基于影像组学-机器学习鉴别自身免疫性胰腺炎与胰腺癌的可行性研究.pdf

中国实用医药2024年11月第19卷第21期ChinaPracMed,Nov2024,Vol.19,No.21·75·

基于影像组学-机器学习鉴别自身免疫性胰腺炎与

胰腺癌的可行性研究

纪易斐陈肖漪

【摘要】目的研究影像组学-机器学习方法在自身免疫性胰腺炎(AIP)和胰腺癌(PC)鉴别中的

价值。方法选择确诊的60例AIP患者及60例PC患者作为研究对象,所有患者均进行磁共振成像

(MRI)检查,并于肘静脉注射对比剂钆喷酸葡胺注射液后进行增强扫描,包括动脉期、门静脉期和延迟

期的扫描。根据7∶3的随机比例要求,将患者分为训练组(84例)和验证组(36例),建立Logistic回归

(LR)、支持向量机(SVM)、决策树(DT)、随机森林(RF)以及极端梯度增强(XGBoost)5种机器学习方法

模型,采用受试者工作特征(ROC)曲线下面积(AUC)、准确率、精确率、敏感度、特异度、F1值和布

里尔分数评估各模型的性能。结果在动脉期、门静脉期、延迟期3个阶段的组学模型中,训练组与验

证组门静脉期的AUC、敏感度、准确率均高于动脉期和延迟期,但各期中动脉期特异度、约登指数最

高。在LR、SVM、DT、RF、XGBoost5种机器学习模型中,训练组中RF的AUC(0.924)、准确率(82.5%)、

特异度(76.4%)、F1值(0.806)最高,布里尔分数最低(0.46)；DT的精确率(88.6%)最高。验证组中,

XGBoost的AUC(0.764)、准确率(76.4%)、精确率(82.2%)、特异度(70.5%)、F1值(0.712)最高,DT的布

里尔分数最低(0.21)。结论在AIP与PC鉴别中,MRI能够从两者的征象表现和信号等做出较为准确

的鉴别诊断,但对于较为浅显的征象和信号却较难分别,而通过影像组学模型则能够更好地反映两种疾

病的区别,且在门静脉期更为显著,有助于提高两种疾病的鉴别诊断效果。

【关键词】磁共振成像；影像组学；自身免疫性胰腺炎；胰腺癌；鉴别诊断

DOI：10.14163/j.cnki.11-5547/r.2024.21.019

Feasibilitystudyofdifferentiatingautoimmunepancreatitisfrompancreaticcancerbasedonimaging

omics-machinelearningJIYi-fei,CHENXiao-yi.DepartmentofGastroenterology,AffiliatedHospitalof

NantongUniversity,Nantong226000,China

【Abstract】ObjectiveTostudythevalueofimagingomics-machinelearningindifferentiating

autoimmunepancreatitis(AIP)frompancreaticcancer(PC).MethodsThisstudyselected60patientswithAIP

and60patientswithPCastheresearchsubjects.Magneticresonanceimaging(MRI)wasperformedinallpatients,

andenhancedscanswereperformedafterintravenousinjectionofthecontrastagentgadopentetatedimeglumine

injectionintotheelbow,includingarterial,portal,anddelayedphasescanning.Then,accordingtotherequirement

of7∶3randomratio,thecasesweredividedintothetraininggroup(84ca