CT 影像构建列线图：术前精准预测胰腺神经内分泌肿瘤（pNETs）分级的新利器

为解决非侵入性判断胰腺神经内分泌肿瘤（pNETs）恶性分级的难题，研究人员开展基于 CT 影像构建列线图预测 pNETs 肿瘤分级的研究。结果显示该列线图预测效果良好，能为临床个性化治疗提供实用工具。

　　背景 / 目的：非侵入性判断胰腺神经内分泌肿瘤（pancreatic neuroendocrine tumors，pNETs）的恶性分级颇具挑战。研究旨在建立基于 CT 的诊断列线图，以预测 pNETs 的肿瘤分级。

方法：招募 2009 年 1 月至 2020 年 11 月两个中心经病理确诊的 pNETs 患者。依据 2017 年世界卫生组织分类，将 pNETs 分为低级别 G₁神经内分泌肿瘤（neuroendocrine tumors，NETs）、中级别 G₂ NETs 和高级别 G₃ NETs。仔细评估 CT 影像特征。为构建列线图，对通过最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）筛选出的影像特征进行多变量逻辑回归分析，生成用于估计肿瘤分级的综合指标。

结果：共纳入 162 例 pNETs 患者（训练集 n = 114，内部验证集 n = 21，外部验证集 n = 48），其中 73 例（45.1%）为 G₁级，89 例（54.9%）为 G₂/G₃级。构建了包含肿瘤边缘、肿瘤大小、神经内分泌症状以及肿瘤门静脉期增强比的列线图，用于预测 pNETs 的恶性分级。该列线图的平均曲线下面积（area under the curve，AUC）为 0.848（95% 置信区间（confidence interval，CI），0.918 - 0.953）。在内部验证数据集应用该列线图仍具有良好的区分度（AUC，0.835；95% CI，0.915 - 0.954）。外部验证的列线图 AUC 略低，为 0.770（95% CI，0.776 - 0.789）。

结论：该列线图模型在术前预测 pNETs 恶性分级方面表现良好，可为临床医生为 pNETs 患者提供个性化管理，提供一种简单、实用的非侵入性工具。