基于增强CT的深度学习算法对直径≤5cm胃的胃肠间质瘤鉴别诊断临床意义

目的增强CT是术前诊断和评估胃黏膜下肿瘤(SMT)恶性潜能的重要检查手段,在区分直径>5 cm胃的胃肠间质瘤(GIST)和胃良性SMT中有较高的诊断准确率。本研究拟使用深度学习算法建立基于增强CT的鉴别诊断模型GISTNet,评估其在术前鉴别直径≤5 cm的胃GIST和其他胃SMT的预测价值。方法采用诊断性试验研究方法。回顾性收集2016年9月至2021年4月期间,上海交通大学医学院附属仁济医院胃肠外科连续性收治的181例接受手术、且术后病理证实为肿瘤直径≤5 cm胃SMT患者,排除13例CT图像质量不佳者,共计168例患者纳入研究。其中107例为GIST,61例为非GIST的SMT(non⁃GIST),其中术后病理27例为平滑肌瘤,24例为神经鞘瘤,6例为异位胰腺,4例为脂肪瘤。病例纳入标准:(1)手术前经增强CT诊断为胃SMT的患者;(2)术前完善胃镜且活检病理未见异型细胞;(3)临床、病理资料齐全。排除标准:(1)手术前接受过抗肿瘤药物治疗;(2)无影像或任何原因导致的CT图像质量不佳;(3)术后病理诊断为除GIST外的其他胃恶性肿瘤。将研究对象根据留出法(hold⁃out method)随机划分为GIST鉴别诊断模型(GISTNet)的训练集(148例)和测试集(20例),用于GISTNet诊断模型的训练及其性能评估。GISTNet模型建立后,在测试集采用5个指标进行评估,即灵敏度、特异度、阳性预测值、阴性预测值和受试者工作曲线(ROC)计算的曲线下面积(AUC)。进一步将GISTNet诊断模型与现有文献报道的传统影像学征象所组成的模型比较。此外,为了比较深度学习模型与影像科医生对胃SMT影像诊断的准确性,3位工作经验分别为3、9、19年的影像科医生、在隐藏临床病理信息的情况下,对测试集中的样本进行判断,将3位医生的准确率与GISTNet模型相对比。结果GISTNet模型在测试集上获得了0.900(95%CI:0.827~0.973)的AUC,当阈值为0.345时,GISTNet模型的灵敏度为100%,特异度为67%,阳性预测值为75%,阴性预测值为100%。GISTNet模型的准确率为83%,优于GIST⁃Risk模型(75%)和两位低年资影像科医生(60%和65%),并与工作经验为19年的影像科医生接近(80%)。结论基于增强CT的深度学习算法对术前鉴别直径≤5 cm的胃GIST和其他胃SMT具有良好、可靠的诊断准确率。