicenter Comparative Validation of an nnU-Net-Based Automated CT Radiomics Workflow for Acute Pancreatitis Severity Prediction. Acad Radiol. 2026. PMID: 42869670. doi:10.1016/j.acra.2026.09.040
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。