论文部分内容阅读
第一部分CT影像组学在具有慢性胰腺炎病史的胰腺癌和肿块型慢性胰腺炎鉴别诊断中的应用研究目的:构建并验证CT特征列线图和基于CT影像组学列线图来预测具有慢性胰腺炎病史的胰腺癌和肿块型慢性胰腺炎。研究方法:回顾性分析海军军医大学第一附属医院收治的138例经病理证实具有慢性胰腺炎病史的胰腺癌和肿块型慢性胰腺炎患者的临床和影像学资料。两名放射科医生根据事先定义的标准评估了原始的横断面CT图像。依次进行图像分割、特征提取、特征降维和选择来获取影像组学评分。2011年2月至2018年4月确诊的44例肿块型慢性胰腺炎患者和59例胰腺癌患者组成的训练集用来开发多变量逻辑回归CT模型和影像组学模型,并在2018年5月至2021年2月确诊的23例肿块型慢性胰腺炎和12例胰腺癌组成的验证集中进行验证。依据多变量逻辑回归CT模型和影像组学模型绘制各自的列线图。计算受试者工作特征曲线下面积（area under the curve,AUC）来评价列线图的预测效能,使用决策曲线分析（decision curve analysis,DCA）评估其临床适用性。结果:患者平均年龄53.7岁,男性占75.4%。多因素逻辑回归分析显示囊变、胰管/胰腺直径比≥0.34、胰管穿行征、胰源性门脉高压和动脉期CT值的差异是鉴别两种病变的独立预测因素。这些因素建立的CT预测模型为3.65-2.59×（囊变）+1.26×（胰管/胰腺直径比≥0.34）-1.40×（胰管穿行征）+1.36×（胰源性门脉高压）-0.05×动脉期CT值。影像组学预测模型为3.14-3.62×（囊变）+1.04×（胰管/胰腺直径比≥0.34）-1.01×（胰管穿行征）+1.21×（胰源性门脉高压）-0.04×动脉期CT值+3.54×影像组学评分。CT模型在训练集和验证集的AUC值分别为0.87和0.94,影像组学模型在训练集和验证集的AUC值分别为0.91和0.93。DCA曲线显示患者可以从两个列线图中受益。结论:CT模型和影像组学模型可以准确的鉴别具有慢性胰腺炎背景的胰腺癌和肿块型慢性胰腺炎,并且可以为预测患者的预后、指导治疗提供一定的参考依据。第二部分CT影像组学分析在小胰癌筛查中的应用研究目的:开发一个基于腹部CT平扫图像的辅助诊断工具来筛查小胰癌（肿瘤最大径≤2cm）,以促进胰腺癌的早期诊断。研究方法:回顾性分析海军军医大学第一附属医院收治并经病理证实的206名小胰癌患者和268名正常胰腺患者的影像资料,并按时间先后顺序分成训练集（2014年至2019年收治144名小胰癌和188名正常胰腺）和验证集（2020年至2021年收治的62名小胰癌和80名正常胰腺）。nn U-Net自动分割模型在腹部CT平扫图像上对胰腺整体进行勾画,提取影像组学特征。依次采用方差分析、Spearman相关分析和受试者工作特征曲线（ROC）分析进行特征的降维和选择,构建极端梯度提升（XGBoost）预测模型。绘制ROC曲线评估模型的诊断效能,绘制决策分析（DCA）曲线评价模型的临床适用性。结果:小胰癌的平均大小为1.69cm±0.77cm。nn U-Net自动分割模型的DICE系数为0.85。纳入模型的影像组学特征为firstorder Skewness、firstorderMedian、firstorderMean、diagnosticsImage-originalMaximum、diagnosticsImage-originalMinimum、firstorderInterquartile Range、firstorder90Percentile、firstorder10Percentile。XGBoost预测模型在训练集中的曲线下面积（AUC）、灵敏度、特异度、阳性预测值和阴性预测值分别为0.99、0.92、0.97、0.91和0.98。XGBoost预测模型在验证集中的AUC、灵敏度、特异度、阳性预测值和阴性预测值分别为0.99、0.94、0.96、0.93和0.97。DCA曲线显示患者可以从该模型中受益。结论:基于对腹部CT平扫图像的影像组学分析构建的XGBoost预测模型能准确鉴别小胰癌和正常胰腺,有望成为筛查小胰癌的辅助诊断工具。