导语：本文通过融合深度学习模型和临床-影像学模型，为胰腺导管腺癌患者隐匿性腹膜转移的早期识别提供了一种新的预测模型。
研究背景
胰腺导管腺癌（PDAC）的预后较差，5年生存率约为11%。其中，80%～85%的患者在诊断时已处于晚期，表现为不可切除或转移性疾病。腹膜是PDAC转移的常见部位，10%～20%的患者在初次就诊时即可观察到腹膜转移，而三分之一的患者因腹膜复发而死亡。隐匿性腹膜转移（OPM）在影像学上常被忽视，但可通过腹腔镜检查发现。因此，治疗前识别腹膜转移的存在对于选择适当的治疗方法和避免不必要的手术至关重要。然而，目前对于OPM的预测模型尚不完善，2024年5月Int J Surg杂志发表了一篇题为“Development and Validation of a Deep Learning Radiomics Model with Clinical-radiological Characteristics for the Identification of Occult Peritoneal Metastases in Patients with Pancreatic Ductal Adenocarcinoma”的文章，通过融合深度学习模型和临床-影像学模型，为胰腺导管腺癌患者隐匿性腹膜转移的早期识别提供了一种新的预测模型。
研究方法
本研究是一项回顾性、双中心研究，旨在开发并验证一种基于计算机断层扫描（CT）的深度学习影像学（DLR）模型，以识别PDAC患者治疗前的OPM。模型开发流程见图1。研究纳入了302例PDAC患者，分为训练组（n=167，OPM阳性22例）、内部测试组（n=72，OPM阳性9例）和外部测试组（n=63，OPM阳性9例）。评价指标主要为受试者工作特征曲线下面积。
图1 模型开发流程
研究结果
有预测价值的临床指标
研究中特别提到了三个临床指标：癌胚抗原19-9（CEA 19-9）、CT基础的T分期和N分期。这些在特征选择过程中被保留，表明它们在预测OPM方面具有重要价值。
肿瘤和腹膜HCR特征的预测价值
研究中，肿瘤的HCR特征和腹膜的HCR特征被用于模型构建。在经过特征选择后，9个肿瘤的HCR特征和3个腹膜的HCR特征被纳入最终模型。这些特征的纳入，提高了模型对OPM的预测能力。
DLR的预测价值
研究结果显示，与HCR模型相比，DLR模型能够从深度学习中自动提取更深层次的图像特征，这表明深度学习在医学图像分析中的尤其独特的价值。
综合模型的预测性能
关于模型性能的评估，在训练队列中，综合模型展现出了令人满意的预测能力，其受试者工作特征曲线下面积达到了0.853（表1），表明综合模型具有较高的准确性。此外，综合模型在内部测试队列和外部测试队列中受试者工作特征曲线下面积分别为0.845和0.852（表1），这进一步验证了综合模型的稳定性和泛化能力。此外，综合模型在训练队列和测试队列中均展现出了较高的准确率、灵敏度和特异度。这意味着综合模型能够在不同程度上正确识别OPM阳性和阴性的患者，减少了误诊和漏诊的风险。
表1 综合模型的预测性能
决策曲线分析的临床意义
决策曲线分析显示，综合模型在多数合理阈值下提供了比单独使用临床-影像学模型或DLR模型更高的净效益。这表明综合模型在临床上具有更好的应用价值，能够为医生提供更准确的治疗决策支持。
模型的稳健性和泛化能力
通过对不同CT数据的分层分析，研究证明了模型的稳健性和泛化能力。无论使用何种型号的CT扫描仪，模型均能保持较高的预测准确性，这为模型在不同临床环境中的应用提供了依据。
总结
本研究开发了一个结合了深度学习影像学特征和临床-影像学特征的综合模型，为PDAC患者的OPM预测提供了一种新的方法。该模型不仅在训练和测试队列中显示出较高的预测准确性，而且在不同CT的分层分析中也显示出良好的稳定性，表明其具有广泛的临床应用潜力。
参考文献
SHI S, LIN C, ZHOU J, et al. Development and validation of a deep learning radiomics model with clinical-radiological characteristics for the identification of occult peritoneal metastases in patients with pancreatic ductal adenocarcinoma[J]. Int J Surg, 2024, 110(5): 2669-2678. DOI: 10.1097/JS9.0000000000001213.
“医学论坛网”发布医学领域研究成果和解读，供专业人员科研参考，不作为诊疗标准，使用需根据具体情况评估。
编辑：石头
二审：且行
三审：清扬
排版：半夏
