Academic Radiology：基于多参数MRI和机器学习的放射组学模型在胰腺癌患者术前风险评估中的应用！

胰腺癌（PCa）的死亡率在所有癌症中位居第三，5年生存率仅为11%。胰腺导管腺癌（PDAC）是最常见的胰腺癌形式，约占所有病例的90%、。尽管根治性手术是胰腺癌最值得推荐的治疗方法，但只有20%的病变在诊断时是可以切除的。此外，组织活检和术前影像检查对于制定合理的手术策略和其他治疗方案至关重要。胰腺外扩展（EPE）被认为是胰腺癌的一个重要预后指标，当胰腺周围出现可疑病变时，可以通过组织活检进行评估。EPE的指标包括癌症对胰腺周围软组织、胰腺周围神经丛、胰腺外胆道系统、十二指肠或Vater安瓿的浸润。根据美国病理学家协会的说法，胰腺周围软组织包括胰腺周围脂肪、肠系膜、网膜和腹膜。只要存在EPE，无论肿瘤大小如何，肿瘤都将被归入T3期。

然而，即使是最准确的病理检查，即内窥镜超声引导下的细针抽吸术（EUS-FNA）也受到操作者主观性、侵入性手术的性质和一些并发症的限制。多参数磁共振成像（MP-MRI）检查具有卓越的软组织分辨率，可以检测隐藏的微损伤，其功能成像序列，如扩散加权成像（DWI），可以量化水分子的运动受限情况。MP-MRI提供了与胰腺癌病理指标有关的纹理特征，而这些纹理特征用肉眼很难辨别。

放射组学是一种基于机器学习和人工智能的新兴技术，以高通量提取定量成像特征。放射组学发现了无数的几何轮廓、纹理特征和肿瘤的异质性以协助临床诊断和预后。在胰腺癌的图像挖掘方面，放射组学已经取得了许多成就，包括胰腺囊肿病变与胰腺癌的区分、生存预测和肿瘤切除边缘的确定。然而，目前还没有开发出有效的基于人工智能的预测工具，并对EPE进行验证。因此，仍然值得继续对胰腺癌的EPE进行放射组学研究和应用以实现客观的评价体系，在手术前为患者提供更多的个体化指导。

近日，发表在academic radiology杂志的一项研究建立了一个放射组学模型，该模型利用MP-MRI对胰腺癌的EPE进行术前预测并利用内部和外部测试集对该模型进行验证，并采用了多个分类器、增加了最相关的临床因素来进一步提高模型的预测能力。

本项研究回顾性地从两个医疗中心招募了156名患者。来自A中心的122名患者按4:1的比例被随机分为训练集和内部测试集。此外，来自B中心的34名患者作为外部测试集。从多参数MRI（MP-MRI）中提取放射组学特征，包括轴位T2加权成像（T2WI）、扩散加权成像（DWI）和动态对比增强（DCE）序列。采用三步法进行特征提取，SelecteKBest、最小绝对收缩、选择算子（LASSO）算法以及基于随机森林的递归特征消除（RFE-RF）。使用六个基于机器学习的分类器构建模型，并选择性能最佳的分类器。最后，将与EPE相关的临床因素纳入到综合模型中。 

研究数据显示，性能最好的分类器是XGBoost，在内部和外部测试集的曲线下面积（AUC）值分别为0.853和0.848。通过SelectKBest，确定与EPE最相关的临床因素是血小板，然后将其加入到联合模型中，在内部和外部测试集中分别获得了0.880和0.848的AUC值。 

 图 在不同集合中预测EPE的ROC曲线和组合模型的五重交叉验证。(a)每个模型在训练集、(b)内部测试集和(c)外部测试集中的ROC曲线；(d)进行五重交叉验证以验证组合模型的稳健性

研究数据表明，放射组学模型可在手术前无创、准确地预测EPE，将为个性化的精准治疗提供重要的技术支持。

原始出处：

Ni Xie,Xuhui Fan,Haoran Xie,et al.Preoperative Extrapancreatic Extension Prediction in Patients with Pancreatic Cancer Using Multiparameter MRI and Machine Learning-Based Radiomics Model.DOI:10.1016/j.acra.2022.09.017