| 小PanNETs检测［5］ | CT | 影像组学特征(LGBM) | 测试集: 0.87 | 135例PanNETs和 135例健康对照 | ①PanNETs中≤2 cm肿瘤少，可能影响小肿瘤检测准确性；②自动化分割局限性；③模型敏感度高，但特异度较低 |
| 与PDACs鉴别诊断［9］ | CT | 影像组学特征(梯度提升决策树+随机森林) | 训练集: 0.971
验证集: 0.930 | 238例患者(156例PDACs, 82例PanNETs) | ①样本不平衡(PanNETs组样本相对较小)；②单中心数据收集；③过度拟合风险；④外部验证缺乏；⑤深度学习模型(如梯度提升决策树)作为黑箱，缺乏可解释性 |
| 与SPNs鉴别诊断［15］ | MRI | 影像组学特征(Logistic 回归分析) | 训练集: 0.97
验证集: 0.86 | 66例患者(31例PanNETs, 35例SPNs) | ①样本量小；②单中心数据收集；③缺乏外部验证；④依赖影像科医师手动分割ROI；⑤两种肿瘤的病理亚型未细分，可能忽略内在异质性 |
| 淋巴结转移［21］ | CT | 影像组学深度学习特征 | 训练集: 0.88
验证集: 0.91 | 320例患者(140例淋巴结转移, 180例非淋巴结转移) | ①样本量小，验证集仅84例；②自动化分割不完美；③未包括所有潜在预测因子 |
| 肝转移［24］ | CT | 列线图(病理组学评分+深度学习-影像组学) | 训练集: 0.985
验证集: 0.961 | 163例患者(37例肝转移, 126例非肝转移) | ①样本量小，肝转移组仅37例；②单中心数据，存在回顾性偏差；③病理特征不完整；④列线图整合多特征致模型复杂化、缺乏外部验证 |
| 病理分级［36］ | PET/CT | 列线图(临床特征+影像组学评分) | 0.953 | 41例患者(14例G1级, 27例G2/3级) | ①样本量小，且G3病例少(3例)；②单中心研究,存在选择偏差；③特征选择可能过拟合；④外部验证缺失；⑤未整合多模态数据 |
| 术后复发［38］ | CT | 动脉期影像组学+深度学习-影像组学 | 训练集: 0.80
验证集: 0.77 | 74例患者(19例5年内复发或远处转移, 55例5年内未复发或远处转移) | ①样本量小；②外部验证薄弱； ③依赖影像科医师手动分割 ROI；④未考虑所有临床因素 |
| 靶向治疗预后(肿瘤缩小>10%)［44］ | CT | 影像组学特征(LASSO回归) | 训练集: 0.915
验证集: 0.770 | 38例患者, 171个病灶 | ①样本量小(38例)，需更大样本验证；②CT扫描仪差异；③回顾性设计可能引入偏倚 |
| PRRT的预后(OS)［47］ | SSTR-PET/CT | 纹理特征(如熵)、Kaplan-Meier分析 | 0.71 | 31例 | ①样本量小(31例)；②多中心成像协议差异；③未进行多重比较校正；④回顾性设计限制因果推断 |
