基于超声内镜图像和可解释深度学习预测胰腺神经内分泌肿瘤病理分级的创新模型与列线图研究

　　本研究针对胰腺神经内分泌肿瘤（PNETs）术前病理分级预测难题，开发了基于超声内镜（EUS）图像和深度迁移学习（DTL）的可解释深度学习模型。通过多中心回顾性研究构建的诺莫图整合了深度学习特征与临床特征，在训练队列和测试队列中分别达到0.928和0.882的AUC值，为PNETs的精准治疗决策提供了重要工具。

　　

胰腺神经内分泌肿瘤（PNETs）作为胰腺肿瘤中相对罕见但具有高度异质性的肿瘤类型，其病理分级对治疗决策和预后评估具有决定性意义。根据世界卫生组织（WHO）最新分类标准，PNETs被分为高分化（G1）、中分化（G2）和低分化（G3）三个等级，其中G2/3级肿瘤具有更强的侵袭性和更差的预后。目前，病理分级主要依赖术后标本的组织学检查，缺乏有效的术前无创预测方法。虽然增强超声、CT和MRI等影像学技术已用于术前评估，但这些方法主要依赖医师主观判读的语义特征，存在较大主观偏差和一致性不足的问题。

随着人工智能技术在医学影像领域的快速发展，深度学习（DL）算法在图像识别任务中展现出卓越性能。特别是深度迁移学习（DTL）技术，能够将在大规模数据集上预训练的模型迁移到特定医学任务中，有效解决医学影像数据量有限的问题。超声内镜（EUS）作为PNETs诊断的重要工具，具有比其他影像学方法更高的灵敏度，特别是对于小型病灶的检测。然而，基于EUS图像和深度学习算法预测PNETs病理分级的研究尚未见报道。

为此，莫双阳等研究人员在《BMC Medical Informatics and Decision Making》发表了这项多中心研究，旨在开发并验证基于EUS图像的可解释深度学习模型和列线图，用于术前预测PNETs的病理分级。

研究人员采用多中心回顾性研究设计，从四个医疗中心共纳入108例经病理证实的PNETs患者。使用预训练的ResNet18模型通过深度迁移学习技术从EUS图像中提取深度学习特征，采用最小绝对收缩和选择算子（LASSO）进行特征选择，并比较了10种机器学习算法的性能。最终将最优深度学习模型与临床特征结合构建列线图，并通过SHapley Additive exPlanations（SHAP）方法提供模型可解释性。

研究结果显示，在单因素和多因素逻辑回归分析中，肿瘤形状和最大直径被确定为G2/3 PNETs的独立预测因素。从EUS图像中提取的深度学习特征经过筛选后，18个具有非零系数的特征被保留用于模型构建。在10种机器学习算法中，Naive Bayes模型表现出最佳性能，在训练队列和测试队列中的AUC值分别为0.939和0.839。

最终构建的列线图整合了深度学习特征和临床特征，在训练队列中AUC达到0.928（95% CI 0.849-0.981），在外部测试队列中AUC为0.882（95% CI 0.778-0.954）。校准曲线显示预测概率与实际概率之间差异很小，训练队列和测试队列的平均绝对误差分别为4.5%和6.6%。决策曲线分析（DCA）和临床影响曲线（CIC）表明该列线图具有显著的净收益和临床实用性。

SHAP方法提供了模型预测的可视化解释，显示了各深度学习特征对模型输出的贡献程度。大多数保留的深度学习特征与预测结果呈正相关或负相关，其中9个特征与病灶直径显著相关，这解释了深度学习模型与临床模型结合后预测性能提升的原因。

研究结论表明，基于EUS图像的可解释深度学习模型和列线图能够有效预测PNETs的病理分级，为临床治疗决策提供了有价值的工具。该研究的创新点在于首次将深度迁移学习技术应用于EUS图像分析用于PNETs分级预测，并采用多中心设计验证模型的泛化能力。

讨论部分强调，与传统的放射组学方法相比，深度学习能够自动学习图像特征而不依赖人工设计特征，具有更高的自动化程度和特征表示能力。本研究使用的ResNet18架构在小样本数据情况下能够有效避免过拟合问题，适合医学影像分析任务。

然而，研究也存在一些局限性。样本量相对较小，特别是外部测试队列病例数有限；EUS设备来自不同厂商，图像参数不一致可能引入偏差；手动分割过程可能带来噪声。未来研究需要扩大样本量，进行多中心合作，标准化图像采集参数，并探索Transformer等新兴架构的应用潜力。

总体而言，这项研究为PNETs的术前无创分级提供了新的解决方案，展示了人工智能技术在医学影像分析中的广阔应用前景，有望在临床实践中为医生提供更准确的决策支持，最终改善患者治疗效果。