张怡帆，徐珊珊，吴锦，陆晓宁，汤盛楠，何健

(南京大学医学院附属鼓楼医院 核医学科，江苏 南京 210008)

胰腺囊性肿瘤(pancreatic cystic neoplasm，PCN)占胰腺囊性病变的10%～15%[1]，相对较为少见，但近年来PCN的检出率逐步提高，不少患者接受常规影像检查时偶然发现患有PCN。浆液性囊腺瘤(serous cystadenoma, SCN)与黏液性囊腺瘤(mucinous cystadenoma, MCN)分别约占胰腺切除囊性病变的16%及23%[2]。SCN是良性肿瘤，极少恶变，通常无须手术治疗[3]；而MCN具有恶性潜能，临床指南建议手术切除[4-5]鉴于两组疾病的不同生物学行为及治疗原则，术前鉴别显得尤为重要。

本研究的目的是评估CT纹理分析鉴别胰腺SCN与MCN的表现及可行性，为临床决策提供重要参考。

1 资料与方法

1.1 一般资料

本研究经本院伦理委员会批准，并且免除了患者的知情同意。回顾性分析2017年1月至2020年10月在本院接受治愈性切除术的SCN或MCN患者共131例的资料。纳入标准：(1) 术后病理诊断为SCN或MCN；(2) CT检查和手术前均未接受任何形式的相关治疗；(3) 有完整的一般临床资料。排除标准：(1) 术前3周内未接受CT增强扫描；(2) 术前CT增强扫描静脉期无薄层图像(层厚=2.5 mm)；(3) CT图像存在严重的伪影。最终，共纳入了75例患者，其中SCN 46例，MCN 29例。

收集患者的一般临床信息及术前CT影像学诊断结果，以术后病理诊断结果为标准，分析术前CT影像诊断结果的正确诊断率、模糊诊断率(模糊诊断为胰腺囊肿、胰腺囊腺瘤、胰腺囊性占位)和误诊率。结果显示，SCN与MCN的术前CT正确诊断率分别为10.86%和17.24%，模糊诊断率分别为69.58%和72.41%，误诊率分别为19.56%和10.35%。

1.2 CT检查参数

CT检查前禁食8 h并对患者进行呼吸训练，患者均取仰卧位。采用64排多层螺旋CT扫描仪(GE Light speed VCT；GE Discovery CT750HD)进行扫描，扫描范围覆盖上腹部或全腹部。扫描参数：管电压120 kV，管电流250～350 mAs，层厚5 mm，层间距5 mm，视野35～50 cm，矩阵512×512，旋转时间0.7 s，螺距1.375。行CT平扫后，用高压注射器以3.5 ml·s-1的流速静脉注射碘对比剂omnipaque 1.5 ml·kg-1(Medrad Stellant CT注射器系统；Medrad，印第安纳州，美国)。对比剂注射同时开始计时，分别间隔30、60、180 s采集动脉期、静脉期及延迟期3期动态增强图像，静脉期重建为2.5 mm层厚。患者均无过敏及不良反应。

1.3 CT影像学特征分析

CT图像通过影像存档和通信系统(PACS)传输到医生工作站后，由2名具有丰富腹部阅片经验的放射科医师(分别有6年和10年的腹部影像学阅片经验)评估以下特征：(1) 肿瘤位置(头颈部、体尾部或弥漫分布)；(2) 肿瘤大小(肿瘤横断面最大直径)；(3) 病灶CT值(平扫CT测量)；(4) 钙化(平扫CT评估，无钙化、中央钙化、边缘钙化或弥漫性钙化)；(5) 囊壁厚度(静脉期评估，薄壁或厚壁，囊壁>0.2 cm定义为厚壁)[13]；(6) 附壁结节(静脉期评估，有或无)；(7) 囊壁强化(静脉期评估，有或无)；(8) 病灶轮廓(类圆形或分叶状)；(9) 囊腔数目(静脉期评估，单囊或多囊，囊内见纤维分隔且囊腔数目≥2个为多囊)；(10) 胰体尾萎缩(病灶上游胰腺实质体积缩小)；(11) 胰管扩张(有或无，胰头主胰管直径>0.3 cm、胰体尾主胰管直径>0.2 cm定义为胰管扩张)[13]。2名放射科医师均对患者的临床病理信息不知情，患者按随机顺序进行排列。若评估结果不一致，由2名评估者协商决定，定量指标取平均值进行统计学分析。

1.4 CT纹理特征提取与分析

1.5 统计学处理

2 结 果

2.1 PCN患者一般资料及CT影像学特征比较

MCN患者的糖尿病患病率高于SCN患者(P=0.005)，其他两者一般资料差异均无统计学意义(P>0.05),见表1。在肿瘤特征性表现上SCN病灶CT值较MCN高(P=0.001)，SCN与MCN的钙化表现及囊腔数目差异均有统计学意义(P<0.05),见表2。SCN与MCN的影像学表现及分割ROI情况见图1。

表1 SCN患者与MCN患者一般资料比较Tab 1 Preoperative clinical characteristics of the patients with SCN and MCN

A. 男，34岁，MCN患者，静脉期CT横断位可见胰腺体尾部多囊性肿块，纤维分隔及囊壁轻度强化；B. 男，48岁，SCN患者，静脉期CT横断位胰腺体部多囊性病灶，边缘轮廓呈分叶状，其内见中度强化纤维分隔；C～D. 深度学习网络分割的ROI；E～F. 放射科医师校正后的ROI；J～K. 每一层面ROI 经重建后获得肿瘤的 VOI图1 MCN和SCN CT影像学特征A. Male, 34 years, MCN. Axial venous phase CT shows a mult cystic mass in the pancreatic body and tail, and the fibrous septa and cyst wall are weak enhancement. B. Male, 48 years, SCN. Axial venous phase CT shows a lobulated, mult cystic lesion in the pancreatic body and the fibrous septa enhances midly. D.ROI segmented by deep learn network. F. ROI modified by a radiologist. K. VOI is formed around the lesion from all slices of ROIFig 1 CT images based on venous phase of MCN and SCN

表2 SCN患者与MCN患者术前CT影像学特征比较Tab 2 Preoperative CT radiological characteristics of the patients with SCN and MCN

2.2 临床资料及CT影像学特征的多因素分析

将单因素分析P<0.1的临床影像学特征参数纳入多因素Logistic回归分析并构建临床影像学特征模型，结果显示糖尿病史(OR=20.508,95%CI为1.302～322.942,P=0.032)、AST(OR=1.15,95%CI为1.023～1.292,P=0.019)、病灶CT值(OR=0.823，95%CI为0.724～0.936,P=0.003)及囊腔数目(OR=0.063，95%CI为0.008～0.462，P=0.007)是鉴别SCN与MCN的重要因素。

2.3 CT纹理特征的筛选与多因素分析

通过LASSO降维筛选出9个纹理特征(图2)。9个纹理特征分别为来自灰度共生矩阵(GLCM)的集群阴影(glcm_ClusterShade)、反差矩(glcm_Imc2)、反差矩归一化(glcm_Idmn)、逆差归一化(glcm_Idn)，来自灰度大小区域矩阵(GLSZM)的大面积低灰度强调(glszm_LargeAreaLowGrayLevelEmphasis)、小面积强调(glszm_SmallAreaEmphasis)、区域百分比(glszm_ZonePercentage)以及来自灰度依赖矩阵(GLDM)的依赖熵(glszm_ZonePercentage)以及小依赖性低灰度强调(gldm_SmallDependenceLowGrayLevelEmphasis)。以上9个纹理特征参数均显示较好的观察者间一致性(ICC为0.762～0.891)。

A. 左边虚线所示即为最佳λ值，与筛选出的特征数量相对应；B. 所有特征的LASSO系数曲线,特征系数随着最终选择的特征数量而变化图2 LASSO回归筛选CT纹理特征的过程A. The left dotted vertical line is drawn at the optimal value of lambda, corresponding to the number of selected features; B. LASSO coefficient profiles for all features: coefficients of features changes with the final selection of different numbers of featuresFig 2 Feature selection for the LASSO algorithm

将以上9个纹理特征纳入多因素Logistic回归分析并构建CT纹理特征模型，多因素分析结果表示反差矩归一化(OR=1.320,95%CI为1.128～1.544,P<0.001)、小面积强调(OR=0.970,95%CI为0.949～0.990,P=0.005)、区域百分比(OR=1.036,95%CI为1.010～1.062,P=0.007)、依赖性熵(OR=0.995,95%CI为0.991～0.998,P=0.003)及小依赖性低灰度强调(OR=1.507,95%CI为1.028～2.208,P=0.035)是SCN与MCN的重要鉴别因素。

2.4 各模型的诊断效能比较

在ROC曲线分析(表3、图3)中临床影像学特征模型的AUC为0.814，灵敏度及特异度分别为79.31%和80.43%；CT纹理特征模型的AUC为0.866，灵敏度和特异度分别为72.41%和89.13%;结合临床影像学特征及CT纹理特征构建的综合模型的AUC为0.938，灵敏度及特异度分别为93.10%和84.78%。

表3 临床影像学特征、CT纹理特征及3种模型的ROC曲线分析Tab 3 ROC curves analysis of the clinical radiological feature, CT textural feature and the 3 models

A. 病灶CT值、囊腔数目、糖尿病史、AST的ROC曲线； B. 临床影像学特征模型、CT纹理特征模型、综合模型的ROC曲线图3 临床影像学特征和3种模型的ROC曲线分析A. ROC curves of CT value of tumor, the number of cysts, diabetes and AST. B. ROC curves of clinical radiological feature model, CT textural feature model and combined modelFig 3 ROC curves of the clinical radiological features and 3 models

3 讨 论

本研究提取68个CT纹理特征，并通过LASSO算法及多因素分析筛选出5个特征。反差矩归一化反映图像的均匀性[20]；区域百分比表示图像纹理的粗糙程度；小依赖性低灰度强调测量具有较低灰度值的小相关性联合分布，低灰度值在图像中的集中程度越高，异质性越强[21]；小面积强调是小尺寸区域分布的量度；依赖性熵强调区域的复杂程度。反差矩归一化、区域百分比及小依赖性低灰度强调均与MCN呈正关联，推测可能与MCN囊液中含有黏稠的黏液样物质有关，而SCN囊液较清亮[22]。小面积强调和依赖性熵与MCN呈负关联，推测与SCN瘤体中除囊液外还含有纤维瘢痕、分隔、钙化等成分有关。

一般来说，组织的异质性是由多个纹理参数共同表征的，单个纹理参数不能完整显示病变的总体特征[23]，综合以上5个CT纹理特征值建立的模型能够较好地鉴别SCN与MCN。目前也有其他研究证实了纹理分析可用于鉴别SCN与MCN。Yang等[17]研究中CT纹理特征模型训练组及验证组鉴别SCN与MCN的AUC分别为0.73及0.70，略低于本研究。王波涛等[22]研究了MRI纹理分析诊断SCN与MCN的价值，其研究纹理特征的AUC为0.879。但CT检查相比MRI检查更为经济，在我国也更加广泛地用于PCN患者的检出和随诊[8]。因此CT纹理分析具有相对较高的临床应用价值。另外，相对于以往纹理分析研究多采用手动分割的方法，本研究采用前沿深度学习网络分割，并在深度学习网络中引入目标几何信息，有助于获得更好的分割边界，并减少了主观性的影响[14]，使本研究所建立的CT纹理特征模型具有良好的稳定性。

本研究将肿瘤囊腔数目、病灶CT值等临床影像学特征纳入分析，综合模型的AUC为0.938，诊断性能进一步提高。本研究SCN的CT值与囊腔数目均高于MCN，推测可能与SCN瘤体内有较为致密的透明变组织构成星芒状纤维瘢痕，肿瘤囊壁与分隔有丰富纤维组织及小血管增生有关[24]。糖尿病、黄疸是PCN恶变的危险因素[25]。MCN患者AST较高可能与肿瘤压迫引起黄疸有关。由此可见，临床及影像学特征也可在一定程度上反映肿瘤的异质性，因此联合临床及影像学特征的综合模型具有最佳诊断性能。Yang等[16]的另一项研究也表明,结合CT影像学特征与纹理特征对两种疾病具有更好的鉴别能力。

本研究具有一定的局限性:首先，患者数量相对较少，未来需要更大样本量来提供内部验证和外部验证，为临床应用提供更大支持。第二，这是一项单中心的回顾性研究，选择偏倚难以避免，研究结果的有效性还需要前瞻性研究的探索和证实。第三，本研究仅选取静脉期图像特征纳入纹理分析，而以往研究证实，增强CT扫描动脉期和静脉期可提供不同的图像纹理信息，若将动脉期纳入研究，将有望进一步提高诊断的准确性。

总的来说，本研究结果初步证实了术前增强CT扫描静脉期图像纹理特征有助于鉴别SCN和MCN。此外，CT纹理分析联合CT临床影像学特征可以提高鉴别诊断的性能，这可能成为判断PCN患者是否需要手术干预的可靠方法。