European Radiology:MRI放射组学分析预测无功能胰腺神经内分泌肿瘤的分级

据统计，胰腺神经内分泌肿瘤(PNETS) 占胰腺肿瘤的1-3%。原发性胰腺恶性无功能PNETS(NF-PNET)比功能PNET更常见，约占所有PNET的70-90%。世界卫生组织 (WHO) 根据有丝分裂率和Ki-67指数将PNETS分为低级(1级)、中级(2级)和高级(3级)。一般情况下，Ki-67指数每增加1%，肿瘤进展的风险增加2%。对于1级NF-PNET，特别是小于2 cm的NF-PNET，常规建议观察。相比之下，2/3级肿瘤预后较差，往往需要更多的强化治疗。因此，术前准确评估分级至关重要。然而，手术前很难确定其分级。

MRI作为预测PNETS肿瘤分级的成像生物标志物显示出巨大的潜力。例如，在以往的研究中，弥散加权成像(DWI)计算的参数ADC值与肿瘤分级呈负相关。近年来，ADC图的直方图分析对预测PNETS的分级有一定的帮助，ADC_ettopy和ADC_kurosis是鉴别高级别PNETS的最准确的参数。此外，T2加权像(T2WI0因能提供更多的解部信息细节而被应用于许多癌症的评价中，不同扫描仪的纹理特征具有高度的可重复性。另外，T2WI和DWI是临床上最常用的非增强扫描序列，即不需要使用造影剂。

放射组学可以使用大量自动提取的数据表征算法将成像数据转换为高维度定量图像特征。近年来，放射组学已成功地应用于预测PNETS的肿瘤分级。

近日，发表在European Radiology杂志上的一篇研究探讨了放射组学特征在基于MRI非增强序列预测无功能胰腺神经内分泌肿瘤(NF-PNET)患者组织学分级中的潜力及价值。

本项研究回顾性分析在5个中心接受MRI检查的228例NF-PNETs患者。使用来自中心1的数据(n = 115)构成训练队列，来自中心2-5的数据(n = 113)构成测试队列。从T2加权图像和表观扩散系数中提取放射组学特征。使用最小绝对收缩和选择算子选择最重要的特征和开发放射组学模型。采用受试者工作特征曲线下面积(AUC)对模型进行评价。

根据肿瘤边界、增强均匀性、血管浸润等因素构建影像学模型，将NF-PNET患者分为1级和2/3级，训练组和试验组的AUC分别为0.884和0.684。构建了包含4个特征的放射组学模型，训练组和测试组的AUC分别为0.941和0.871。结合放射组学特征和放射学特征的融合模型在训练集(AUC = 0.956)和测试集(AUC = 0.864)分别表现出良好的性能。

 图 结合放射组学评分和3个定性临床特征建立的融合模型

本项研究表明，研究所提出的模型将放射组学特征与放射学特征相结合，可作为一种无创、可靠、准确的NF-PNETs术前分级预测工具。

原文出处：

Hai-Bin Zhu,Hai-Tao Zhu,Liu Jiang,et al.Radiomics analysis from magnetic resonance imaging in predicting the grade of nonfunctioning pancreatic neuroendocrine tumors: a multicenter study.DOI:10.1007/s00330-023-09957-7