European Radiology：基于深度学习的超声列线图模型在术前预测胰腺神经内分泌肿瘤侵袭性中的应用

2022-08-13 shaosai MedSci原创

医学影像分析中人工智能的快速发展隐身术了一个新的深度学习（DL）领域。卷积神经网络（CNN）作为图像识别的有力工具，已经成为一个活跃的研究领域。

胰腺神经内分泌肿瘤（PNENs）起源于神经内分泌细胞，是第二大最常见的胰腺实体肿瘤。在生物学和临床行为方面，PNENs的表现都是异质性的。手术是PNENs的主要治疗策略和唯一的根治性方法。对于非侵袭性PNENs，部分切除可以减少手术风险而不影响病人的预后。然而，对于侵袭性PNENs，需要进行根治性切除和淋巴结清扫，必要时应与药物治疗相结合以减少复发。因此，迫切需要一种术前预测PNENs侵略性的方法以帮助建立个性化的治疗策略。

医学影像分析中人工智能的快速发展隐身术了一个新的深度学习（DL）领域。卷积神经网络（CNN）作为图像识别的有力工具，已经成为一个活跃的研究领域。CNN可以直接从原始图像像素中学习最具代表性的特征，避免了传统机器学习中所需要的主观特征工程，使其独立于人类先前的知识，并能够实现高度容错。最近，CNN模型已被用于US扫描中病变的自动分类，并取得了出色的表现。据我们所知，目前还没有已发表的报告记录了使用基于CEUS的DL来预测PNEN的侵略性。

近日，发表在European Radiology杂志将基于CEUS图像的DL与临床因素相结合开发和验证一个用于PNENs患者术前肿瘤侵袭性的个性化预测的联合列线图模型，为临床术前准确进行风险分层及个性化治疗方案的制定提供了参考基础。

本项回顾性研究于2010年1月至2020年10月期间对连续经组织学证实的PNENs患者在进行了CEUS检查。患者被随机分配到训练组和测试组。选择PNENs的典型声像图和增强图像，对SE-ResNeXt-50网络进行微调。通过使用多变量逻辑回归分析将DL预测概率与临床因素结合起来，建立了一个组合列线图模型。使用受试者工作特征、校准和决策曲线分析评估了模型的效用。

共评估了104名患者，包括训练集中的80名（平均年龄±标准差，47岁±12；56名男性）和测试集中的24名（50岁±12；14名男性）。DL模型显示了有效的图像识别，在测试集中的AUC为0.81（95%CI：0.62-1.00）。纳入独立的临床风险因素（如肿瘤大小、动脉期增强水平和DL预测概率）的联合列线图模型显示出很强的辨别力，在测试集中的AUC为0.85（95%CI：0.69-1.00），具有良好的校准性。决策曲线分析验证了该组合列线图的临床实用性。

图侵袭性和非侵袭性PNENs的典型影像学特征示例。非侵袭性PNEN：肿瘤规则，边缘清晰（a），动脉期显示高增强（b），静脉期呈等回声（c）。侵袭性PNEN：不规则的肿瘤，边缘不明确（d），在动脉期（e）表现为等增强，在静脉期（f）表现为低回声。箭头表示肿瘤

本研究证明，本研究所开发的整合DL预测概率和临床特征的联合模型可以有效预测PNENs的术前侵袭性。

原文出处：

Jingzhi Huang,Xiaohua Xie,Hong Wu,et al.Development and validation of a combined nomogram model based on deep learning contrast-enhanced ultrasound and clinical factors to predict preoperative aggressiveness in pancreatic neuroendocrine neoplasms.DOI:10.1007/s00330-022-08703-9

作者：shaosai

版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言