众所周知，胆囊癌（GBC）的预后很差，总的5年生存率只有13%。胆囊癌极差的预后可以解释为其非特异性症状，导致大量的患者在晚期时才确诊为胆囊癌，而此时手术已无可能。然而，在接受根治性切除的T1b/T2肿瘤患者中，5年生存率可以提高到53%。因此，早期发现GBC对于提高这些患者的生存率至关重要。此外，对胆囊病变的充分定性（即正确区分良性和恶性）非常重要，因为GBC患者应在专业的肝胆医院接受治疗。

超声波是诊断胆囊疾病的主要成像方式，CT和MRI也被用作评估胆囊病变的附加成像方式。然而，区分良性胆囊疾病，如慢性或黄疽性胆囊炎和腺肌瘤病与GBC仍然是一个挑战，因为这些疾病在影像学上存在很大程度的重叠。在最近的一项研究中，调查了放射科医生根据CT扫描对良性胆囊疾病和GBC进行视觉鉴别的能力，取得了90%的较高敏感性。然而，特异性相对较低，仅约60%。在该研究中，不规则的病变面、无脂肪堆积和局部淋巴结肿大被确定为GBC的预测因素。

放射组学是一种新兴的医学图像定量分析方法，可使用大量自动提取的放射学特征进行分析，比放射学判断更准确、更客观地代表了基于CT的放射学病变特征。Liu等学者使用各种机器学习方法对放射学特征进行建模，以预测GBC患者的生存结果。研究表明，从胆囊中提取的基于CT的放射学特征可以区分长期生存率较低的高风险患者和生存率较高的低风险患者。

近日，发表在European Radiology杂志的一项研究通过机器学习算法分析可疑胆囊病变的基于CT的放射组学特征在区分良性胆囊疾病和GBC的价值及能力，并探讨了机器学习模型对同一患者群体中CT扫描的影像学视觉判析的附加价值。

本项研究根据确认的组织病理学诊断和可用的增强门静脉期相CT扫描，回顾性地对纳入的患者进行了评估。从整个胆囊中提取放射学特征，然后通过基于Lasso回归、Ridge回归和XG Boosting的机器学习分类器进行进一步分析。将表现最好的分类器结果与影像学视觉CT诊断相结合，并与单独的影像学视觉CT评估进行了比较。 

总共纳入了127名患者，包括83名胆囊良性病变患者和44名GBC患者。在所有机器学习分类器中，XG boosting取得了最佳的AUC，为0.81（95% CI 0.72-0.91），准确率最高，为73%（95% CI 65-80%）。当结合影像学视觉解释和XG提升分类器的预测时，取得了最高的诊断性能，AUC为0.98（95% CI 0.96-1.00），敏感性为91%（95% CI 86-100%），特异性为93%（95% CI 90-100%），准确性为92%（95% CI 90-100%）。 

图 轴位计算机断层扫描中良性胆囊疾病（慢性胆囊炎）的分段胆囊示例

本项研究表明，对放射组学特征的机器学习分析显示出对良性胆囊病变和恶性胆囊疾病的鉴别前景。此外，基于CT的放射组学分析和影像学视觉判析的结合提供了最佳结果。更具体地说，放射组学模型弥补了影像学视觉评估的低特异性，从而优化了区分胆囊良性和恶性病变的能力。
原文出处：

Yunchao Yin,Derya Yakar,Jules J G Slangen,et al.Optimal radiological gallbladder lesion characterization by combining visual assessment with CT-based radiomics.DOI:10.1007/s00330-022-09281-6