European Radiology：小于 2cm胰腺导管腺癌与神经内分泌肿瘤的多参数MRI放射组学特征鉴别

近年来，横断成像的使用越来越多，导致胰腺小病变的偶然发现也相应增加。这些病变最常见的类型是胰腺导管腺癌(PDACs)和胰腺神经内分泌肿瘤(PNETs)。手术切除通常是两种疾病的首选治疗方法，但对于体积较小的病变，治疗策略可能不同。手术切除通常被认为是PDAC的主要治疗选择。根据美国癌症联合委员会分期系统(第8版)，最大直径小于等于2cm的PDAC分期为pT1期。pT1型PDAC患者预后优于肿瘤较大患者。与PDAC不同，绝大多数PNETs无功能，与临床惰性疾病相关，预后良好。然而，对于小型无功能PNETs的最佳治疗策略仍存在争议。因此，术前准确鉴别诊断PDAC和PNETs至关重要。

对于小病变，术前诊断PDAC和PNETs仍然是一个临床挑战。MRI越来越多地用于评估胰腺肿瘤，PDAC通常表现为界限不清的低血供病变，而PNETs则表现为高血供病变。然而，高达30-49%的PNETs可能不表现为动脉期明显强化，极少数的PDAC可表现为高强化。这导致重叠的成像特征，使得这两种肿瘤类型的区分变得更加困难。此外，目前胰腺肿瘤的识别方法多基于常规影像学特征，容易受到放射科医生主观性的影响。最近，放射组学作为一种新的图像分析方法出现，可对图像进行定量检查，产生比肉眼可见的更多信息。

近日，发表在European Radiology杂志上的一篇研究探讨了MRI放射组学分析在术前鉴别小(< 2cm)胰腺导管腺癌(PDAC)和神经内分泌肿瘤(PNETs)中的应用价值。

本项研究回顾性收集了两个中心共197例患者(训练组146例，验证组51例)。从T2加权、弥散加权、T1加权、动脉期、门静脉期和延迟期影像中提取7338个放射组学特征。采用Mann-Whitney U检验、Spearman秩相关检验、最小绝对收缩和选择算子法选出最优特征，并构建放射组学评分(Rad-score)，同时对常规影像学和临床特征也进行了评估。采用多变量logistic回归构建放射学模型、放射学模型和融合模型。

研究最终确定了9个最优特征，并将其用于构建Rad评分。基于Rad评分的放射组学模型在训练组和验证组的AUC分别为0.905和0.930，灵敏度分别为0.780和0.800，特异性分别为0.906和0.952，准确率分别为0.836和0.863，获得了满意的结果。结合CA19-9、肿瘤边缘、胰管扩张和Rad评分的融合模型在训练组和验证组中表现最佳，AUC分别为0.977和0.941，灵敏度分别为0.914和0.852，特异性分别为0.954和0.950，准确率分别为0.932和0.894。

表 放射学、放射组学和融合模型在训练和验证队列中的表现

研究表明，基于核磁共振的Rad评分是一种区分小PDAC和PNETs的新型图像生物标志物。结合放射学、放射学和临床特征的融合模型对这两种肿瘤的鉴别诊断意义重大。

原文出处：

Keren Shen,Weijie Su,Chunmiao Liang,et al.Differentiating small (< 2 cm) pancreatic ductal adenocarcinoma from neuroendocrine tumors with multiparametric MRI-based radiomic features.DOI:10.1007/s00330-024-10837-x