放射組學模型鑒別腮腺多形性腺瘤與沃辛瘤

王 琴，黃東瓊，于冬洋，韓 雷

1. 達州市中心醫院核醫學科，四川 達州 635000；

2. 徐州醫科大學附屬淮安醫院影像科，江蘇 淮安 223001

腮腺是唾液腺腫瘤最常見的部位（80%），其中腮腺多形性腺瘤（pleomorphic adenoma，PA）是最常見的良性腫瘤，其次是沃辛瘤（Warthin tumor，WT）［1］。PA與WT的影像學特征存在諸多相似性，但在計算機體層成像（computed tomography，CT）平掃或CT增強表現上仍有所差異［2］，不同的磁共振成像（magnetic resonance imaging，MRI）信號強度也可有效地鑒別兩者［3］。PA好發于中青年，而WT好發于中老年男性，性別分布也是鑒別PA與WT的重要依據［2，4］。盡管影像學表現結合臨床資料?？蓞^分PA與WT，但診斷資料的部分重疊仍使兩者的鑒別診斷變得困難。

不同腫瘤由于組織分化程度的高低而表現出不同的異質性［5］。放射組學特征定量分析影像學圖像中的灰度分布、像素之間的空間關系等信息［6］，以此評估腫瘤內部的異質性，進而區分具有不同異質性的腫瘤［7］。本研究利用CT平掃圖像的放射組學特征建立分類模型，探討CT放射組學特征在PA與WT鑒別診斷中的價值。

1 資料和方法

1.1 臨床資料

回顧并分析2013年1月—2020年11月達州市中心醫院、淮安市第二人民醫院經病理學檢查確診的28例PA與25例WT患者。PA組：均為單發，男性10例，女性18例，年齡23～75歲；WT組：單發18例，多發7例，男性23例，女性2例，年齡35～78歲。兩組患者主要因腮腺無痛性腫塊入院，均于術前接受CT平掃檢查。

1.2 儀器與方法

采用德國Siemens公司Somatom Definition AS 64排螺旋CT機，日本Toshiba公司Aquilion 64排螺旋CT機。掃描參數：管電流200 mA，管電壓120 kV，層厚5 mm，層間距5 mm，視野240 mm×240 mm，矩陣512×512，行軸位掃描，覆蓋整個腮腺。

1.3 圖像處理與分析

選取腫瘤橫斷面最大層面的CT平掃圖像（多發者取較大病灶），以DICOM格式導出并儲存，像素大小512×512，使用MicroDicom軟件（http://www.microdicom.com）轉換成BMP格式。使用MaZda ver.4.6軟件提取放射組學特征，包括直方圖分析（histogram analysis，HA）、灰度共生矩陣（gray-level co-occurrence matrix，GLCM）、灰度游程矩陣（gray-level run length matrix，GLRLM）、絕對梯度（absolute gradient，AG）和自回歸模型（autoregressive model，AR），GLCM的步長包括1～5個像素，GLCM和GLRLM均包含4個方向（0°、45°、90°和135°），共259個參數，將感興趣區（region of interest，ROI）內的圖像強度標準化為μ±3σ（μ：圖像強度的平均值；σ：標準差），1個月后使用同樣方法再次提取組學特征。ROI沿腫瘤邊緣勾畫（圖1）。

圖1 MaZda軟件勾畫腫瘤的ROI示意圖

1.4 特征篩選與模型建立

數據分析使用SPSS 25.0軟件，特征篩選與模型建立使用R語言（4.0.3）。計量資料以±s表示，比較采用獨立樣本t檢驗（符合正態分布與方差齊性檢驗）或非參數秩和檢驗；計數資料比較采用χ2檢驗或Fisher精確概率檢驗法，P≤0.05為差異有統計學意義。使用組內相關系數（intraclass correlation coefficient，ICC）分析兩次測得的組學特征，同時選取PA組與WT組中ICC＞0.75的特征［8］，然后選取組間差異有統計學意義的特征參數，將參數歸一化在［0，1］之間后再通過最小絕對收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）回歸分析進一步篩選，LASSO回歸模型的最優λ值通過10折交叉驗證獲得。利用篩選的特征參數建立隨機森林（random forest，RF）、邏輯回歸（logistic regression，LR）與支持向量機（support vector machine，SVM）分類模型，驗證方式選擇10折交叉驗證，應用受試者工作特征（receiver operating characteristic，ROC）曲線評估分類模型的效能，指標包括準確度、靈敏度、特異度和曲線下面積（area under curve，AUC）。ICC分析得出重復性良好的特征參數，后續的數據分析以兩次提取的特征參數的平均值進行。

2 結 果

2.1 PA與WT的一般資料比較

PA組、WT組兩組間年齡分布差異無統計學意義（P=0.106），兩組間性別分布差異有統計學意義（P＜0.001），性別區分兩組的準確度、靈敏度、特異度和AUC分別為78.1%、92.0%、64.3%及0.781。

2.2 分類模型的特征子集

通過ICC分析后選出176個特征參數，其中PA與WT之間差異有統計學意義的特征參數共49個，GLCM數量最多，共39個，GLRLM、HA、AG、AR數量分別為4、3、1、2。圖2中間的黑色垂直線代表模型的最優λ值，此時模型最精確，以此模型選出的特征參數共11個（表1），各參數的系數見圖3，直方圖越長，代表系數絕對值越大。

圖2 LASSO模型篩選特征參數圖

圖3 LASSO模型選出的特征參數系數圖

表1 模型特征子集在PA與WT間的比較 M（Q1，Q2）

2.3 3種放射組學分類模型的效能

3種分類模型中，RF分類模型的效能最高，詳見表2，ROC曲線見圖4。

表2 3個分類模型在PA與WT間的鑒別效能

圖4 3個分類模型鑒別PA與WT的ROC曲線

3 討 論

本研究利用CT平掃圖像提取259個放射組學特征，篩選出11個特征參數作為特征子集建立RF、LR及SVM分類模型，均得到了良好的分類效果，其中RF分類模型的效能最佳，準確度、靈敏度、特異度及AUC分別達到83.3%、78.6%、88.0%及0.882。

PA患者以女性居多，而WT好發于中老年男性［4，9］，本研究結果顯示WT組的男性比例明顯高于PA組（P＜0.001），其準確度、靈敏度、特異度和AUC分別為78.1%、92.0%、64.3%及0.781，表明性別分布可為PA與WT的鑒別診斷提供依據，與既往研究［4，9］結果一致。

放射組學特征中的GLCM在腫瘤的病理學分級及腫瘤間的鑒別診斷中發揮著重要作用。Vamvakas等［10］利用多個MRI序列中的放射組學特征，建立模型對腦膠質瘤進行病理學分級，模型的最佳特征子集中GLCM參數所占比例最高。任繼亮等［11］從常規MRI序列中提取放射組學特征對眼眶淋巴瘤與炎性假瘤進行鑒別，T1加權成像與T2加權成像序列的最佳特征主要集中在GLCM與GLRLM，對比增強T1加權成像序列的最佳特征主要集中在GLCM與HA，各序列中GLCM參數在鑒別診斷中均表現出良好效能。本研究提取CT平掃圖像中的HA、GLCM、GLRLM、AG和AR這5種特征，在PA與WT間差異有統計學意義的特征中以GLCM數量最多，經過LASSO分析進一步篩選得出分類模型的特征子集，也發現GLCM的特征參數在子集中所占權重最大，結果均與既往研究［10-11］的結果相仿。

放射組學特征包括一階、二階和高階特征，從不同角度反映腫瘤內部的異質性［12］，利用這些特征建立不同的分類模型對疾病進行診斷已有廣泛的研究［13-15］。Wang等［15］為了預測頭頸部鱗狀細胞癌非手術治療后局部復發，提取了CT圖像和正電子發射體層成像（positron emission tomography，PET）圖像中的放射學特征后建立了SVM、判別分析（discriminant analysis，DA）和LR預測模型，取得了良好的預測效果，最佳AUC達0.76。蔡俊輝等［16］利用CT圖像的放射組學特征建立SVM、RF及LR分類模型，預測表現為磨玻璃結節的肺腺癌的浸潤性，其中SVM分類模型的效能最佳，準確度、AUC分別為93.30%、0.94。本研究亦利用CT圖像的放射組學特征建立了RF、LR及SVM這3種模型，均取得了良好的分類效能，RF分類模型的效能最佳，且效能優于性別的分類效能，但最優模型與既往研究［16-17］并不一致，這可能與研究的數據及模型本身的算法有關。

本研究存在的不足之處：① 納入樣本量較少，仍需擴大樣本量以提高分類模型的可信度；② 僅分析了CT平掃圖像的放射組學特征，而未研究CT增強圖像的放射組學特征；③ 僅利用放射組學特征建立分類模型，未納入腫瘤形態學特征及臨床資料。

綜上所述，通過分析病灶的影像學表現與臨床資料?？捎行У罔b別PA與WT，但在影像學資料不全或鑒別困難的情況下，利用CT平掃圖像的放射組學特征建立分類模型，可為PA與WT的鑒別診斷提供參考信息。