文献速递腹部MR

多中心评估影像组学与深度学习对IPMN恶性风险分层

Multi-center evaluation of radiomics and deep learning to stratify malignancy risk of IPMNs.
PubMed 文献 · Abdom Radiol (NY) · 2026-01-12

本研究纳入7个中心359例经病理证实的IPMN患者T2W MRI,比较2D/3D影像组学、深度学习及融合模型预测低危与高危发育不良。融合模型测试集AUC最高为69.2%,优于单独影像组学的66.5%。三位影像专家视觉评分准确性差异大,加权Kappa为0.33-0.67。

要点

  • 融合模型在测试集AUC为69.2%,虽然优于单纯影像组学,但仍不足以替代临床独立判断。
  • 专家视觉评分准确性范围37.4%-66.7%,观察者间一致性仅为一般到中等,提示主观评估局限。
  • 模型仅使用T2W序列,而专家使用了T2W和T1W增强序列,前者方法更有潜力标准化。

核心结论

  • 融合DL与影像组学的模型在独立多中心测试中AUC为69.2%,优于单纯影像组学的66.5%,但与专家水平相比仍有差距。
  • 该技术目前性能尚不足以独立应用于临床,但提供了可扩展的非侵入性辅助分层方法。

研究设计与样本

  • 回顾性多中心研究,纳入7个中心359例经病理证实的IPMN患者,使用T2W MRI轴位序列,参考标准为EUS-FNA或手术病理。
  • 比较2D与3D影像组学、DL-only及融合模型的分类性能,采用四组留出中心法交叉验证与独立测试。

关键影像表现/征象

  • UMAP分析显示不同中心扫描因体素层高不同形成明显聚类,提示扫描参数异质性影响特征分布。
  • 手动分割的一致性评估中,观察者间平均DSC为75%,观察者内平均DSC为80%,分割可重复性中等。

诊断标准与关键数值

  • 融合模型(2D影像组学+DL)测试集AUC为69.2%,准确率61.6%;3D融合模型测试集AUC为68.3%,准确率62.7%。
  • DL-only中DenseNet121交叉验证AUC最高为73.3%,ResNet-34为73.1%,轻型模型如ShuffleNet-V2仅66.1%。
  • 专家视觉评分敏感度最高为72.3%(95%CI 64.1-79.5%),特异度最高为64.5%(95%CI 57.8-70.9%)。

临床应用与阅片要点

  • 单纯T2W序列即可让模型达到接近多数专家投票的判别性能,提示未来可能减少对增强序列的依赖。
  • 专家间一致性有限,融合模型的特异度优于所有三位专家,可能有助于减少不必要的有创操作。

局限性

  • 研究为回顾性设计,各中心扫描设备、场强和层厚差异大,导致明显的中心聚类和分布偏移。
  • 3D融合模型在交叉验证与独立测试之间性能落差大,提示存在过拟合及泛化不足风险。
全文中译18 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:Abdom Radiol (NY). 2026 Jan 12;51(8):3805–20. doi: 10.1007/s00261-025-05371-3

引言

胰腺囊肿检出率的不断提高已成为一个重大的临床挑战[1–3]。有创操作和手术风险给患者带来了沉重负担,而重复监测和干预的相关费用也给医疗系统造成了巨大负担。导管内乳头状黏液性肿瘤(IPMN)是一种具有潜在恶变倾向的囊肿亚型,占偶然发现的胰腺病变的50%–80%[1–3]。尽管IPMN具有潜在恶变性质,但其恶变风险仍未被充分明确。切除研究报道的恶变率范围很广:分支胰管型(BD)IPMN为1%–38%,主胰管型(MD)IPMN为33%–85%。由于切除研究中的选择偏倚,目前的比率可能高估了真实的进展率[2,3]。最新的国际共识指南,即2023年京都标准,代表了当前IPMN管理的标准[2]。然而,现有指南由于风险评估准确性方面的局限性,增加了患者和医疗系统的负担。这些不足常常导致有创诊断操作和高风险手术切除,尤其是对于最终被判定为低级别异型增生的病变[4–9]。

磁共振成像(MRI)和超声内镜(EUS)联合细针穿刺抽吸(FNA)是IPMN诊断和特征描述的主要手段[2]。EUS-FNA在评估胰腺囊肿和判断异型增生程度方面尤其有价值。准确的操作前特征描述对于减轻患者负担和降低成本至关重要。尽管EUS-FNA操作的并发症发生率较低(最高3%)且死亡率极低,但其诊断敏感性有限,范围为4.8%至61.6%[10–12]。因此,这种有创、依赖操作者且费用高昂的检查仍无法可靠地排除恶性肿瘤,并使患者面临出血、胰腺炎和感染的风险[2,6,10,11]。囊性病变手术切除的一个主要适应证是对恶性的担忧[13]。然而,胰腺切除是重大手术,具有显著的并发症发生率和死亡率,因此在手术前诊断可疑病变至关重要[14,15]。

影像组学利用高通量定量图像分析,能够提取和分析人眼无法察觉的定量特征 [16]。深度学习(DL)是一种基于神经网络的先进人工智能(AI)技术,利用卷积有效提取和识别复杂的成像模式 [17]。虽然影像组学和深度学习在计算机断层扫描(CT)和MRI中推动了胰腺肿瘤的检测与分割,但它们在包括IPMN在内的癌前病变特征分析中的应用仍处于起步阶段 [18]。近期研究提出了用于IPMN诊断和分类的影像组学、深度学习或融合模型 [19–23]。然而,关键障碍仍然存在。胰腺的腹膜后解剖结构和实质异质性使图像分析复杂化,且IPMN在形态和纹理上表现出显著变异性 [18]。此外,深度学习需要大规模、多样化的数据集,但胰腺MRI——囊肿特征分析的最佳和首选模态——仍然稀缺且依赖扫描方案 [3, 24–26]。我们的工作旨在通过基于主胰管型和混合型IPMN的T2加权(T2W)MRI囊肿区域水平特征开展一项大规模、多中心评估来填补这些空白,使用2D和3D影像组学、深度学习及融合方法预测异型增生分级。

方法

数据收集和受试者选择

我们的回顾性研究获得了机构审查委员会(IRB)的批准,所有图像在使用前均已按照伦理标准进行去标识化处理。图1展示了研究设计的概览。我们收集了2004年3月至2024年6月期间接受胰腺囊性病变评估的18岁以上患者的746例T2W MRI扫描。扫描收集自七个中心:Allegheny Health Network(AHN)、Erasmus Medical Center(EMC)、Istanbul University(IU)Hospital、Mayo Clinic Florida(MCF)、Mayo Clinic Arizona(MCA)、Northwestern Memorial Hospital(NMH)和New York University Langone Hospital(NYU)(图1-A)。从746名受试者的初始队列中,359名符合这些纳入标准并被选入分析(图2)。入选队列的平均年龄为67.2 ± 10.8岁,53%为女性。图像在Siemens、Philips或GE扫描仪上以1.5 T或3 T场强采集。采集后,图像被选择性转换为Neuroimaging Informatics Technology Initiative(NIfTI)格式用于分析。我们选择了轴位、非脂肪抑制的T2W扫描。原始Digital Imaging and Communications in Medicine(DICOM)文件的层厚在3至8 mm之间,转换后NIFTI文件的体素高度为3–15.9 mm。该数据集包含来自我们多中心小组PanSegNet数据集扩展版本中患有胰腺囊肿的受试者的腹部MRI(Zhang等,2025)[25]。

我们在纳入研究前评估了所有受试者的影像学和组织病理学结果(图2)。在影像学评估中,216例扫描因无胰腺囊肿、存在不同的组织病理学类型或影像学结果不可用而被排除。剩余530例的组织病理学通过EUS-FNA或手术切除进行评估。在该队列中,171例未接受干预或组织病理学结果为IPMN阴性,最终359例患者纳入我们的研究。

图1 患者选择、数据集构建以及影像组学和深度学习(DL)流程示意图。A 从三个国家的七个中心筛选出746例患者并接受MRI成像;随后对图像进行预处理和手动分割。B 提取2D和3D影像组学特征,并使用随机森林算法进行分类。C 先进行仅深度学习的分析,然后我们开发了一种影像组学-深度学习融合算法[27]。 查看原图 ↗
图2 研究对象选择与分类流程图。底部面板提供了用于影像组学、深度学习和影像组学-深度学习融合分析的四个试验集的测试与交叉验证中心构成。 查看原图 ↗

研究对象分类

BD-IPMN的异型增生分级通过EUS-FNA或手术切除的组织病理学确定。所有MD或混合型IPMN均经手术切除并进行了组织病理学评估。随后根据异型增生分级将研究对象分组:低级别异型增生(LGD)病变归为低风险组,高级别异型增生(HGD)和/或浸润性癌(IC)病变归为高风险组(表1)。低风险组包含217次扫描,其中78.2%为BD-IPMN,38.5%为MD或混合型IPMN。高风险组共包含142例研究对象,其中27.7%为BD-IPMN,61.5%为MD或混合型IPMN病例。

表1 低风险组和高风险组中IPMN亚型的构成 查看原表 ↗

图像质量评估

为了评估由成像设备和采集方案引起的中心间差异,使用开源MRQy工具计算了总共21项图像质量指标[28]。质量指标包括强度的统计值(如均值、范围、方差)以及二阶统计量或基于滤波器的测量值(如每像素对比度、熵聚焦准则和信噪比)。随后使用统一流形逼近与投影(UMAP)进行降维,将这些指标值投影到二维图中。在UMAP投影之前,使用三种不同方法对整个数据集中的每个特征进行归一化:z-score、minmax和数据白化。

手动分割

每次MRI扫描的索引病变使用ITK-Snap(版本4.2.0)进行手动分割,并由包括放射科医师在内的跨学科团队审核[29]。所有分割掩膜随后由两名放射科医师(GD,具有七年经验的腹部放射科医师;FB,具有四年腹部放射学经验的普通放射科医师)进行第二次审核,以确保准确性(GD、FB、YBT)。对于BD-IPMN患者,索引病变定义为EUS-FNA取样或手术切除的囊肿。对于混合型和MD-IPMN患者,所有囊性受累区域均经手术切除。由于MD囊肿解剖结构的复杂性,近似的MD囊肿边界由腹部放射科医师讨论并达成共识后确定,再进行分割。伴随的囊性病变未纳入分析。

评估观察者间和观察者内的一致性,以评价图像分割的质量和可重复性。通过计算每种情况的Dice相似系数(DSC)和豪斯多夫距离(HD95)来进行评估。为评估观察者间一致性,从队列中随机选择30例MRI扫描,由一名资深放射科医师进行分割。将这些分割结果与现有分割结果进行比较。为确定观察者内一致性,在两周的洗脱期后,对20例随机选择的MRI扫描进行第二次分割。

放射组学和深度学习的方法将在下文讨论。将每个中心的数据分为四个试验集用于测试,而其余中心的数据用于交叉验证(图2)。为模拟真实场景,每次试验的测试集由一个或两个中心的全部数据组成,这导致每次试验中测试集数据量不同。这些集合分别称为试验1(T1)、试验2(T2)、试验3(T3)和试验4(T4)。各试验的研究分组选择旨在平衡训练集和测试集中低风险和高风险研究的代表性。为确保稳健且全面的验证,每次试验的模型均使用不同中心的数据进行评估测试。

仅放射组学分析

我们使用2D或3D放射组学特征进行了仅放射组学分析(图1B)。使用线性插值对图像进行重采样,以获得1 mm³的各向同性体素大小(3D分析)或1 mm²的各向同性像素大小(2D分析)。应用N4偏置场校正以减少采集信号中的低频变化[30]。使用最小-最大归一化技术对强度值进行归一化[31]。然后,使用内部软件和collageradiomics Python包从预处理后的图像中提取放射组学特征[32–35]。对于3D分析,从囊肿的整个体积中提取了763个放射组学特征。对于2D分析,从轴位层面切片中提取了447个特征。用于构建灰度共生矩阵(GLCM)的窗口大小设置为w = 3 × 3、w = 5 × 5和w = 7 × 7;灰度级数设置为4、8、16、32和64。所选特征及放射组学特征族的描述见补充表S1和S2。特征在整个感兴趣区(ROI)内计算,然后每个特征用四个统计量表示:中位数、标准差、偏度和峰度。使用每次试验的训练集,应用Spearman相关系数阈值0.6来去除高度相关的特征。随后应用50次迭代的5折交叉验证方案,使用最大相关最小冗余(mRMR)算法选择最佳特征[36]。交叉验证后,选择在至少70%的迭代中被选中的特征。使用整个训练集训练随机森林(RF)模型,并用保留集进行测试。

仅深度学习分析

DL实验分两部分进行(图1-C)。首先,我们对来自所有中心的整个数据集应用5折交叉验证,以选择性能最佳的DL架构,该架构随后将用于融合实验。我们评估了六种先进卷积神经网络(CNN)的性能:EfficientNet-B0 [37]、MobileNet-V2 [38]、ResNet-34 [39]、ResNet-50 [39]、ShuffleNet-V2 [40]和DenseNet-121 [27]。ROI基于Zhang等人2025年发表的胰腺全分割结果进行裁剪[25]。图像经打乱并调整为96 × 96 × 96用于训练。模型使用随机梯度下降(SGD)训练,共200个epoch,动量为0.9,批大小为2。初始学习率设为0.001,每30个epoch降低为原来的十分之一。应用5折交叉验证过程以增强结果的稳健性。在第二部分中,我们根据图2所述的四组试验设置,按中心划分数据集。然后使用每组数据重新训练第一部分中性能最佳的DL架构,采用相同的超参数和训练策略,每个模型均从零开始训练。

影像组学-深度学习融合算法

我们的影像组学-DL融合算法通过将影像组学随机森林(RF)分类器的决策概率与仅DL分析中性能最佳的CNN——DenseNet121 [27]的决策概率进行融合而开发。我们的融合流程可视化见图1-C。影像组学特征精炼通过应用5折交叉验证并选择Spearman相关系数低于0.6的影像组学特征以最小化冗余来完成。基于影像组学的RF模型和DL模型均使用相同的训练集重新训练,该训练集被一致地划分以确保可比性。训练后,将两个模型的预测概率进行融合,并在验证集和测试集上评估组合输出。对于决策级融合,将DenseNet121和RF模型的概率输出进行组合。受我们早期工作Yao等人2023 [23]的启发,我们对融合方法应用了精确样本,并通过五折交叉验证上的网格搜索找到了最佳超参数[18]。融合方法中引入了两个超参数:阈值t和权重k。如果影像组学预测超过阈值t,则最终模型输出完全基于影像组学预测,DL预测被丢弃。否则,融合输出为基于影像组学模型和DL模型预测的加权组合,其中影像组学模型的权重设为1-k,DL模型的权重设为k。融合流程进行两次,分别使用2D或3D影像组学特征。由于每个中心所代表的受试者数量存在差异,计算了加权平均值。

放射科医生视觉评分

图像由三位放射科专家 [GD、FB、YBT] 使用京都标准的影像学特征进行视觉评分 [2]。根据放射学评估,囊肿被标记为无风险、低风险或高风险。在评估之前,放射科医生被指导根据京都指南中概述的影像学特征对囊肿进行分类。除此之外,未提供额外的详细指导,并要求他们尽可能按照自己的判读进行,就像在真实工作中一样。这种方法可能导致的评分不准确已在局限性部分描述。放射科医生未被告知这些囊肿是经确诊的 IPMN,以模拟真实情境下对囊性病变的初次评估。加入了第三类“无风险”以避免评分偏倚,因为在临床环境中放射科医生通常无法确认囊性病变是否为 IPMN。此外,评分者对被检者的临床信息和组织病理学结果设盲,仅使用 T2W 和对比增强 T1 加权(T1W)序列,且无法查阅既往影像。研究队列中有 13 例因无 T1W 图像而被排除在此分析之外(n = 347)。计算了加权 kappa 统计量的成对评估以评价评分者之间的一致性。计算敏感性和特异性以评价放射科医生正确识别高风险病变的准确性。

结果

在本节中,我们评估了三种用于 MRI 中 IPMN 异型增生分级分层的先进机器学习算法的开发与性能:(1)仅影像组学;(2)仅深度学习(DL);(3)影像组学-深度学习融合。每种方法均在我们多中心数据集中使用严格的验证方案进行了评估。

使用 UMAP 评估数据集异质性

UMAP 分析揭示了与各中心相关的不同扫描聚类,这些聚类与 MRI 序列体素高度密切相关(图 3)。一个聚类主要由来自 MCF(蓝色)的扫描组成,其特征为平均体素高度 4 mm。另一个聚类包括来自 NMH 和 NYU(绿色和红色)的扫描,其平均体素高度分别为 5.5 mm 和 5 mm。一个单独的聚类由 EMC 扫描(粉色)组成,其平均体素高度为 7.3 mm,较为突出。来自 MCA、AHN 和 IU(橙色、紫色和棕色)的扫描平均体素高度为 7 mm,分布在这些主要聚类之外。

图 3 各中心使用不同归一化方法的质量指标 UMAP(从 21 个质量指标投影到 x 轴和 y 轴)。中心:梅奥诊所佛罗里达分院(MCF)、梅奥诊所亚利桑那分院(MCA)、西北纪念医院(NMH)、纽约大学(NYU)、阿勒格尼健康网络(AHN)、伊斯坦布尔大学(IU)医院和伊拉斯姆斯医学中心(EMC) 查看原图 ↗

指标囊性病变的手动分割

三位阅片者(GK、AMB 和 HEA)的观察者内平均 DSC 为 80%,HD95 为 6.63 mm。观察者间平均 DSC 为 75%,HD95 为 7.2 mm。不同异型增生级别的 MD-IPMN 和 BD-IPMN 的代表性 T2W MRI 图像及相应分割见图 4。

图 4 高级别和低级别 IPMN 的代表性 T2 加权(T2W)图像及参考分割。第一行显示 T2W MRI 图像,第二行显示高级别和低级别主胰管型(MD)-IPMN 及分支胰管型(BD)-IPMN 病例的参考分割 查看原图 ↗

视觉评分与风险预测

诊断性能指标汇总于表2。敏感性分析显示,评分者3的检出率最高,为72.3%(95% CI:64.1–79.5%),而评分者1的特异性最佳,为64.5%(95% CI:57.8–70.9%)。在多数判读一致的病例中(n = 337),计算了阳性符合率。总体准确率的两两比较显示显著异质性,观察到的最高一致率为评分者1与评分者3之间的80.1%(p < 0.001),最低为评分者1与评分者2之间的48.1%(p = 0.042)。Cohen's kappa系数分析表明评分者之间的一致性为一般至中等,κ值为0.33至0.67,详见表2。观察者间变异性显示出统计学显著的异质性(Cochran's Q检验,p < 0.001)。

表2 基于京都标准影像学特征对IPMN进行视觉评分时个体、多数判读及评分者间性能的比较 [2] 查看原表 ↗

使用2D和3D影像组学特征进行预测

2D影像组学分析得出的平均受试者工作特征曲线下面积(AUC)为66.4%,平均准确率为65.9%。3D分析得出的平均AUC为66.5%,平均准确率为66.1%(表3)。相应的受试者工作特征(ROC)曲线及显示各测试集AUC、准确率和F1的条形图见图5。

表3 各试验集2D和3D分析的仅影像组学结果 查看原表 ↗
图5 仅影像组学分析性能指标。(上图)2D和3D影像组学预测在测试集中区分低风险组与高风险组的受试者工作特征曲线。(下图)交叉验证集中低风险与高风险分类比较的2D和3D分析的平均(%)曲线下面积(AUC)、准确率(acc)和F1。均值标注于误差线上方,误差线表示标准差。 查看原图 ↗

六种深度学习架构在预测IPMN异型增生分级方面的性能比较

在测试的各种CNN中,DenseNet121 [27]表现出最高的AUC,为73.3%(表4)。相比之下,ResNet-34 [39]取得了略低的AUC,为73.1%。轻量级模型如EfficientNet-B0 [37]和ShuffleNet-V2 [40]则表现出明显较低的AUC值,分别为68.1%和66.1%。

表4 5折交叉验证中IPMN囊肿恶性风险分层的深度学习结果及标准差 [27, 37–40] 查看原表 ↗

2D和3D影像组学-深度学习融合算法的评估

使用2D影像组学特征时,融合模型在交叉验证中取得了加权平均AUC为74.3%、准确率为71.0%。在独立测试中,该2D特征融合模型的AUC为69.2%,准确率为61.6%(表5)。使用3D影像组学特征训练时,融合模型在交叉验证中的加权平均AUC为99.7%,准确率为98.4%。在独立测试中,其AUC为68.3%,准确率为62.7%。

与上一节中描述的视觉评分结果相比,我们的影像组学-深度学习融合模型在性能上优于三位放射科医生中的两位,并且与基于多数投票的结果相当。该融合模型在准确率上优于三位独立放射科医生中的两位:2D融合为61.6%,3D准确率为62.7%,评分者2为37.4%,评分者3为57.1%。2D融合模型的特异度高于全部三位放射科医生:2D融合为67.8%,评分者1为64.5%,评分者2为32.6%,评分者3为41.8%,多数共识病例为63.2%。还应当指出,放射科医生同时使用T1W和T2W扫描及京都指南来确定囊肿分层,而我们的深度学习和影像组学分析仅使用T2W,这表明机器生成结果具有前景和优越性。

表5 影像组学-深度学习融合算法结果。将2D和3D影像组学特征输入DenseNet121,在4次不同试验中进行5折交叉验证[27] 查看原表 ↗

讨论

在这项纳入359名受试者的大型多中心研究中,我们证实了基于T2加权MRI上囊肿区域水平分析的影像组学和深度学习(DL)方法用于IPMN病灶恶性风险分层的可行性。视觉评分者之间的一致性为轻度至中度,加权Kappa值为0.33–0.67[41]。对于多数病例以及评分者1而言,视觉评分的准确性与测试集上单纯影像组学算法的准确性相近,且高于测试集上融合算法的准确性、评分者2以及评分者3的准确性。我们基于DenseNet121的单纯DL模型取得了最高性能,AUC为73.3%,准确性为68.0%,紧随其后的是使用2D影像组学特征的影像组学-DL融合算法,其在测试集中AUC为69.2%、准确性为61.6%,在交叉验证中AUC为74.3%、准确性为71.0%。该性能有效平衡了参数效率和预测能力。轻量级模型EfficientNet-B0和ShuffleNet-V2显示出较低的AUC值,凸显了在不同架构之间模型复杂度与预测准确性之间的权衡。利用2D影像组学特征的DL与影像组学融合算法在测试集中获得了加权平均AUC为69.2%、准确性为61.6%,在交叉验证中加权平均AUC为74.3%、准确性为71.0%。采用3D特征的单纯影像组学分析紧随其后,在测试集中的AUC和准确性分别为66.5%和66.1%。尽管在独立测试集上使用2D与3D影像组学特征的算法之间观察到可比的表现,但3D影像组学结果在交叉验证与独立外部测试之间存在显著差异,提示可能存在过拟合,并凸显了以独立中心表现作为具有临床意义基准的重要性。这一差距很可能反映了相对较小的样本量、潜在的信息泄漏,以及各中心之间患者人群和成像方案存在的分布偏移。此外,3D影像组学融合模型包含大量体素级特征,这些特征对扫描方案和设备差异敏感,可能引入中心特异性模式而非疾病固有模式。这些因素共同导致了在独立数据集上的表现欠佳,并强调了模型在真实世界临床中泛化所面临的挑战。需要注意的是,T1序列表现较低可能归因于AHN数据集序列质量较差,而该数据集在本试验的测试集中占较大比例。AHN的图像分辨率较低且伪影更多,这可以解释其在UMAP分析中位于主要聚类之外。尽管如此,在单纯影像组学和融合算法中使用3D影像组学特征时,T1在测试集上仍然表现良好,AUC分别为59.2%(SD:2.5)和59.3%(95% CI:59.1,63.2)。总体而言,这些先进方法的表现达到或超过了基于有限输入的放射科专家评估,凸显了其在IPMN管理中增强临床决策的潜力。

在我们早期的工作中(Yao et al. 2023),使用一种自动全胰腺分割算法对来自五个中心的246例T1W和T2W MRI扫描进行了IPMN恶性风险分类[23]。在该工作中,开发了三种算法,并纳入了临床特征(年龄、性别、体质指数、糖尿病和慢性胰腺炎)以完成该任务:仅影像组学、仅深度学习,以及使用四种CNN和视觉Transformer(ViT)的深度学习-影像组学融合。算法将病例分层为健康(n = 70)、低级别风险(n = 85)和高级别风险(n = 91)。我们的结果与Yao et al. 2023 [23]并不完全可比,因为我们仅聚焦于囊性病例,从三分类切换为二分类。与早期研究相比,另一个关键区别是我们早期的研究未纳入囊肿类型,且所有实验均在更小的队列上进行。

Cui et al. 2021开展了一项研究,旨在开发一种列线图以预测BD-IPMN的病理分级[42]。该列线图纳入了临床特征(性别、症状、年龄、CA19-9和CEA)以及来源于手动分割囊肿的影像组学特征。其数据集包括来自三个中心收集的202例患者的T2W、T1W和增强T1W扫描。病例按异型增生分级分为低级别或高级别。他们发现其BD-IPMN病例中有24.8%为高级别异型增生。在仅使用影像组学特征进行测试时,其验证集的特异度、灵敏度和AUC分别为81.6%、70.0%和81.1%。一旦纳入影像组学和临床特征,其列线图在验证中达到了79.0%的特异度、90.0%的灵敏度和88.4%的AUC。尽管前景可观,但当列线图应用于与其开发队列不同的人群时,可能表现不佳,限制了其在多种临床环境中的泛化性[43]。在比较我们的研究时,他们仅使用BD-IPMN可能导致选择偏倚,因为BD-IPMN的恶性风险较低。此外,他们的高级别异型增生病例比例低于我们,可能无法代表我们试图近似的真实世界IPMN队列。此外,作者在其分析中纳入了额外的增强T1W序列扫描,而我们仅限于常规T1W和T2W。在比较我们的结果时,他们仅影像组学分析在AUC和特异度上优于我们。这很可能是因为他们的分析纳入了若干已知可预测高风险IPMN的临床特征[2]。我们认识到临床特征在预测IPMN恶性风险中的重要性,并计划在未来的分析中纳入这些特征。尽管如此,我们仅影像组学分析的灵敏度与他们相似。这虽然是在我们纳入多个中心的情况下实现的,但也可能是由于我们更大的数据集。总体而言,两项研究之间表现的相似性提示,纳入临床标志物可以增强我们的算法并使其更加稳健。

据我们所知,大多数使用影像组学对IPMN进行分类的研究主要基于CT [44–47]。与CT相比,MRI是IPMN分类和监测的首选影像学方法,因为它无辐射暴露、具有更高的对比分辨率,并且在评估组织和囊肿方面更优 [3, 48]。此外,我们的研究是利用MRI囊腔掩膜进行IPMN恶性风险分层的迄今为止最全面的研究 [20, 42, 49]。Cheng等人2022年发现,在预测IPMN恶性潜能方面,MRI影像组学算法的性能优于CT [20]。在利用MRI的研究中,有两项仅分析了BD-IPMN,其余研究未明确IPMN类型 [20, 23, 42, 49]。我们发现38.5%的混合型/MD-IPMN和78.2%的BD-IPMN病灶为低风险。这表明许多胰腺切除手术是不必要的,因为仅凭病灶为MD-IPMN就进行了切除,而没有任何进一步分析来对实际上可能具有恶性风险的病灶进行分层。MD-IPMN在无手术禁忌证的患者中常被手术切除,因为其恶变风险高于BD-IPMN [2, 3]。仅纳入BD-IPMN的研究排除了一个重要且研究不足的亚型。我们将MD-IPMN和混合型IPMN纳入高级算法训练,以弥补这一空白。

我们的研究存在若干局限性,应予以考虑。首先,其回顾性设计本质上限制了因果推断,并在历史数据收集中引入了潜在偏倚。跨越二十年的数据收集导致了差异,包括扫描质量的差异以及异型增生准确分级方面的不确定性。操作者和病理学家的经验水平在不同病例间存在差异,可能影响异型增生评估的可靠性。此外,选择EUS-FNA病例没有标准化方案,这可能引入偏倚,因为一些患者接受EUS的原因可能与囊性病变的恶性风险无关。因此,细胞学标本可能来自影像学上未被分类为高风险的囊肿。此外,在EUS操作后获取的MRI图像中,囊肿的外观可能已经改变,可能使图像分析复杂化。尽管存在EUS后囊肿外观改变的风险,我们发现使用可见囊性病变的分割结果仍然可靠。此外,我们的囊肿分割显示出较低的观察者间变异性,DSC为75%,符合该领域当前标准。然而,IPMN可表现为复杂形态,严重的IPMN可导致正常胰腺解剖结构的显著变形。对这些严重病例进行精确且一致的分割具有挑战性。认识到这些问题,我们全面审查了数据集,以确保其适用于本研究。

另一个局限性源于我们仅纳入了被抽样的囊肿。这一有意的选择引入了一些选择偏倚。然而,关注恶性风险较高的患者至关重要。超声内镜引导下细针穿刺抽吸术(EUS-FNA)的敏感性有限,无法明确排除高级别异型增生或恶性病变,正如超声内镜(EUS)诊断了我们部分病例一样。尽管如此,我们观察到的分支胰管型导管内乳头状黏液性肿瘤(BD-IPMNs)恶性风险率与更广泛文献中报道的相似甚至更高,而后者常包含较轻的病例 [2, 3]。我们的数据集来自七家机构,使用了不同品牌的MRI扫描仪和场强(1.5T和3T),图像采集方案也各不相同。这种变异性带来了分析上的挑战,并最终影响算法的性能。这种多样性和异质性也增强了预测的稳健性,确保了在不同环境下的稳定性,并提高了其在影像方案经常变化的真实临床环境中的适用性。由于数据可用性的限制,我们的图像分析仅限于T2加权MRI序列。我们计划在未来的研究中纳入并分析其他MRI序列。

最后,放射科医师评分者仅使用T1W和T2W序列进行专家风险评估。仅凭这些序列不足以进行全面彻底的视觉评估,也不能完全反映真实情况下的评估。此外,放射科医师评分者无法获取既往扫描、临床信息或其他关键MRI序列——如扩散序列——这些对于准确评估风险具有重要价值。与标准的综合影像分析相比,这些因素可能影响视觉评分的准确性。我们研究的局限性最终指向了几个有前景的未来研究方向。采用标准化影像方案的前瞻性验证研究将为临床转化提供更有力的证据。整合临床参数和其他MRI序列可进一步提高模型性能。开发将影像特征与其他生物标志物(囊液分析、循环标志物)相结合的集成方法可能提供更全面的风险评估。最后,将这些方法扩展用于预测长期结局而非横断面组织病理学结果,将更好地契合识别可能进展为恶性病变的临床目标。

总之,我们这项以胰腺囊性病变为重点的多中心研究表明,利用常规采集的T2W MRI扫描,影像组学和深度学习用于IPMN风险分层具有可行性和潜在的临床效用。虽然预测性能仍需进一步提高,但在这个具有挑战性的队列中,我们的先进机器学习模型取得了与有限输入的放射科专家评估相当、并且在某些指标上更优的性能,与视觉评估相比具有更高的客观性和可重复性。鉴于目前的国际共识指南在无创操作的情况下识别低风险IPMN的特异性不够理想,像我们这样的计算工具代表着朝着更精准地筛选患者进行干预或监测这一目标迈出了有价值的一步。因此,我们的研究结果具有直接的临床相关性。融合模型与放射科专家相当的性能表明,其有潜力作为决策支持工具整合到临床工作流程中。通过提供IPMN的客观风险分层,我们的方法可以减少对低风险病变不必要的高手术切除率,尤其是对于通常仅根据形态学即被切除的MD-IPMN。其实现形式可以是放射科工作站的软件插件,在常规阅片过程中提供实时风险评估,而不会干扰工作流程。成本效益分析和前瞻性验证将是临床转化的合理后续步骤。

补充信息

以下是电子补充材料的链接。

补充材料1

引用

  1. Bejar, Jaramillo Gonzalez, Hong, et al. Multi-center evaluation of radiomics and deep learning to stratify malignancy risk of IPMNs. Abdom Radiol (NY). 2026. PMID: 41524987. doi:10.1007/s00261-025-05371-3
  2. 全文:PMC13388723(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13388723/

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。