使用新型细导管输送系统在EUS引导下为恶性肝门胆道梗阻患者放置桥接支架：两例病例报告（附视频）

《Endoscopic Ultrasound》：EUS-guided bridging stent placement using a new slim-delivery system for malignant hilar biliary obstruction: Two case reports (with video)

　　GISTs风险分层研究基于EUS-E图像开发AI系统，通过深度学习自动分割肿瘤并提取弹性值EUS-E-AI，有效区分低/高风险组（AUC 0.940），验证其作为客观评估工具的临床价值。

　　这项研究聚焦于一种新型的非侵入性方法，用于评估胃肠道间质瘤（GISTs）的恶性潜能，并将其应用于术前风险分层。GISTs是消化系统中最常见的间叶源性肿瘤之一，其发病率约为每年每百万人口4至20例。这些肿瘤通常起源于间质细胞或其前体，可出现在胃肠道的任何部位，其中约有50%至60%位于胃部。由于GISTs的生物学行为复杂，从偶然发现的小肿瘤到高度侵袭性的肉瘤，其恶性潜能存在显著差异。因此，术前准确的风险分层对于临床决策和患者预后评估至关重要。

目前，GISTs的风险分层主要依赖于国家卫生研究院（NIH）共识分类系统，该系统根据肿瘤大小、分裂计数等参数将肿瘤分为四个风险等级：高风险、中等风险、低风险和极低风险。然而，术前获取的样本通常通过内镜超声引导下的细针穿刺活检（EUS-FNA/B）或计算机断层扫描（CT）引导下的经皮方法进行，这些方法受限于肿瘤异质性和活检标本本身的局限性，可能无法全面反映肿瘤的整体特性。此外，由于GISTs通常质地较脆，活检过程可能引发出血、破裂或腹腔内播散等并发症。因此，开发一种非侵入性、可重复且准确的术前风险评估方法具有重要的临床价值。

内镜超声弹性成像（EUS-E）作为一种评估组织硬度的技术，已被广泛应用于GISTs的鉴别诊断。EUS-E通过手动压缩产生的组织变形来可视化相对硬度，其图像叠加在传统的B模式图像上，形成颜色图谱，软组织在红色区域，硬组织在蓝色区域，有助于区分良性和恶性病变。然而，现有的EUS-E解释方法仍然高度依赖操作者的主观判断，尤其是在确定感兴趣区域（ROI）和评估弹性值时，这可能影响诊断的准确性。因此，研究者们迫切需要一种更客观、准确的方法来评估病变的弹性特征，从而提高GISTs风险分层的可靠性。

为了应对这一挑战，本研究开发了一种基于人工智能（AI）的系统，用于通过EUS-E实现GISTs的识别和风险分层。该系统首先收集了189名接受EUS-E检查的SMT（黏膜下肿瘤）患者的数据，其中110例为GISTs。研究人员利用这些数据构建了分类和分割模型，用于区分GISTs和其他类型的SMT，并自动分割GISTs的病变区域。通过对EUS-E图像中颜色特征的分析，系统提取了病变区域的弹性值（EUS-E-AI），从而实现对恶性潜能的评估。

研究结果表明，分类模型的准确率达到95.8%，分割模型的Dice系数为0.967，显示出较高的诊断性能。进一步的分析发现，低风险恶性潜能组的EUS-E-AI值（中位数为0.268，四分位距为0.243–0.333）显著高于高风险恶性潜能组（中位数为0.186，四分位距为0.176–0.199，P < 0.001）。通过受试者工作特征（ROC）曲线分析，研究人员确定了EUS-E-AI的最优截断值为0.224，该值在区分低风险与高风险组时的准确率为92.6%（95%置信区间为89.1–96.1）。值得注意的是，这一结果在直径小于2厘米的小GISTs中也得到了验证，表明该方法适用于不同大小的GISTs进行风险分层。

研究还对GISTs的亚组进行了分析，特别是在直径小于2厘米的病变中。结果显示，即使在这些小肿瘤中，EUS-E-AI的截断值0.224仍然能够有效区分低风险和高风险组，其准确率为80.65%（95%置信区间为66.5–94.8）。这一发现表明，EUS-E-AI不仅可以用于大肿瘤的评估，还可以在小肿瘤的术前风险分层中发挥重要作用。对于直径接近2厘米的GISTs，由于当前临床指南在处理这类病变时存在不确定性，EUS-E-AI的引入可能有助于更精准的治疗决策，如选择观察或局部切除。

此外，研究还探讨了EUS-E-AI与其他临床参数之间的相关性。通过斯皮尔曼相关性分析，研究人员发现EUS-E-AI与GISTs的NIH风险分类之间存在显著负相关（相关系数为?0.619，P < 0.001），并且与分裂计数也存在一定的相关性（相关系数为?0.197，P = 0.072）。这些结果表明，EUS-E-AI不仅能够反映肿瘤的硬度，还能间接反映其恶性潜能。在多变量分析中，病变大小超过2厘米和EUS-E-AI值低于0.224均被确认为高风险恶性潜能的显著预测因素，其比值比分别为10.331（95%置信区间为2.134–50.020）和37.035（95%置信区间为8.736–156.999），进一步验证了该指标在风险分层中的有效性。

研究还指出，传统的EUS-E方法在实际应用中存在一定的局限性，主要体现在操作者的主观性上。例如，EUS-E的弹性评估通常需要手动选择ROI，而这一过程容易受到操作者经验的影响，导致结果的不一致性。此外，参考区域的选择也会影响测量的准确性，因为参考区域的大小和位置可能与病变区域存在差异。这些因素限制了EUS-E在GISTs风险分层中的广泛应用。相比之下，基于AI的系统通过自动提取病变区域的弹性值，有效减少了人为误差，提高了诊断的客观性和可重复性。

该研究的创新之处在于，通过深度学习模型实现了对GISTs的自动识别和分割，随后提取病变区域的弹性特征，构建了一个综合性的弹性指标EUS-E-AI。这一指标不仅考虑了病变的整体特征，还通过将颜色特征转换为HSV色彩空间，更准确地反映了组织硬度。通过这一方法，研究人员能够将EUS-E-AI值与GISTs的恶性潜能进行匹配，并在实际临床中应用该指标指导EUS-FNA/B的决策。这一系统在区分GISTs与其他SMTs方面表现出色，且在小肿瘤的评估中也显示出良好的应用前景。

尽管研究取得了积极成果，但仍存在一些局限性。首先，该研究为回顾性研究，可能存在选择偏差，因此未来需要在前瞻性队列中进一步验证EUS-E-AI的临床价值。其次，研究中用于评估小肿瘤的样本量相对较小，仅包含31例，其中高风险恶性潜能组仅有4例，这可能影响结果的统计代表性。因此，研究者建议在未来的研究中增加样本量，特别是针对小肿瘤的病例，以更全面地评估EUS-E-AI在不同亚组中的应用效果。

此外，研究还提到，目前使用的EUS-E技术主要是实时应变弹性成像，属于一种定性方法。相比之下，剪切波弹性成像（shear wave elastography）是一种更为先进的定量技术，通过测量剪切波传播速度来评估组织硬度。这种方法可能提供更高的可重复性和操作者独立性，因此未来的研究可以进一步探索其在GISTs中的应用价值，并与现有的应变弹性成像和AI方法进行比较，以确定哪种技术更适合用于术前风险评估。

总体而言，这项研究通过引入基于AI的弹性评估系统，为GISTs的术前风险分层提供了一种新的工具。该系统不仅能够准确识别GISTs，还能客观评估其恶性潜能，为临床医生在治疗决策和随访计划中提供有力支持。随着AI技术在医学影像领域的不断发展，这种非侵入性的风险评估方法有望成为GISTs管理的重要组成部分，从而提高诊断的准确性和治疗的个体化水平。未来的研究应继续优化该系统，并探索其在更广泛临床场景中的应用潜力。