胰腺神经内分泌肿瘤（PanNENs）是相对罕见的肿瘤，约占胰腺肿瘤的2%，但随着检查技术的进步及人们保健意识的增强，PanNENs的发病率越来越高。重要的是，PanNENs包括广泛的实体，无论是组织学上还是宏观上都是如此。在这方面，组织学是目前唯一有效的可以对肿瘤进行分级的方法，主要根据Ki67增殖指数区分低级（G1）和更具侵略性（G2/G3）的肿瘤，并评估对预后评估重要的其他生物学特征。然而，内窥镜超声引导下的细针抽吸活检（FNAB）是一种受潜在风险制约的侵入性手术，其准确性有限，因此只有在手术后才能获得可靠的组织学结果。
另一方面，宏观影像学特征与PanNENs的结果有关，特别是病变的大小、坏死的存在、结节受累或远处转移，但不能认为这些特征足够可靠。

最近，放射组学作为一种很有前途的肿瘤特征分析工具出现，该技术可从医学图像中提取定量数据，旨在建立预测组织学特征和/或临床结果的模型。据我们所知，很少有研究探讨放射组学在PanNENs环境中的潜力，由于受到小样本量问题和潜在的有偏见的方法的限制，往往显示出相反的结果。

近日，发表在European Radiology杂志的一项研究在足够大的人群基础上，通过应用机器学习方法评估了PanNEN组织学特征和计算机断层扫描（CT）放射学特征（RFs）之间的相关性，为临床术前进行无创的风险分层提供了技术支持。

本项回顾性研究纳入了101名接受PanNEN手术的患者；整个人群被分成训练组（n = 70）和验证组（n = 31）。根据先前验证的方法，在增强CT上进行肿瘤分割后，从平扫CT图像中提取RFs。此外，使用最小冗余和基于自举的机器学习方法，将传统的放射学和临床特征与RFs结合到多变量逻辑回归模型。在每个终点对模型RFs（RF_model）以及两者（放射学和临床放射学）特征（COMB_model）进行训练和验证。 

25名患者有G2/G3肿瘤，37名N+，14名M+，38名被证明有VI。从最初提取的总共182个RF中，研究确定了少数独立的放射学和临床放射学特征。对于M+和G，所建立的模型显示出中等至高的性能：对于M+，训练/验证队列的曲线下面积（AUC）为0.85/0.77（RF_model）和0.81/0.81（COMB_model），对于G为0.67/0.72和0.68/0.70。对于N+和VI，只能建立COMB_model，N+的性能较差（AUC=0.72/0.61），而VI（0.82/0.75）。对于所有的终点，其阴性预测值都很好（≥0.75）。 

 图  模型在三个终点的表现总结。训练和验证。AUC，曲线下的面积；PPP，阳性预测能力；NPP，阴性预测能力

研究发现，尽管有上述局限性，但通过强有力的方法将少数放射学和临床放射学特征结合起来可避免/限制过度拟合的风险，并可实现对PanNENs组织学特征的术前预测，可为患者的个性化治疗提供影像学工具。

原文出处：

Martina Mori,Diego Palumbo,Francesca Muffatti,et al.Prediction of the characteristics of aggressiveness of pancreatic neuroendocrine neoplasms (PanNENs) based on CT radiomic features.DOI:10.1007/s00330-022-09351-9