人工智能在胰腺囊性病变影像领域应用进展

胰腺囊性病变(PCL)的检出率逐年升高,人工智能(AI)技术在PCL影像检查工作流程中的应用研究取得了突破性进展,包括图像后处理、病灶检出、分割、鉴别和诊断。基于AI的图像后处理技术能够优化医学影像图像质量,AI辅助的病灶检出、分割、鉴别和诊断模型可显著提升医生工作效率。本文对目前AI在PCL影像领域的应用进展进行综述,并对今后的研究方向做出展望。

基于临床和CT影像学特征的胰腺囊性病变进展预测模型的建立及验证

目的构建基于临床及CT影像学特征的胰腺囊性病变(PCLs)进展预测机器学习模型,并在内、外部测试集上评估其预测效能。方法回顾性收集2014年7月至2022年12月间北京协和医院行腹部薄层增强CT扫描的177例患者、200个PCLs病灶的基线临床和影像学资料,根据随访3年间PCLs病灶是否出现欧洲PCLs研究小组指南规定的手术征象,将其分为进展组和无进展组。以3∶1的比例将200个PCLs病灶随机分为训练集(150个)和内部测试集(50个);以2011年10月至2020年5月间南京大学医学院附属金陵医院行腹部薄层增强CT扫描的14例患者、15个PCLs病灶作为外部测试集。记录患者的临床及CT影像学特征,采用多种特征选择方法、多种机器学习模型进行组合,并基于10折交叉验证法筛选最优机器学习模型。绘制各模型的受试者工作特征曲线(ROC),计算曲线下面积(AUC),取AUC值最高的模型作为最优模型。在测试集上计算AUC值、灵敏度、特异度和准确度,评估模型的预测效能。使用置换重要性评估最优模型特征的重要程度。建立最优模型的校准曲线,采用Hosmer-Lemeshow检验评估模型的临床适用性。结果训练集和内部测试集的进展组与无进展组在胰腺炎史、病灶大小、主胰管管径、主胰管扩张、囊壁增厚、分隔存在、分隔增厚间的差异及内部测试集的两组在性别、病灶钙化和胰腺萎缩间的差异均有统计学意义(P值均<0.05)。外部测试集的进展组与无进展组在病灶大小和胰管扩张间的差异均有统计学意义(P值均<0.05)。基于F检验所选出的胰腺炎史、病灶大小、囊壁增厚、主胰管扩张、主胰管管径5个特征建立的支持向量机模型在交叉验证过程中取得了最高AUC值(0.899)。该模型在内部测试集中对PCLs进展预测的AUC值为0.909,灵敏度为82.4%,特异度为72.7%,准确度为76.0%,在外部测试集中分别为0.944、100%、77.8%和86.7%。校准曲线显示,模型的预测概率与实际PCLs进展概率基本相当。Hosmer-Lemeshow拟合优度检验显示,模型对测试集PCLs进展真实情况的拟合较好。结论基于临床及CT影像学特征构建的支持向量机模型能够帮助医师预测3年内随访PCLs的进展情况,从而帮助临床高效管理患者,合理分配医疗资源。