Intratumoral and multiscale peritumoral radiomics on non-contrast CT for differentiating rectal adenocarcinoma from rectal neuroendocrine tumors: a retrospective diagnostic study
这项回顾性研究表明，一种整合了平扫CT瘤内及多尺度瘤周影像组学特征与临床变量的机器学习模型，在区分直肠腺癌与直肠神经内分泌肿瘤方面达到了最高的点估计值，尽管由于样本量较小的单中心队列以及缺乏外部验证，这些发现仍具有探索性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在人体复杂的景观中，直肠可能会携带两种截然不同的肿瘤，它们在影像扫描中看起来非常相似，但却需要完全不同的治疗方案。一种是常见的癌症，生长极其迅速且具有侵略性；而另一种则是源自神经样细胞、生长较慢的肿瘤。在手术前区分这两者至关重要，因为这决定了患者需要进行的是根治性手术还是较简单的程序。通常情况下，医生依靠增强对比扫描，通过注入显影剂来突出血管，从而揭示肿瘤的性质。然而，并非每位患者都能接受这种显影剂，因为可能存在过敏或肾脏问题，有时也只能使用普通的平扫图像。这留下了一个诊断空白，即医生必须在没有色彩增强线索帮助的情况下，观察肿瘤的形状和纹理。
研究团队致力于研究是否可以使用一种称为“影像组学”（radiomics）的方法来填补这一空白。他们并没有让肉眼去猜测差异，而是将医学图像视为一个庞大的数据源。他们将肿瘤的图像分解为成千上千个微小的数值细节——测量灰度、粗糙度以及人类肉眼无法察觉的像素模式。他们不仅观察肿瘤本身，还观察其紧邻的组织，理由是肿瘤的影响可能会波及到其邻近区域。通过将这些隐藏的模式输入到一个能够从实例中学习的计算机程序中，他们希望建立一个仅凭普通非增强图像就能分辨出这两类肿瘤的工具。
该研究针对 2019 年至 2025 年间接受过直肠肿瘤治疗的 87 名患者展开。研究人员将这些病例分为两组：一组用于教计算机识别特征，另一组用于测试计算机能否将所学知识应用于新的、未见过的病例。他们仔细地在普通 CT 扫描图像上的肿瘤周围绘制轮廓，并将这些轮廓向外扩展 3 毫米和 5 毫米，从而创建了三个不同的区域进行分析。通过这些区域，他们为每位患者提取了超过一千个特征，例如肿瘤表面的纹理以及附近组织中灰度分布的情况。为了确保这些测量结果的可靠性，他们检查了不同观察者绘制的线条是否一致以及获取的数据是否相同，并仅保留了最具一致性的数据。
随后，计算机被训练去寻找能够最好地分离侵略性腺癌与神经内分泌肿瘤的特定细节组合。研究人员测试了几种不同的数学方法，其中一种被称为“极端梯度提升”（extreme gradient boosting）的方法被证明最为有效。他们发现，观察肿瘤边界外 3 毫米处的组织所能提供最有用的信息，甚至比观察肿瘤本身或 5 毫米外的组织还要有效。这表明，肿瘤的即时邻域蕴含着一种独特的特征，有助于识别其类型。当研究人员将这种影像数据与标准的临床信息（如患者年龄和肿瘤大小）相结合时，计算机区分这两种情况的能力得到了进一步提升。
结果显示，这种结合方法实现了 0.879 的高判别得分（在 1.0 代表完美排序能力的量表中），优于仅使用临床数据或仅使用肿瘤影像的模型。然而，研究人员谨慎地指出，虽然该模型在整体排名方面表现出色，但在被迫在特定阈值点做出最终的“是或否”决策时却遇到了困难。在测试组中，如果使用从训练数据中得出的标准阈值，该模型未能识别出 70% 的神经内分泌肿瘤。这种高误诊率（假阴性率）表明，尽管该模型具有很强的整体排序性能，但其灵敏度尚不足以作为独立的诊断工具使用。研究还强调，计算机发现的最重要的特征，并非那些在传统意义上已被证明存在差异的特征，而是一种只有在综合分析时才会显现出来的复杂模式组合。
最终，这项工作是一项概念验证而非成熟的医疗产品。它证明了在普通 CT 扫描中确实存在有价值的诊断线索，这些线索隐藏在肿瘤及其周围组织的纹理之中，等待着通过先进计算技术来解锁。研究结果表明，未来的一种工具可以帮助医生在无法使用对比剂的情况下做出更好的决策。然而，由于该研究是在单一医院进行的，且患者数量相对较少，因此其结果被视为探索性的。研究人员强调，在将此类系统应用于实际临床之前，必须在规模更大、更多样化的群体中进行测试，以确保其对每个人都能可靠运行。目前，它为数字分析如何在未来支持人类在最困难的诊断场景下的判断力提供了一个充满前景的启示。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。