本文是一篇关于基于CT影像组学特征的机器学习模型预测早期急性胰腺炎（AP）进展的研究论文，属于类型a：单篇原创性研究报告。以下是对该研究的详细介绍：

1. 主要作者及研究机构

本研究由范海云、陈基明、陈亮亮、羊琦、吴莉莉和周慧共同完成，他们均来自皖南医学院第一附属医院弋矶山医院。研究发表于《影像医学》期刊，文章编号为1002—0217(2022)03—0256—04，DOI为10.3969/j.issn.1002-0217.2022.03.015。

2. 学术背景

急性胰腺炎（AP）是消化系统常见的疾病之一，发病率逐年上升。虽然大多数轻症患者预后良好，但重症患者常伴随器官功能衰竭，病死率高达28%～69%。因此，早期准确预测AP的进展对于改善患者预后至关重要。传统的临床表现和实验室检查难以有效预测AP的进展，而CT影像学检查虽然在诊断AP并发症和评估预后方面具有重要作用，但在早期阶段对胰腺坏死的检出率较低，导致病情严重程度被低估。

影像组学（Radiomics）通过计算机算法从常规影像图像中提取大量数据，能够检测到肉眼无法识别的细微变化，从而对疾病的异质性进行全面量化分析。机器学习（Machine Learning）则通过数据属性定义数据，利用临床数据和特定算法来预测各种结局指标并构建模型。本研究旨在探讨基于CT影像组学特征的机器学习模型在预测早期AP进展中的价值。

3. 研究流程

3.1 研究对象

研究回顾性分析了2013年11月至2021年1月期间弋矶山医院的104例AP患者资料，其中40例为进展期，64例为非进展期。患者按7:3的比例随机分为训练组（73例）和验证组（31例）。

3.2 检查方法

所有患者均接受了飞利浦64排螺旋CT机的平扫及增强扫描。扫描参数包括管电压120 kV、管电流220 mA、层厚5 mm、层间距5 mm。造影剂为碘化醇，注射速率为2.5 ml/s，分别在注射后25 s（动脉期）、60～70 s（静脉期）和3 min（延迟期）采集图像。

3.3 特征提取与筛选

使用ITK-SNAP软件手动勾画胰腺的感兴趣区域（ROI），并通过三维融合生成容积感兴趣区（VOI）。随后，使用AK软件提取影像组学特征，包括一阶特征、形态特征、灰度共生矩阵特征及小波变换等。通过最小冗余最大相关（MRMR）和最小绝对值收敛和选择算子（LASSO）回归分析筛选出最佳纹理特征。

3.4 预测模型构建

采用多因素Logistic回归（LR）、随机森林（RF）和支持向量机（SVM）三种方法构建影像组学预测模型。通过受试者工作特征（ROC）曲线评估不同模型的预测效能。

4. 主要结果

4.1 影像组学特征提取的一致性

两名医师的组间一致性较好，组内相关系数（ICC）为0.851。

4.2 影像组学特征的提取

从平扫、动脉、静脉及延迟期图像中分别提取了1316个纹理特征，四期联合提取了5264个纹理特征。通过MRMR和LASSO回归分析，最终筛选出12、11、10、12和13个最优特征。

4.3 预测模型的效能评估

基于延迟期CT图像构建的LR模型在训练组和验证组中的曲线下面积（AUC）分别为0.86和0.84，显示出较高的预测效能。RF和SVM模型的AUC分别为0.78和0.84（训练组）以及0.72和0.77（验证组）。

5. 结论

基于延迟期CT图像的影像组学特征构建的LR模型能够有效预测早期AP的进展，具有较高的诊断效能。该模型为AP患者的个体化精准医学提供了新的工具。

6. 研究亮点

• 重要发现：延迟期CT图像的影像组学特征在预测AP进展中具有较高的价值。
• 方法创新：本研究首次结合了影像组学和多种机器学习算法（LR、RF、SVM）来预测AP进展。
• 应用价值：该模型为早期AP患者的病情监测和干预提供了新的方法，有助于改善患者预后。

7. 其他有价值的内容

本研究的局限性包括样本量较小、单中心回顾性研究设计以及手动勾画ROI的主观性。未来的研究可以通过大样本、多中心研究进一步验证模型的效能，并结合临床和影像资料进行更深入的分析。

本研究通过影像组学和机器学习技术的结合，为早期急性胰腺炎的病情预测提供了新的思路和方法，具有重要的科学和应用价值。