影像组学在胰腺疾病中的应用研究进展

Research Progress in the Application of Radiomics in Pancreatic Diseases

摘要: 胰腺疾病的患病率正在不断增加，这对人们的生命健康构成了严重威胁。现有的胰腺疾病影像学检查方法多靠人工评估检查结果，具有一定的主观性，且不能完全识别图像本身所携带的信息。影像组学作为一种新兴技术，其通过高通量的方式从影像图像中提取信息并加以分析，为临床决策提供更可靠的信息支持，在推进胰腺疾病精准管理方面显示出越来越大的前景。本文旨在概述影像组学在胰腺疾病中的应用和进展，为临床决策提供参考。

Abstract: The incidence of pancreatic diseases is increasing year by year, which seriously threatens people’s lives and health. The existing imaging methods of pancreatic diseases mostly rely on manual evaluation of examination results, which is subjective and cannot fully identify the information carried by the image itself. As an emerging technology, radiomics is showing increasing prospects in promoting the precise management of pancreatic diseases by extracting and analyzing information from image images in a high-throughput way to provide more reliable information support for clinical decision-making. The purpose of this article is to provide an overview of the application and progress of radiomics in pancreatic diseases and to provide reference for clinical decision-making.

1. 引言

胰腺是腹膜后位器官，其解剖位置和解剖结构复杂 [1] ，这使胰腺疾病准确诊断困难。另外，由于胰腺疾病的发生和进展过程相当复杂，因此它的诊断和治疗变得更加困难。目前胰腺疾病是人类生命健康的重要威胁，寻找更为有效且准确的检查方法和分析手段对胰腺疾病的诊疗有着重要意义。影像检查是目前检查方法中的重要组成部分，能为疾病诊断提供重要信息。目前临床上主要通过超声、CT以及MRI等方法诊断胰腺疾病。然而，传统的诊断方式多依靠人工评估影像检查结果，这存在一定的主观性，且结果准确性受到诊断者年资及经验的影响 [2] 。近年来，有学者 [3] 提出了影像组学这一概念，与传统影像学分析方法不同，影像组学不再受限于医师的主观视觉观察以及经验，通过高通量采集的方式对图像上人眼所不能识别的特征进行定量分析，为临床决策提供更为准确的支持 [2] 。本文就影像组学在胰腺疾病中的研究进展进行综述，并总结其在胰腺炎性疾病、胰腺肿瘤性疾病以及其他胰腺相关疾病中的应用。

2. 影像组学在胰腺炎性疾病中的应用

2.1. 急性胰腺炎

急性胰腺炎(acute pancreatitis, AP)是一种常见的消化系统疾病，发病率逐年升高。目前影像组学在其中的研究尚处于起始阶段且主要集中于预测AP严重程度、病情进展、并发症及复发等方面。

根据严重程度，急性胰腺炎可分为轻症急性胰腺炎(mild acute pancreatitis, MAP)、中度重症急性胰腺炎(moderately severe acute pancreatitis, MSAP)、以及重症急性胰腺炎(severe acute pancreatitis, SAP)，其中SAP患者死亡率较高，已严重威胁我国人民生命健康 [4] 。此外，AP的病程是动态发展的，早期准确预测急性胰腺炎的严重程度和病情进展，在指导临床治疗、改善患者预后以及最终拯救患者生命方面具有重要意义。影像组学在早期预测AP严重程度方面有着良好的诊断效能，陈俊飞等 [5] 采用基于增强三期图像建立的随机森林模型预测AP严重程度，发现该模型在AP严重性预测诊断中有着较高准确性，其受试者工作特征曲线下面积(area under curve, AUC)在训练组中高达0.958，而在测试组AUC也可达0.917。同样，Zhao等 [6] 人基于对比增强CT的门静脉期图像，提取胰腺及胰周区域的影像组学特征构建模型。最终，该影像组学模型的预测效能也取得了令人满意的结果，其AUC在训练组中、验证组和测试组中分别为0.992、0.965以及0.894。

影像组学在预测早期AP患者病情进展中也展现出有良好的预测能力。Xue等人 [7] 回顾性收集137例AP患者(进展组95例，非进展组42例)的临床和CT影像资料构建模型，最终发现临床–影像组学联合模型的预测效能最佳，在训练集中该模型的AUC和95%可信区间高达0.984 (0.964~1.000)，而在验证集中其效能也达到了0.942 (0.870~1.000)。以上这些研究表明影像组学在早期预测AP严重程度及病情进展中表现良好，或能成为AP早期预测的可靠方法。

依据2012年修订的亚特兰大标准AP又可分为急性单纯性胰腺炎(Acute simple pancreatitis, ASP)和急性坏死性胰腺炎(acute necrotizing pancreatitis, ANP)，其中ANP常常伴有诸多不良并发症，当伴随持续性器官衰竭时甚至会导致患者死亡等严重不良预后。此外，胰腺炎的复发也是患者难以取得良好预后的又一重要原因，在以上方面影像组学均有一定应用。

ANP按病变累及的具体区域又可细分为：胰腺和胰周坏死型、仅胰周坏死型、仅胰腺坏死型三类 [8] ，新分类的目标在于突显不同部位坏死对患者预后影响的差异性，因此需要制定不同的治疗方案。这一改进解决了早期研究仅关注胰腺坏死状况的问题。Banks等人 [9] 认为胰腺外坏死(external pancreatic necrosis, EXPN)应该被视为一种独立的坏死性胰腺炎亚型引起关注。他们认为，这种类型的坏死性胰腺炎具有一些特殊的临床特征和治疗挑战，因此需要单独研究和管理。相较于传统影像学评分系统和实验室评分系统，胰腺外坏死体积或能更好地预测器官衰竭和继发感染的发生情况，这一观点在相关研究中得到了支持 [10] [11] 。Zhou等人 [12] 通过分别建立基于胰腺外采集的MR-T2WI和胰腺实质的MR增强动脉晚期图像的影像组学模型来预测早期EXPN；并将影像组学模型对早期EXPN的预测性能与临床模型和常规成像评分系统(包括胰腺外炎症的MRI和MR严重度评分)进行比较。结果发现，基于胰腺外采集的影像组学模型的AUC在训练队列和验证队列中分别可达0.969和0.976，而基于胰腺实质的模型的AUC也超过了0.900，这表明影像组学模型在EXPN的诊断上有着良好的准确性；而胰腺外炎症的MRI和MR严重度评分的AUC则显著低于基于胰外采集的T2WI图像影像组学模型和低于基于MR增强胰腺实质模型的AUC。这可能是因为早期胰腺炎中，胰腺实质损伤和胰外炎症都在进行中，但其实质变化轻微，仅凭肉眼可能难以辨识。此外，传统影像特征的表现往往滞后于疾病进展，使其更难以观察，最终降低了EXPN早期发现的可能性。上述研究结果均表明基于MRI的影像组学能够更准确和客观的识别早期EXPN，这对于适当干预措施的采取以及患者的预后改善具有重要价值。

持续性器官衰竭(persistent organ failure, POF)是急性坏死性胰腺炎患者死亡的主要原因 [13] 。近期有研究表明影像组学能够很好的预测ANP患者的器官衰竭。Liu等人 [14] 开发了结合增强CT的影像组学特征和临床要素(APACHE II评分 ≥ 8和持续SIRS)的模型以预测ANF中持续性器官衰竭的发生率。该模型在预测ANP患者POF中表现出优秀的预测能力，在训练组和验证组中的 AUC 值分别为0.907 (95%CI: 0.842~0.952)和0.882 (95%CI: 0.764~0.955)。影像组学特征与临床要素联合模型或许能够成为临床医生评估POF发生率并促进患者及其家属了解ANP预后的可靠工具。

最近还有研究发现，影像组学有助于预测急性胰腺炎的复发。Tang [15] 等人研究基于T1加权对比增强MRI (CE-MRI)影像组学模型在预测AP复发中的预测价值，收集首发急性胰腺炎患者的临床特征和CE-MRI晚期动脉期的影像组学特征并构建模型，并且将临床独立危险因素与最佳影像组学特征线性整合而构建列线图模型。最终，列线图模型显示出良好的性能，训练队列中的AUC为0.943，测试队列中为0.906。基于CE-MRI的影像组学模型在优化复发性急性胰腺炎的个体化预测方面展现出良好的性能，可能为复发性胰腺炎的防治提供参考。

2.2. 慢性胰腺炎

慢性胰腺炎(chronic pancreatitis, CP)是一种由多种因素导致的胰腺长期慢性炎症性疾病，影像学上的典型表现为胰腺萎缩及多发钙化、胰管形态改变，临床上表现为糖尿病和胰腺外分泌功能不全(pancreatic exocrine insufficiency, PEI) [16] 。PEI应在治疗过程中及早发现，因为它与营养不良、微量营养素缺乏以及腹胀和腹泻等多种症状有关，并有骨质疏松症和心血管事件的风险 [17] [18] 。胰泌素增强磁共振胆管造影术(S-MRCP)是一种评估胰腺外分泌功能的非侵入性方法，但由于昂贵、耗时且相对复杂，限制了其临床应用。因此，需要一种新的、无创的、简单的、适用的方法。Bian [19] 等人回顾性研究159名接受了增强磁共振胰胆管造影术的参与者，将参与者分为正常组和胰腺外分泌功能不全组。收集临床和非增强T1加权成像信息。开发和验证基于全自动胰腺分割的影像组学列线图，以评估胰腺外分泌功能，还比较了影像组学列线图与S-MRCP量化的胰腺流量输出率的诊断性能。结果发现影像组学评分是PEI的独立危险因素(比值比 = 11.69；P < 0.001)。在验证集中，影像组学列线图在预测PEI中表现出最高性能(AUC, 0.92)，而临床列线图和胰腺流量输出率的AUC分别为0.79和0.78。影像组学列线图准确预测了慢性胰腺炎患者的胰腺外分泌功能，并且在S-MRCP上优于胰腺流量输出率。

3. 影像组学在胰腺肿瘤性疾病中的应用

3.1. 胰腺癌

胰腺癌起病隐匿，缺乏特异的早期症状，故早期诊断率不高，导致大部分患者在确诊时已经到了中晚期，手术切除率也相应较低。总体临床治疗效果不佳，病死率居高不下，患者5年生存率 < 8%，预计至2030年，胰腺癌将成为全球致死率排名第二的肿瘤 [20] 。近年来，随着人工智能的发展，影像组学也越来越多用于胰腺癌的鉴别诊断、治疗决策、预后预测等。

局灶性自身免疫性胰腺炎(fAIP)和胰腺导管腺癌(PDAC)的影像学和临床特征非常相似，这导致了它们的鉴别诊断变得困难。而两种疾病的治疗和预后之间存在显著差异。前者是良性病变，大多数对激素治疗有反应，而PDAC需要手术切除才能治愈。因此，开发一种无创且有效的方法来术前区分二者至关重要，使临床医生能够选择合适的治疗策略。Lu等人 [21] 基于术前CT检查，开发并验证了一种结合CT表现和影像组学特征的列线图模型，该列线图模型具有良好的敏感性和特异性，训练组和测试组的AUC分别为0.87和0.83。Ye等 [22] 也进行了类似的研究，组合模型(临床-CT影像组学模型)表现出最佳的预测性能AUC达0.857 (95%CI: 0.787~0.910)，显示出了影像组学在胰腺癌鉴别诊断中的潜力。

胰腺癌新辅助治疗后，是否进行手术探查的治疗决定通常基于多学科和多参数评估，影像学发挥了巨大的作用。然而，一些研究报告 [23] [24] 称计算机断层扫描(CT)错误地估计了新辅助治疗后局部晚期胰腺癌的可切除性，因为新辅助治疗后，CT无法区分治疗后纤维化、局部水肿、炎症变化和活肿瘤，从而低估了组织学反应。Gabriella等人 [25] 首次提出基于CT的影像组学模型来预测经强化化疗后进行消融放疗的局部晚期胰腺癌的可切除性。开发了可切除性的预测模型，训练集和验证集的中值AUC分别为0.862 (95%CI: 0.792~0.921)和0.853 (95%CI: 0.706~0.960)。该影像组学模型表现出良好的性能，提示影像组学信息可以补充预测手术的可切除性。

影像组学方法还可以用于分析胰腺导管腺癌根治术后的复发情况。如Ni等人 [26] 探讨胰腺分割模型AX-Unet从增强CT中提取的影像组学特征的可靠性，并分析胰腺导管腺癌(PDAC)根治术后的复发情况。发现预测患者术后是否复发的列线图的AUC为0.92 (95%CI: 0.78~0.99)，C指数为0.62 (95%CI: 0.48~0.78)。AX-Unet胰腺分割模型在分析PDAC根治性手术后复发风险因素方面显示出前景，基于AX-Unet的动态列线图模型可以为胰腺肿瘤患者提供更准确的预后评估。有研究 [27] 进一步评估了2D和3D影像组学软件在确定胰腺癌患者生存结果方面的性能，结果表明，基于CT的纹理特征是无创预后指标，可以帮助预测胰腺癌患者的残余肿瘤、治疗反应和预后，且无论使用何种软件或分析，其中一些纹理特征都是可重现的。

3.2. 胰腺囊性肿瘤

胰腺囊性肿瘤(pancreatic cystic neoplasm, PCN)是指源于胰腺导管上皮和或间质组织的囊性肿瘤性病变，这些囊性肿瘤主要包括黏液性囊性肿瘤、导管内乳头状黏液性肿瘤、浆液性囊腺瘤、实性假乳头状肿瘤和囊性神经内分泌肿瘤。部分胰腺囊性肿瘤存在恶变为胰腺导管腺癌的风险，因此对其进行鉴别诊断具有重要的临床意义 [28] 。浆液性囊腺瘤和粘液性囊腺瘤是两种常见类型的胰腺囊性肿瘤 [29] 。而治疗方面却有很大的区别，前者是一种良性肿瘤，除非出现压迫症状，否则不需要手术治疗；后者是一种癌前病变，因此，通常建议手术切除。使用传统的成像方法，很难区分两者。Fang等人 [30] 开发和验证基于T2WI影像组学组学列线图以区分两者。结果发现预测模型在训练组和验证组中的AUC分别为0.93 (95%CI: 0.90 ± 0.96)和0.86 (95%CI: 0.75 ± 0.96)。表明影像组学模型有可能帮助医生区分常见的胰腺囊性肿瘤类型，从而对临床决策产生积极影响。此外，影像组学还可以用于胰腺实性假乳头状肿瘤的鉴别诊断，因为其影像学表现差异很大，很容易被误诊为胰腺腺癌、神经内分泌肿瘤或囊腺瘤，而胰腺不同肿瘤在手术方式上的选择不同，因此对胰腺实性假乳头状肿瘤的术前精确诊断尤其重要 [31] 。在Gu等人 [32] 的研究中纳入21例胰腺实性假乳头状肿瘤和140种鉴别疾病。分别于T1WI、T2WI、DWI和CE-MRI序列的MRI图像提取影像组学特征。结果，基于以上四个MR序列图像结合临床信息构建的影像组学模型的AUC最高，为0.962 (95%CI: 0.919~0.985)。表明借助基于MRI的影像组学，胰腺实性假乳头状肿瘤可以与腺癌、神经内分泌肿瘤和胰腺囊腺瘤区分开来。

影像组学的方法还被用于预测胰腺导管内乳头状瘤的恶变风险。有研究 [33] 从CT动静脉期和MRI的T2WI序列提取影像组学特征，基于逻辑回归和支持向量机选定特征构建影像组学模型，以预测胰腺导管内乳头状粘液性肿瘤恶变，并研究其与2017年修订的福冈国际共识指南相比的价值。最终显示，所有影像组学模型都比临床和影像模型提供了更佳的预测性能，其曲线下面积(AUC)为0.764。

3.3. 胰腺神经内分泌肿瘤

胰腺神经内分泌肿瘤(pancreatic neuroendocrine tumors, PNET)是一种相对罕见的恶性肿瘤，在组织学和宏观上存在差异，并且预后可能极其不同。目前对于胰腺神经内分泌肿瘤的风险分层与生存预后缺乏公认的精准分期系统 [34] 。肿瘤分级是胰腺神经内分泌肿瘤生物侵袭性的决定因素，也是目前帮助建立个体化治疗策略的最佳工具，迫切需要一种术前准确预测PNET组织学分级的无创方法。Wang等人 [35] 将PNET患者分为G1级组和G2/3级组，在三相(平扫、动脉和静脉)CT中提取影像组学特征。将影像组学特征与肿瘤分级相关的客观临床特征(包括T分期和主胰管/胆管扩张状态)结合为列线图，训练组和验证组AUC分别达到0.919 (95%CI: 0.916~0.922)和0.875 (95%CI: 0.867~0.883)。这表明将影像组学特征和临床特征相结合构成的列线图对于术前预测1级和2/3级的PNET，具有强大的潜力。此外，鉴于G3组较小，该研究列线图模型是将PNET患者分层为G1和G2/3组而建立的。为了更好地优化个性化治疗策略，还需要基于更大的样本建立区分G2和G3级的列线图。

影像组学还被用于胰腺神经内分泌肿瘤的鉴别诊断，Song等人 [36] 首次尝试通过CE-MRI得出的影像组学参数区分乏血供的PNET和胰腺实性假乳头状肿瘤。由年龄和动脉期的影像组学特征组成的列线图显示了该研究鉴别二者的性能，其AUC值在训练组和验证组中分别为0.965 (95%CI: 0.923~1.000)和0.920 (95%CI: 0.796~1.000)。

目前为止，许多研究探索了影像组学在胰腺神经内分泌肿瘤预后预测的价值，如Homps等人 [37] 对接受具有治疗目的的胰腺切除术的胰腺神经肿瘤的患者于术前预测其无复发生存期(Recurrence-free survival, RFS)，结果显示，基于CT的影像组学评分与RFS相关，提示影像组学可以可作为胰腺神经内分泌肿瘤患者预后的影像学标志物。

4. 影像组学在其他与胰腺相关的疾病中的运用

胰十二指肠切除术是一项具有挑战性的手术，可以因为良性或恶性病变行该术式，术后并发症最相关的是胰腺空肠吻合失败，导致胰漏，可导致严重后果如败血症等 [38] ，所以术前风险预测对于围术期个体化管理尤为重要。有研究 [39] 基于MRI的常规序列T1WI和T2WI，在胰体和胰尾放置了50 mm²的手绘单层面感兴趣区，提取影像组学特征。此外，测量了胰腺和肌肉的T1信号强度比，比较使用影像组学和T1信号强度比预测胰十二指肠切除术后临床相关胰漏的效能，发现影像组学模型的诊断准确性更高。值得注意的是，一些影像组学特征已被证明特别容易受到MRI扫描参数的影响，所以需要更大规模的前瞻性研究以供临床采用。

5. 小结

影像组学作为一种新兴的研究方法，正逐渐成为医学影像学领域研究的热点之一，随着深度学习、卷积神经网络等人工智能技术的发展，影像组学在胰腺疾病领域的应用也将迎来新的突破。需要注意的是，由于胰腺具有丰富的解剖结构及病理生理功能复杂多样，单纯依靠影像组学对其进行研究，其诊断效能可能存在局限性。此外，影像组学研究中仍存在一些问题亟待解决。例如缺乏标准化、规范化的数据采集模式和临床诊疗方案，其在临床实践中存在的不足之处需要进一步验证和优化。

参考文献

NOTES

^*通讯作者。