基于CT增強掃描影像組學聯(lián)合臨床模型對腮腺多形性腺瘤與腺淋巴瘤的鑒別診斷

［摘要］ 目的：探討基于CT增強掃描影像組學聯(lián)合臨床模型鑒別腮腺多形性腺瘤和腺淋巴瘤的價值。方法：回顧性收集經(jīng)病理證實的腮腺多形性腺瘤（90例）及腺淋巴瘤（70例）患者的臨床和影像資料。采用單因素分析篩選出差異有統(tǒng)計學意義的臨床數(shù)據(jù)構建臨床模型，應用單因素秩和檢驗、相關性分析及最小絕對收縮與選擇算子（LASSO）算法篩選組學特征并構建影像組學模型，最后構建臨床-影像聯(lián)合模型。將160例按7∶3比例隨機分為訓練集112例和驗證集48例。利用ROC曲線分析各模型的預測效能。結果：利用患者性別、年齡、吸煙史和單發(fā)/多發(fā)構建臨床模型，AUC為0.889（95%CI 0.812～0.966）。動脈期、靜脈期及2期聯(lián)合分別有5、4、5個特征用于模型建立，影像組學模型以2期圖像聯(lián)合模型最佳，AUC為0.951（95%CI 0.890～1.000）。將臨床資料及動靜脈期組學特征納入聯(lián)合模型，其AUC為0.969（95%CI 0.922～1.000），優(yōu)于其他模型。結論：動靜脈期聯(lián)合模型為腮腺多形性腺瘤與腺淋巴瘤鑒別診斷的優(yōu)勢影像組學模型，臨床資料與影像組學聯(lián)合模型鑒別診斷價值較高。

［關鍵詞］ 多形性腺瘤；腺淋巴瘤；腮腺腫瘤；影像組學；體層攝影術，X線計算機

A CT radiomics-clinical integrated model for distinguishing pleomorphic adenoma from Warthin tumor

LU Li LIU Chengliang ZHANG Li ZUO Chao YU Shujing

1Department of CT Diagnosis，Cangzhou Central Hospital，Cangzhou 061000，China；2Second Department of Ultrasound，Cangzhou Central Hospital，Cangzhou 061000，China；3Department of Nuclear Medicine，Cangzhou Central Hospital，Cangzhou 061000，China.

［Abstract］ Objective：To explore the value of enhanced CT-based radiomics combined clinical model in the differential diagnosis of pleomorphic adenoma （PA） from Warthin tumor （WT） in the parotid gland. Methods：This retrospective study analyzed 90 PA patients and 70 WT patients. Univariate analysis was used for clinical data selecting，while univariate rank sum test，correlation analysis and LASSO algorithm were used for radiomics features screening. The combined model was established by the selected optimal radiomics model and clinical data. All patients were randomly divided into a training cohort （112 cases） and a validation cohort （48 cases） at a 7∶3 ratio. The ROC curves were used to evaluate the predictive efficacies of each model. Results：The AUC was 0.889（95%CI 0.812—0.966） for clinical model，including sex，age，smoking history and lesion number. Five，four and five radiomics features of arterial-phase，venous-phase and the two-phase combined models were used to establish the radiomics models. The optimal radiomics model was the two-phase combined model，with the AUC of 0.951（95%CI 0.890—1.000）. Ultimately the clinical data was added to the optimal radiomic model，the AUC was 0.969（95%CI 0.922—1.000），which was better than that of other models. Conclusions：The combination of arterial- and venous-phase radiomics model is superior to other radiomics models in differentiating PA and WT，and the combined model constructed by the optimal radiomics model and clinical model had a high differential value.

［Key words］ Pleomorphic adenoma；Warthin tumor；Parotid tumor；Radiomics；Tomography，X-ray computed

近年來腮腺腫瘤的發(fā)病率逐年上升，以多形性腺瘤和腺淋巴瘤最為常見，均表現(xiàn)為無痛性良性腫塊，但其生物學行為、治療方式及預后卻截然不同［1-2］。多形性腺瘤又稱混合瘤，具有臨界瘤的特征，易復發(fā)或惡變，而腺淋巴瘤的惡變概率小，可延緩手術。兩者手術方式也不同，多形性腺瘤多在保留面神經(jīng)的情況下切除腫瘤及部分腺體；而腺淋巴瘤則極少發(fā)生惡變、復發(fā)，手術多以單純腫瘤剜除為主，也有部分學者主張保守治療［3-4］。因此，術前準確診斷腮腺腫瘤的組織學來源對制訂治療方案尤為重要。現(xiàn)階段，腮腺腫瘤的術前診斷主要依賴影像學檢查，但常規(guī)影像學診斷準確性仍存在爭議，不同組織學類型病灶的影像學表現(xiàn)存在重疊［5-6］。隨著人工智能技術發(fā)展日趨成熟，影像組學方法在臨床上已得到廣泛應用，其在大量的影像圖像中提取肉眼無法觀察到的內(nèi)部信息，對腫瘤的病理學定性、療效預測，以及治療方案的評估等均有一定的應用價值［7-8］。但目前關于CT增強掃描影像組學對多形性腺瘤及腺淋巴瘤的鑒別診斷報道較少，本研究擬結合CT增強掃描影像組學與臨床資料建立鑒別腮腺多形性腺瘤與腺淋巴瘤的聯(lián)合模型，以輔助臨床診療決策的制訂。

1" 資料與方法

1.1" 一般資料

回顧性收集2019年1月至2023年1月我院就診的腮腺腫瘤患者的臨床及影像資料。納入標準：①病理為腮腺多形性腺瘤或腺淋巴瘤；②術前行CT增強掃描且動靜脈期圖像無偽影；③臨床病歷資料完整。排除標準：①同時患有腮腺其他疾病；②圖像質(zhì)量較差、無法滿足組學研究。共納入160例，其中男77例，女83例；年齡21～80歲，平均（56.5±7.3）歲；多形性腺瘤90例，腺淋巴瘤70例。160例按7∶3比例分為訓練集112例和驗證集48例。訓練集中多形性腺瘤64例，腺淋巴瘤48例；驗證集中多形性腺瘤26例，腺淋巴瘤22例。收集患者性別、年齡、吸煙史、觸診結果、腫瘤數(shù)量、位置、大小、形態(tài)、邊界等臨床資料。本研究經(jīng)滄州市中心醫(yī)院倫理委員會批準［批號：2021-075-02（z）］，并豁免知情同意。

1.2" 儀器與方法

使用GE寶石能譜CT、Toshiba 320排螺旋CT掃描儀。掃描范圍由顱底至頸根部。掃描參數(shù)：120 kV，550 mA，層厚、層距均為5 mm，視野240 mm×240 mm。采用高壓注射器經(jīng)肘前靜脈注射非離子型對比劑碘佛醇，流率3～3.5 mL/s，劑量1.5 mL/kg體質(zhì)量，分別于注射后40、80 s行動、靜脈期掃描。

1.3" 影像組學特征提取及模型建立

將圖像導入ITK-SNAP軟件，先由1位具有3年工作經(jīng)驗的醫(yī)師在橫斷面圖像上手動逐層勾畫ROI，再由1位具有10年工作經(jīng)驗的醫(yī)師進行復審，之后軟件自動生成VOI（圖1）。采用Python軟件（3.5版本）用線性內(nèi)插方法對圖像重采樣預處理，使用Pyradiomics工具包對圖像行濾波處理并進行特征提取，包括一階直方圖、形態(tài)學特征、紋理特征。對所提取的組學特征進行預處理，使用Z-score方法對特征數(shù)值標準化處理；采用單因素秩和檢驗方法、相關性分析及最小絕對收縮與選擇算子（1east absolute shrinkage and selection operator，LASSO）算法對組學特征進行降維、篩選。通過多因素逐步回歸方法建立影像組學模型（動脈期、靜脈期及2期聯(lián)合模型）。選擇診斷效能最優(yōu)的組學模型與臨床模型建立臨床-影像聯(lián)合模型。

1.4" 統(tǒng)計學分析

采用R 3.5.1、Python 3.5.6軟件及SPSS 27.0軟件分析數(shù)據(jù)。定性資料組間比較行χ2檢驗或Fisher檢驗；定量資料以x±s表示，組間比較行t檢驗。采用單因素分析篩選差異有統(tǒng)計學意義的指標，再行多因素logistic回歸分析建立臨床模型。采用ROC曲線分析各預測模型的診斷性能，采用DeLong檢驗比較各模型的AUC。以P＜0.05為差異有統(tǒng)計學意義。

2" 結果

2.1" 臨床模型的建立

160例中，多形性腺瘤90例，腺淋巴瘤70例。經(jīng)單因素分析發(fā)現(xiàn)，訓練集及驗證集中2種病變患者的性別、年齡、吸煙史和病變單發(fā)/多發(fā)差異均有統(tǒng)計學意義（均P＜0.05）（表1）。將這4個變量納入多因素logistic回歸分析發(fā)現(xiàn)，差異均有統(tǒng)計學意義（均P＜0.05）（表2）。在訓練集中，臨床模型的AUC為0.889（95%CI 0.812～0.966）（表3，圖2）。

2.2" CT增強掃描影像組學特征篩選和模型建立

從CT增強掃描動、靜脈期圖像中共提取3 376個特征，經(jīng)單因素秩和檢驗、相關性分析及LASSO回歸分析剔除共線特征后，動脈期、靜脈期及2期聯(lián)合分別有5、4、5個特征被選出構建影像組學模型（表4）。訓練集中，2期聯(lián)合模型的AUC、敏感度及特異度優(yōu)于動脈期模型和靜脈期模型（表3，圖2）。

2.3" 聯(lián)合模型的建立與各預測模型的診斷效能分析

選擇2期聯(lián)合模型與臨床模型建立臨床-影像聯(lián)合模型。在訓練集和驗證集中，臨床-影像聯(lián)合模型的AUC均高于其他模型（均P＜0.05）（表3，圖2）。

3" 討論

腮腺多形性腺瘤為最常見的腮腺良性腫瘤，好發(fā)于中年女性，多為單發(fā)；而腺淋巴瘤發(fā)病率次之，常見于老年男性，多有吸煙史，且易多發(fā)。本研究中腮腺多形性腺瘤與腺淋巴瘤患者的性別、年齡、單發(fā)/多發(fā)及吸煙史差異均有統(tǒng)計學意義，其構建的臨床模型在訓練集的AUC為0.889（95%CI 0.812～0.966），高于以往研究［9］，可能與入組患者較多、統(tǒng)計結果更可靠有關。

臨床對腮腺腫瘤的術前評估主要依靠影像學檢查，但部分病變影像征象有重疊，難以準確診斷，同時影像學診斷主要依賴于醫(yī)師經(jīng)驗，主觀性強，且信息量有限。常規(guī)CT主要依靠形態(tài)學特點，如腫瘤位置、形態(tài)、大小、邊緣、密度及強化方式對腮腺腫瘤進行診斷，但目前尚未建立標準的診斷策略，且腮腺多形性腺瘤的很多形態(tài)特征與腺淋巴瘤極為相似，因此僅依靠傳統(tǒng)影像學鑒別兩者較困難［6，9］。

近年來，影像組學已應用于全身多系統(tǒng)疾病的診斷［7-8］，但應用于涎腺病變的研究較少。既往有研究證實影像組學方法可提高腮腺腫瘤術前診斷準確率，并指導臨床決策。Zhang等［10］發(fā)現(xiàn)CT圖像紋理特征有助于腮腺多形性腺瘤和惡性上皮性腫瘤的鑒別診斷，但對良性腫瘤的鑒別診斷尚未深入研究。本研究顯示影像組學對鑒別腮腺多形性腺瘤和腺淋巴瘤具有一定的可行性和臨床價值。王琴等［11］通過分析腮腺多形性腺瘤與腺淋巴瘤的CT平掃紋理特征，建立隨機森林、邏輯回歸及支持向量機模型，其中隨機森林模型診斷效能最佳，AUC、敏感度及特異度分別為0.882、78.6%、88.0%，但該結果與既往研究［12-13］不一致。本研究提示CT增強掃描中單一期相的診斷準確率均低于2期聯(lián)合（訓練集及驗證集中AUC分別為0.951、0.894），原因可能是多形性腺瘤病理構成復雜，其中上皮組織、黏液樣組織、軟骨樣組織及液性結構比例組成不同，而腺淋巴瘤雖然主要由上皮組織構成，但其中腺腔樣結構多見［14］，因2種腫瘤成分的主要結構比例不同導致兩者在動、靜脈期強化上存在差異，且單一期相很難評估其特征。本研究將2種病變的臨床特征、CT增強掃描影像組學特征相結合，發(fā)現(xiàn)臨床-影像聯(lián)合模型在訓練集的AUC、敏感度與特異度高達0.969、0.929、1.000，均高于臨床模型和影像組學模型單獨應用。

本研究尚存在一定的局限性：為單中心研究，樣本量較小，需擴大樣本量行多中心研究，以提高模型效能；僅應用1種回歸分析方法構建模型，有待加入其他機器學習方法進一步優(yōu)化模型。此外，本研究的ROI為手工半自動勾畫，工作量較大，隨著未來樣本量擴大，可通過智能訓練實現(xiàn)自動勾畫以簡化模型建立，同時尚需大樣本、前瞻性和多中心研究進一步優(yōu)化預測模型。

綜上所述，動、靜脈期聯(lián)合的影像組學模型是鑒別腮腺多形性腺瘤和腺淋巴瘤的有效方法，臨床-影像聯(lián)合模型對鑒別腮腺多形性腺瘤與腺淋巴瘤具有可行性且應用價值較高，可提高診斷精準率。

［參考文獻］

［1］ GATTA G，GUZZO M，LOCATI L D，et al. Major and minor salivary gland tumours［J］. Crit Rev Oncol Hematol，2020，152：102959.

［2］ 巫超，劉旦，陳家駿. 雙期增強CT對腮腺基底細胞腺瘤和多形性腺瘤的診斷價值［J］. 實用放射學雜志，2022，38（11）：1761-1764.

［3］ 宋承汝，程敬亮，張勇，等. 基于分段讀出擴散加權成像序列表觀擴散系數(shù)圖的全域直方圖分析在腮腺常見腫瘤鑒別診斷中的價值［J］. 中華放射學雜志，2019，53（3）：189-195.

［4］ 林楊，吳麗芳，陳懿. 腮腺混合瘤與腺淋巴瘤的磁共振成像表現(xiàn)對比分析［J］. 腫瘤影像學，2020，29（3）：319-323.

［5］ 潘桂海，陳韻，周飛，等. 擴散加權成像及動態(tài)對比增強磁共振成像在腮腺混合瘤與腺淋巴瘤鑒別中的應用［J］. 實用放射學雜志，2020，36（7）：1035-1038.

［6］ 梁久平，符念霞，閆瑤瑤，等. 腮腺多形性腺瘤和腺淋巴瘤MSCT征象分析［J］. 放射學實踐，2021，36（2）：181-185.

［7］ 徐靜雅，吳樹劍，范莉芳，等. 基于多期CT影像組學鑒別卵巢良、惡性腫瘤的臨床應用價值［J］. 放射學實踐，2023，38（9）：1151-1156.

［8］ 馬偉麗，趙振華，夏陽，等. CT影像組學預測胃腸道間質(zhì)瘤病理類型的診斷價值［J］. 實用放射學雜志，2023，39（2）：229-232.

［9］ 褚相樂，劉海燕，黃勇華，等. 腮腺多形性腺瘤和腺淋巴瘤的MSCT征象鑒別診斷價值［J］. 中國臨床醫(yī)學影像雜志，2023，36（1）：10-14.

［10］ ZHANG D，LI X J，LV L，et al. A preliminary study of CT texture analysis for characterizing epithelial tumors of the parotid gland［J］. Cancer Manag Res，2020，12：2665-2674.

［11］ 王琴，黃東瓊，于冬洋，等. 放射組學模型鑒別腮腺多形性腺瘤與沃辛瘤［J］. 腫瘤影像學，2021，30（6）：499-503.

［12］ 蔡俊輝，段紹峰，袁虎，等. 機器學習鑒別表現(xiàn)為肺純磨玻璃結節(jié)的浸潤性腺癌與非浸潤性腺癌［J］. 中國醫(yī)學影像技術，2020，36（3）：405-410.

［13］ WANG Y，ZHU K J，LI Y，et al. A machine learning-based approach for the prediction of periprocedural myocardial infarction by using routine data［J］. Cardiovasc Diagn Ther，2020，10（5）：1313-1324.

［14］ 文寶紅，程敬亮，張勇. T1 mapping成像鑒別診斷腮腺腫瘤的價值［J］. 臨床放射學雜志，2023，42（11）：1718-1723.

（收稿日期" 2024-02-23）