European Radiology：机器学习模型在腮腺良、恶性肿瘤鉴别中的放射组学分析

腮腺肿瘤是最常见的唾液腺肿瘤，其中约80%为良性，20%为恶性，具有复杂多样的组织病理学类型。恶性腮腺肿瘤有24种组织学类型，最常见的是粘液表皮细胞癌，良性腮腺肿瘤有11种组织学类型，最常见的是多形性腺瘤（PA），其次是Warthin瘤（WT）和基底细胞腺瘤（BCA）。虽然腮腺肿瘤的主要治疗方法是手术，但各种组织学类型的腮腺肿瘤决定了明显不同的治疗决策和预后[。因此，术前对良性和恶性腮腺肿瘤的准确评估对于调整治疗决策至关重要。

腮腺肿瘤很少有明显的临床症状，因此术前区分良性和恶性腮腺肿瘤主要依靠细针穿刺活检（FNAB）和影像检查。虽然FNAB是腮腺肿瘤最常见的术前定性检查，但其有肿瘤细胞移植和诱发腮腺炎的风险，因此难以在临床上进行广泛应用。目前，腮腺肿瘤的术前成像包括超声、磁共振成像（MRI）和计算机断层扫描（CT）。由于超声检查容易受到肿瘤位置和邻近骨骼的影响，其诊断效果有限，所以目前主要采用CT和MRI检查。虽然MRI对软组织有很好的分辨率，但多期相CT能提供有价值的肿瘤特征和周围结构的信息，而且成本较低。然而，由于良性和恶性腮腺肿瘤的放射学特征重叠，因此真钝主要取决于医生的经验。

放射组学是一个新兴的、有前景的领域，通过高通量提取和挖掘大量的图像特征，对肿瘤类型进行全面的定量分析特征。随着算法和人工智能的发展，最近的研究描述了放射组学分析在腮腺肿瘤中的应用。这些研究表明，放射组学可能帮助良性或恶性腮腺肿瘤患者解决临床问题并优化治疗。预测模型的可靠性、高准确性和有效性是促进放射组学成功的关键因素。然而据我们所知，目前还没有研究调查不同的基于放射组学的模型在区分良性和恶性腮腺肿瘤中的应用。

近日，发表在European Radiology杂志的一项研究选择了不同的机器学习方法来建立和验证基于CT的放射组学和临床特征的组合模型，以实现良性和恶性腮腺肿瘤的术前诊断及评估。

本研究共招募了388名经病理证实的腮腺肿瘤患者（训练队列：n = 272；测试队列：n = 116）。从平扫、动脉期和静脉期的CT图像中提取放射组学特征。在降维和选择之后，通过逻辑回归（LR）、支持向量机（SVM）和随机森林（RF）构建放射组学模型。通过ROC曲线分析选择最佳放射组学模型。应用单变量和多变量逻辑回归来分析临床-放射学特征，并确定用于开发临床模型的变量。通过结合放射学和临床特征，构建了一个综合模型。通过ROC曲线分析评估模型性能，并使用决策曲线分析（DCA）来估计模型的临床价值。 

总共从CT图像中提取了2874个放射组学特征。通过降维和选择，10个放射组学特征被认为有价值。在放射组学模型中，SVM模型显示出更高的预测效率和稳健性，在训练队列中AUCs为0.844；在测试队列中为0.840。最终的临床特征构建了一个临床模型。联合模型的鉴别能力是最好的（AUC，训练队列：0.904；测试队列：0.854）。联合模型DCA显示了最佳的临床诊断效果。 

图 三个模型分别在训练(a)和测试(b)组中对腮腺肿瘤进行分类的决策曲线分析(DCA)

综上所述，本研究提出并验证了一个基于CT的联合模型，该模型整合了临床-放射学和放射组学特征，以事项良性和恶性腮腺肿瘤的术前鉴别诊断。在本项研究中，使用SVM的联合模型表现出最佳的诊断性能，可以作为精准医学的影像学手段并改善临床治疗策略。

原文出处：

Yunlin Zheng,Di Zhou,Huan Liu,et al.CT-based radiomics analysis of different machine learning models for differentiating benign and malignant parotid tumors.DOI:10.1007/s00330-022-08830-3