摘要目的 探究胰腺神经内分泌肿瘤(pancreatic neuroendocrine neoplasm,panNEN)的CT和MRI特征对预测其病理分级的价值.材料与方法 回顾性分析北京大学第三医院106例panNEN患者的临床及影像资料,本研究遵循世界卫生组织(World Health Organization,WHO)2019年第五版的分类和分级标准,将panNEN中的G1、G2、G3级神经内分泌肿瘤(neuroendocrine neoplasm,NEN)和神经内分泌癌(neuroendocrine carcinoma,NEC)分别划分为低级别组(G1级NEN)和中高级别组(包括G2、G3级NEN和NEC).对患者性别、年龄和病灶的形态、位置、体积、囊实性质、CT特征(平扫、增强动脉期和静脉期相CT值、动脉期和静脉期CT图像的增强模式)、MRI特征[T1、T2 加权MRI图像上的信号强度、扩散加权成像(diffusion-weighted imaging,DWI)序列b值=1000 s/mm2图像的信号强度及表观扩散系数(apparent diffusion coefficient,ADC)图像的信号强度],以及血管侵犯和肝转移进行统计学分析.运用t检验、Mann-Whitney U检验、卡方检验及Wilcoxon秩和检验比较panNEN不同病理分级和病灶相关参数的差异,并采用二元logistic回归构建预测模型,使用受试者工作特征曲线下面积(area under the curve,AUC)评估模型预测效能,采用DeLong检验比较模型间的AUC值的差异.校准曲线评估模型的拟合度,决策曲线分析评估模型的临床价值.结果 低级别组与中高级别组在肿瘤体积、肝转移和血管侵犯方面的差异具有统计学意义(P<0.05),而在性别、年龄、囊实性质和发生部位方面的差异无统计学意义(P>0.05).CT和MRI特征中,仅DWI和ADC图信号特征差异具有统计学意义.多因素logistic回归分析显示,肿瘤体积、肝转移和血管侵犯是panNEN病理分级的独立预测因素,联合后构建的模型预测panNEN中高级别组的AUC达0.861(95%CI:0.798～0.923),敏感度为78.1%,特异度为83.3%.结论 基于肿瘤体积、肝转移和血管侵犯的联合模型在术前能有效预测panNEN病理分级.