基于CT和MRI影像组学的机器学习方法在胰腺癌诊断中的应用价值

目的:探讨基于CT和MRI影像组学的机器学习方法在胰腺癌诊断中的应用价值。方法:收集2014年1月至2021年12月间上海交通大学附属第一人民医院经手术病理确诊且均行CT增强扫描、MRI平扫或MRI增强扫描检查的62例胰腺癌患者的临床资料，按照患者手术时间先后顺序，将2014年1月至2020年12月间患者纳入训练集(49例)，2021年1月至2021年12月间患者纳入验证集(13例)。采用3D Slicer4.8.1软件对胰腺癌和癌旁组织CT、MRI图像感兴趣区域勾画并进行分割，采用Python进行特征提取，采用Lasso回归模型从训练集数据中筛选最优特征集，构建机器学习决策树模型。绘制受试者工作特征曲线(ROC)，计算曲线下面积(AUC)，评价3种影像组学特征模型在胰腺癌诊断中的价值。结果:从CT增强、MRI平扫+增强图像中分别获取1 767个CT特征和1 674个MRI特征。对于胰腺癌与癌旁组织鉴别诊断模型，CT增强数据模型获得含6个特征的最优特征集，MRI平扫获得含16个特征的最优特征集，MRI增强获得含15个特征的最优特征集。基于CT增强数据的诊断模型在训练集的AUC值为0.98，在验证集的AUC值为1；MRI平扫与MRI增强数据模型在训练集与验证集中的AUC值均为1。3种影像组学特征建立的机器学习决策树模型诊断胰腺癌与癌旁组织的特异度和灵敏度均为100%。对于脾动脉包绕鉴别诊断模型，CT增强数据模型未获得最优特征集，无诊断效能，MRI平扫和增强分别获得含5、4个特征的最优特征集；采用MRI平扫数据建立的模型在训练集与验证集的AUC值分别为0.862、0.750，诊断灵敏度为93.8%、50.0%，特异度为78.6%、100%。MRI增强数据建立的模型在训练集与验证集的AUC值分别为0.950、0.861，诊断灵敏度为90.0%、93.6%，特异度为100%、78.6%。结论:基于CT增强、MRI平扫及增强影像组学的诊断模型对于鉴别胰腺癌与癌旁组织均有>90%的准确性。基于MRI增强影像组学的诊断模型对于鉴别胰腺癌是否存在脾动脉包绕效能最佳。