基于多模態(tài)磁共振影像組學(xué)鑒別唾液腺多形性腺瘤和基底細(xì)胞腺瘤

閆小凡，邵碩，鄭寧*，崔景景，苑子茵，李森

多形性腺瘤(pleomorphic adenoma, PA)是唾液腺最常見(jiàn)的良性腫瘤,常見(jiàn)于中青年人，女性好發(fā)[1]；在組織學(xué)上其由上皮組織、黏液和軟骨樣組織構(gòu)成，亦稱(chēng)為“混合瘤”[2]?；准?xì)胞腺瘤（basal cell adenoma,BCA）在唾液腺良性腫瘤中位居第三位，約占唾液腺全部上皮源性腫瘤的1%～2%[3]；組織學(xué)上，BCA 由基底細(xì)胞樣細(xì)胞排列的基底細(xì)胞層和基底膜樣結(jié)構(gòu)構(gòu)成，缺乏黏液軟骨樣基質(zhì),根據(jù)細(xì)胞的生長(zhǎng)模式可將其分為4種病理亞型：梁狀型（60%）、管狀型（30%）、實(shí)性型及膜性型[4]；臨床及影像上對(duì)該病認(rèn)識(shí)不足，則易與多形性腺瘤混淆。手術(shù)切除是治療唾液腺腫瘤最有效的方法，選擇術(shù)式主要依賴(lài)于腫瘤類(lèi)型及其生物學(xué)特性。多形性腺瘤易復(fù)發(fā)、會(huì)惡變，據(jù)報(bào)道其術(shù)式選擇單純瘤體切除術(shù)，復(fù)發(fā)率高達(dá)70%，故多采用根治性外科手術(shù)[5-7]；而基底細(xì)胞瘤的術(shù)式及預(yù)后與PA不同[8]，只采用單純瘤體切除術(shù)或部分腺葉切除術(shù)，可達(dá)到低復(fù)發(fā)、預(yù)后好的效果。因此，術(shù)前準(zhǔn)確定性PA和BCA對(duì)臨床醫(yī)生制訂手術(shù)方案具有指導(dǎo)意義。在臨床工作中，一些可觀察到的常規(guī)影像征象，如密度/信號(hào)、邊緣和病變形態(tài)，可能有助于唾液腺腫瘤的診斷，但有時(shí)PA和BCA的影像學(xué)表現(xiàn)存在部分重疊，且人工閱片具有主觀差異，部分病例鑒別困難[9-11]。影像組學(xué)[12]是指從CT、MRI或正電子發(fā)射計(jì)算機(jī)斷層顯像（positron emission tomography, PET）等圖像中高通量地挖掘人眼無(wú)法觀測(cè)到的潛在影像特征，并轉(zhuǎn)換為可視化數(shù)據(jù)進(jìn)行量化分析，具有無(wú)創(chuàng)、可重復(fù)性操作等優(yōu)勢(shì)，近年來(lái)已用于頭及頸部疾病的研究中[13]，并且已有多位學(xué)者[14-16]對(duì)唾液腺良惡性腫瘤或最常見(jiàn)的兩種良性腫瘤（多形性腺瘤和腺淋巴瘤）開(kāi)展了相關(guān)紋理分析或影像組學(xué)研究，但目前尚未有在唾液腺良性腫瘤中的第三大常見(jiàn)類(lèi)型（基底細(xì)胞腺瘤）方面的磁共振影像組學(xué)研究。因此本研究基于表觀彌散系數(shù)（apparent diffusion coefficient,ADC）圖、T1WI及T2WI序列構(gòu)建影像組學(xué)模型，以探討其鑒別唾液腺多形性腺瘤和基底細(xì)胞腺瘤的診斷價(jià)值。

1 材料與方法

1.1 一般資料

本研究回顧性分析濟(jì)寧市第一人民醫(yī)院2015年1 月至2021 年10 月177 例經(jīng)術(shù)后病理證實(shí)的唾液腺上皮源性良性腫瘤患者資料，且通過(guò)了濟(jì)寧市第一人民醫(yī)院倫理委員會(huì)批準(zhǔn)，免除受試者知情同意，批準(zhǔn)文號(hào)：2022倫審研第（005）號(hào)。

納入標(biāo)準(zhǔn)：（1）所有患者的ADC、T1WI及T2WI 圖像均在同一臺(tái)MRI掃描儀上獲得，且采用相同的成像參數(shù)；（2）臨床信息及影像學(xué)資料完整；（3）MRI 掃描前未接受任何有創(chuàng)性檢查（穿刺、放化療等）；（4）經(jīng)病理學(xué)檢查證實(shí)為原發(fā)性PA 或BCA。排除標(biāo)準(zhǔn)：（1）圖像質(zhì)量差（圖像存在明顯的運(yùn)動(dòng)偽影或圖像變形等），影響數(shù)據(jù)分析；（2）病灶最大直徑小于1.0 cm，難以精準(zhǔn)勾畫(huà)病灶感興趣區(qū)。

1.2 儀器與方法

所有ADC、T1WI 及T2WI 原始圖像均來(lái)自于濟(jì)寧市第一人民醫(yī)院影像歸檔和通信系統(tǒng)（picture archiving and communication system, PACS）。采用Siemens Trio 3.0 T 超高場(chǎng)MRI 掃描儀，線(xiàn)圈為頭部專(zhuān)用12 通道線(xiàn)圈與頸部專(zhuān)用4 通道線(xiàn)圈。常規(guī)MRI 中T1WI 掃描參數(shù)：TE 23 ms，TR 689 ms；T2WI 掃描參數(shù)：TE 75 ms，TR 5280 ms。DWI掃描參數(shù)：b值選擇為0 s/mm2和1000 s/mm2，TE 94 ms，TR 4200 ms，F(xiàn)OV 24 cm×24 cm，NEX 3，矩陣192×173，層厚3 mm，層間距0.3 mm，總采集時(shí)間102 s。將所有病例圖像以DICOM格式存入硬盤(pán)。

1.3 圖像分割、特征提取與降維、模型建立

將符合標(biāo)準(zhǔn)的圖像導(dǎo)入ITK-SNAP 開(kāi)源軟件（美國(guó)賓夕法尼亞大學(xué)賓州圖像計(jì)算與科學(xué)實(shí)驗(yàn)室；http://www.ITK-SNAP.org），由2 名分別具有2 年、15 年頜頸部影像診斷工作經(jīng)驗(yàn)的住院醫(yī)師、副主任醫(yī)師在橫斷位ADC、T1WI 及T2WI 圖像上沿病灶邊緣逐層（應(yīng)至少包含3 個(gè)連續(xù)層面）手動(dòng)勾畫(huà)感興趣區(qū)域（region of interest，ROI），并生成腫瘤的三維容積感興趣區(qū)域（volume of interest，VOI）。醫(yī)師A 隨機(jī)選擇的一部分圖像進(jìn)行ROI 勾畫(huà)，2 周后重復(fù)勾畫(huà)該部分圖像以評(píng)估觀察者內(nèi)部的可重復(fù)性；醫(yī)師B 勾畫(huà)與醫(yī)師A 相同的圖像，來(lái)評(píng)估觀察者間的可重復(fù)性。組內(nèi)相關(guān)系數(shù)（intraclass correlation coefficient, ICC）大于0.75 則認(rèn)為可重復(fù)性較好。由醫(yī)師A 繼續(xù)勾畫(huà)剩余圖像。勾畫(huà)ROI 時(shí)應(yīng)注意：（1）病灶的大小、邊緣及形態(tài)等，只勾畫(huà)腫瘤侵犯的區(qū)域，避開(kāi)正常組織；（2）不需避開(kāi)病灶內(nèi)的出血和囊變壞死區(qū)。將所有VOI 圖像整理后導(dǎo)入uAI Research Portal平臺(tái)（中國(guó)上海聯(lián)影智能醫(yī)療科技有限公司；http://urp.united-imaging.com:8080/#/），去掉無(wú)效數(shù)據(jù)（如文本信息、空數(shù)據(jù)和無(wú)效數(shù)字等）后分別 得 到 了2600 個(gè)ADC 特 征、2600 個(gè)T1WI 特 征 及2600個(gè)T2WI特征信息，聯(lián)合序列（ADC+T1WI+T2WI）一共提取了7800 個(gè)特征。通過(guò)uAI Research Portal平臺(tái)對(duì)全部特征進(jìn)行選擇，使用mRMR 法剔除掉冗余或不相關(guān)特征。首先，采用Z-Score方法對(duì)特征進(jìn)行標(biāo)準(zhǔn)化；隨后，利用方差閾值法，選擇0.8為閾值，篩選出方差大于0.8的特征參數(shù)；其次，以用于單變量特征選擇的SelectKBest 方法，用方差分析（analysis of variance，ANOVA）選出P＜0.05的最佳特征；最后，在最小絕對(duì)收縮與選擇算法（least absolute shrinkage and selection operator,LASSO）過(guò)程中使用5 折交叉驗(yàn)證選出在最佳Alpha時(shí)的特征；整理篩選出的特征建立邏輯回歸（logistic regression,LR）與支持向量機(jī)（support vector machine，SVM）2 種機(jī)器學(xué)習(xí)模型。將病例數(shù)據(jù)以8∶2 的比例隨機(jī)劃分為訓(xùn)練集（n=141）與測(cè)試集（n=36），使用訓(xùn)練集進(jìn)行特征的選擇與機(jī)器學(xué)習(xí)模型的構(gòu)建，使用測(cè)試集對(duì)模型進(jìn)行驗(yàn)證。繪制受試者工作特征曲線(xiàn)（receiver operating characteristic curve, ROC），并計(jì)算曲線(xiàn)下面積（area under the curve,AUC）、準(zhǔn)確率、敏感度及特異度，以評(píng)估不同影像模態(tài)中LR 模型與SVM 模型鑒別診斷PA和BCA的效能。

1.4 統(tǒng)計(jì)學(xué)分析

采用SPSS 23.0軟件進(jìn)行全部統(tǒng)計(jì)學(xué)數(shù)據(jù)分析。計(jì)量資料中符合正態(tài)分布的組間差異分析采用獨(dú)立樣本t檢驗(yàn)，以（±s）表示，不符合正態(tài)分布的組間差異分析采用非參數(shù)檢驗(yàn)（Mann-WhitneyU檢驗(yàn)），以M（Qn）表示，計(jì)數(shù)資料的組間差異分析采用χ2檢驗(yàn)，以頻數(shù)表示；P＜0.05 均表明差異具有統(tǒng)計(jì)學(xué)意義。運(yùn)用ROC 曲線(xiàn)分析PA 和BCA 的ADC 平均值，并得出二者的ADC 平均值診斷閾值及該閾值下的AUC 值、敏感度及特異度。ICC 用于評(píng)價(jià)同一位醫(yī)師先后兩次及兩位醫(yī)師之間勾畫(huà)病灶ROI 的可重復(fù)性。繪制ROC 曲線(xiàn)來(lái)評(píng)估模型鑒別PA 和BCA 的效能。此外，使用Delong Test 對(duì)各模型間ROC 曲線(xiàn)進(jìn)行比較，使用決策曲線(xiàn)及校準(zhǔn)曲線(xiàn)對(duì)模型進(jìn)行評(píng)價(jià)。

2 結(jié)果

2.1 一般資料比較

本研究包括129 例多形性腺瘤[男58 例，女71 例，年 齡10～76（45.67±15.75）歲]（圖1）和48 例基底細(xì)胞腺瘤[男21 例，女27 例，年齡27～76（55.15±10.02）歲]（圖2），其中位于腮腺155 例，下頜下腺21 例，小涎腺1 例。PA 組和BCA 組的年齡、形狀及ADC 平均值差異具有統(tǒng)計(jì)學(xué)意義（P＜0.01），比較發(fā)現(xiàn)PA 的好發(fā)年齡稍低于BCA，PA 形態(tài)為淺分葉的概率高于BCA，PA 的ADC 平均值高于BCA；但二者間性別比例和長(zhǎng)徑的差異均無(wú)統(tǒng)計(jì)學(xué)意義（表1）。繪制ROC曲線(xiàn)，當(dāng)ADC平均值診斷閾值為1.31×10-3mm2/s時(shí)，鑒別PA和BCA的效能最優(yōu)，相應(yīng)AUC值為0.843，敏感度為78.3%，特異度為75%（圖3）。

圖2 女，49 歲，左側(cè)腮腺基底細(xì)胞腺瘤。2A：橫斷位T1WI示左側(cè)腮腺橢圓形低信號(hào)影；2B：T2WI呈稍低信號(hào)，其內(nèi)見(jiàn)點(diǎn)片狀長(zhǎng)T2 信號(hào)，邊界清晰，周?chē)?jiàn)短T2線(xiàn)樣包膜影；2C：表觀彌散系數(shù)約為1.13×10-3 mm2/s；2D：鏡下見(jiàn)腫瘤由較單一的基底樣細(xì)胞構(gòu)成，大小較一致，細(xì)胞呈圓形、梭形，腫瘤團(tuán)外圍的細(xì)胞核深染，呈柵欄狀排列，局部細(xì)胞豐富，呈片狀實(shí)性生長(zhǎng)，可見(jiàn)核分裂像；間質(zhì)為纖維組織。Fig. 2 Female, 49 years old, left parotid gland basal cell adenoma. 2A:Axial T1WI shows oval low signal shadow of left parotid gland; 2B:T2WI shows slightly low signal,with patchy long T2 signal,clear boundary,and short T2 linear envelope shadow can be seen around;2C:The apparent diffusion coefficient(ADC)value is about 1.13×10-3 mm2/s; 2D: Microscopically, the tumor is composed of single basal like cells with uniform size. The cells are round and spindle shaped. The nuclei at the periphery of the tumor mass are deeply stained and arranged in a fence shape.Local cells are rich and grow in flake solid growth.Mitotic images can be seen.The stroma is fibrous tissue.

表1 唾液腺多形性腺瘤和基底細(xì)胞腺瘤患者的臨床資料比較Tab.1 Comparison of clinical data between pleomorphic adenoma and basal cell adenoma of salivary gland

圖3 唾液腺多形性腺瘤和基底細(xì)胞腺瘤的表觀彌散系數(shù)（ADC）診斷閾值的受試者工作特征（ROC）曲線(xiàn)。當(dāng)閾值為1.31×10-3 mm2/s 時(shí)，診斷多形性腺瘤時(shí)的曲線(xiàn)下面積為0.843，敏感度為78.3%，特異度為75%。Fig. 3 The receiver operating characteristic curve of apparent diffusion coefficient (ADC) value diagnostic threshold of salivary pleomorphic adenoma and basal cell adenoma.When the threshold is 1.31×10-3 mm2/s,the area under the curve of pleomorphic adenoma (PA) is 0.843, the sensitivity is 78.3%,and the specificity is 75%.

2.2 測(cè)量一致性

使用一致性檢驗(yàn)，醫(yī)師A 先后兩次、醫(yī)師A 與醫(yī)師B 之間對(duì)病灶進(jìn)行手動(dòng)分割的ICC 范圍分別為0.771～0.933、0.759～0.906，可重復(fù)性均較好。

2.3 影像組學(xué)特征

于uAI Research Portal 平臺(tái)（上海聯(lián)影智能醫(yī)療科技有限公司），對(duì)從ADC、T1WI、T2WI 及聯(lián)合序列圖像中提取的特征進(jìn)行降維與篩選，最終分別得到15、3、15及23個(gè)有效特征（圖4）。

圖4 圖像特征及相關(guān)系數(shù)。4A：表觀彌散系數(shù)（ADC）；4B：T1WI；4C：T2WI；4D：聯(lián)合序列(ADC+T1WI+T2WI)。Fig. 4 Image features and correlation coefficient. 4A:Apparent diffusion coefficient (ADC); 4B: T1WI; 4C: T2WI; 4D: Combined sequence (ADC+T1WI+T2WI).

2.4 影像組學(xué)預(yù)測(cè)模型

表3 支持向量機(jī)模型在訓(xùn)練集與測(cè)試集中的診斷效能Tab.3 Diagnostic efficiency of support vector machine model in the training and test sets

圖6 分別基于表觀彌散系數(shù)（ADC）、T1WI、T2WI及聯(lián)合序列構(gòu)建的邏輯回歸與支持向量機(jī)模型的決策曲線(xiàn)。6A：ADC模型訓(xùn)練集；6B：ADC模型測(cè)試集；6C：T1WI模型訓(xùn)練集；6D：T1WI模型測(cè)試集；6E：T2WI模型訓(xùn)練集；6F：T2WI模型測(cè)試集；6G：聯(lián)合序列模型訓(xùn)練集；6H：聯(lián)合序列模型測(cè)試集。Fig. 6 The decision curves of logistic regression and support vector machine models based on apparent diffusion coefficient (ADC), T1WI, T2WI and combined sequence respectively.6A:The training sets of the ADC models;6B:The test sets of the ADC models;6C:The training sets of the T1WI models;6D:The test sets of the T1WI models;6E:The training sets of the T2WI models;6F:The test sets of the T2WI models;6G:The training sets of the combined sequence models;6H:The test sets of the combined sequence models.

圖7 分別基于表觀彌散系數(shù)（ADC）、T1WI、T2WI及聯(lián)合序列構(gòu)建的邏輯回歸與支持向量機(jī)模型的校準(zhǔn)曲線(xiàn)。7A：ADC模型訓(xùn)練集；7B：ADC模型測(cè)試集；7C：T1WI模型訓(xùn)練集；7D：T1WI模型測(cè)試集；7E：T2WI模型訓(xùn)練集；7F：T2WI模型測(cè)試集；7G：聯(lián)合序列模型訓(xùn)練集；7H：聯(lián)合序列模型測(cè)試集。Fig.7 The calibration curves of logistic regression and support vector machine models based on apparent diffusion coefficient (ADC),T1WI,T2WI and combined sequence respectively.7A:The training sets of the ADC models;7B:The test sets of the ADC models;7C:The training sets of the T1WI models;7D:The test sets of the T1WI models;7E:The training sets of the T2WI models;7F:The test sets of the T2WI models;7G:The training sets of the combined sequence models;7H:The test sets of the combined sequence models.

結(jié)果顯示，在訓(xùn)練集中，基于ADC 圖構(gòu)建的LR 與SVM模型的AUC值分別為0.955、0.961；基于T1WI圖構(gòu)建的LR與SVM模型的AUC值分別為0.812、0.813；基于T2WI 圖構(gòu)建的LR 與SVM 模型的AUC 值分別為0.939、0.949；基于聯(lián)合序列構(gòu)建的LR與SVM模型的AUC值分別為0.994、0.995，其中LR模型的準(zhǔn)確率、敏感度及特異度分別為98.7%、98.4%及98.8%，SVM 模型的準(zhǔn)確率、敏感度及特異度分別為98.6%、96.4%及99.4%。在測(cè)試集中，基于ADC、T1WI、T2WI及聯(lián)合序列圖像構(gòu)建的LR 模型鑒別診斷PA 和BCA 的AUC 值分別為0.906、0.780、0.868 及0.972，SVM 模 型 的AUC 值 分 別 為0.924、0.783、0.847及0.959；其中聯(lián)合序列構(gòu)建的LR模型的準(zhǔn)確率、敏感度及特異度分別為91.6%、89.8%及92.3%，SVM 模型的準(zhǔn)確率、敏感度及特異度分別為93.3%、85.6%及96.1%（表2、3、圖5～7）。Delong Test顯示：基于聯(lián)合序列影像組學(xué)模型優(yōu)于基于T1WI或T2WI影像組學(xué)模型（P＜0.05），與基于ADC影像組學(xué)模型差異無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）；在測(cè)試集中，各模型間的AUC值均無(wú)顯著性差異（P＞0.05）。

表2 邏輯回歸模型在訓(xùn)練集與測(cè)試集中的診斷效能Tab.2 Diagnostic efficiency of logistic regression model in the training and test sets

圖5 分別基于表觀彌散系數(shù)（ADC）、T1WI、T2WI 及聯(lián)合序列構(gòu)建的邏輯回歸與支持向量機(jī)模型的受試者工作特征（ROC）曲線(xiàn)。5A：ADC 模型訓(xùn)練集；5B：ADC 模型測(cè)試集；5C：T1WI模型訓(xùn)練集；5D：T1WI模型測(cè)試集；5E：T2WI模型訓(xùn)練集；5F：T2WI模型測(cè)試集；5G：聯(lián)合序列模型訓(xùn)練集；5H：聯(lián)合序列模型測(cè)試集。Fig.5 The receiver operating characteristic(ROC)curves of logistic regression and support vector machine models based on apparent diffusion coefficient(ADC),T1WI,T2WI and combined sequence respectively.5A:The training sets of the ADC models;5B:The test sets of the ADC models;5C:The training sets of the T1WI models; 5D: The test sets of the T1WI models; 5E: The training sets of the T2WI models; 5F: The test sets of the T2WI models; 5G: The training sets of the combined sequence models;5H:The test sets of the combined sequence models.

3 討論

本研究旨在探討多模態(tài)磁共振影像組學(xué)模型在唾液腺基底細(xì)胞腺瘤中的應(yīng)用價(jià)值。結(jié)果顯示，在訓(xùn)練集中，聯(lián)合序列模型的診斷效能優(yōu)于T1WI 或T2WI模型；而聯(lián)合序列影像組學(xué)模型與ADC影像組學(xué)模型的AUC間的差異無(wú)統(tǒng)計(jì)學(xué)意義，但聯(lián)合序列模型的準(zhǔn)確率、敏感度及特異度均較高于ADC影像組學(xué)模型，提示多序列圖像聯(lián)合能提供更多腫瘤內(nèi)部特征。在測(cè)試集中，由于樣本量較少，聯(lián)合序列影像組學(xué)模型與基于ADC、T1WI或T2WI影像組學(xué)模型的AUC之間的差異無(wú)統(tǒng)計(jì)學(xué)意義，但各影像組學(xué)模型在鑒別PA與BCA時(shí)均具有較好的診斷價(jià)值。

3.1 影像組學(xué)模型的診斷效能

在最近的幾項(xiàng)研究中，鄭韻琳等[17]基于多期CT增強(qiáng)構(gòu)建影像組學(xué)模型鑒別腮腺PA和BCA，得出動(dòng)脈期的影像組學(xué)模型及與臨床資料建立的聯(lián)合模型的AUC 值為0.968～0.973，與本研究聯(lián)合序列模型及ADC 影像組學(xué)模型診斷效能相似。與鄭韻琳等增強(qiáng)CT 研究相比，本研究使用無(wú)電離輻射、多參數(shù)和軟組織分辨率更高的磁共振檢查，多參數(shù)成像能提供更多的腫瘤內(nèi)部特征，且不需要使用增強(qiáng)對(duì)比劑，避免對(duì)比劑過(guò)敏風(fēng)險(xiǎn)。彭媛媛等[18]對(duì)腮腺多形性腺瘤和腺淋巴瘤患者的增強(qiáng)T1WI 圖像進(jìn)行定量紋理分析，使用費(fèi)希爾參數(shù)法+最小分類(lèi)誤差與最小相關(guān)系數(shù)法+協(xié)同信息法聯(lián)合法，篩選出30個(gè)對(duì)鑒別診斷有顯著效能的紋理參數(shù)，其中P50、P90、WavEnLL_s-2 及WavEnLL_s-3 的鑒別診斷能力最佳，相應(yīng)的AUC 值分別為0.858、0.864、0.901 及0.905；吳艷 等[19]基于99例腮腺腫瘤患者的T2WI圖像上的最大層面去勾畫(huà)二維ROI 提取特征，采用兩種降維方法（最小冗余最大相關(guān)算法和LASSO 回歸分析）先后對(duì)特征進(jìn)行處理，最終篩選出8 個(gè)最佳特征并建立影像組學(xué)標(biāo)簽，將臨床資料與影像組學(xué)標(biāo)簽聯(lián)合構(gòu)建LR模型以鑒別腮腺多形性腺瘤和腺淋巴瘤，最終聯(lián)合模型在訓(xùn)練集和驗(yàn)證集的AUC值分別為0.90、0.96。與以上研究相比，本研究是在多序列圖像上勾畫(huà)腫瘤三維ROI來(lái)構(gòu)建影像組學(xué)模型且將組學(xué)應(yīng)用于鑒別診斷PA 和BCA，比紋理分析或單序列模型所提取的特征數(shù)量及類(lèi)型更多，可以對(duì)圖像信息相互補(bǔ)充，從而更全面地反映出腫瘤內(nèi)部的異質(zhì)性[20]。以上研究均證實(shí)影像組學(xué)模型鑒別診斷唾液腺良性腫瘤的可靠性及價(jià)值。

3.2 影像組學(xué)特征的客觀性

本研究收集的圖像均來(lái)自于同一臺(tái)MRI掃描儀，先進(jìn)行圖像預(yù)處理以降低采集誤差與個(gè)體差異的影響，手動(dòng)勾畫(huà)腫瘤區(qū)域的三維ROI 并進(jìn)行特征的提取，最終篩選出4 類(lèi)特征參數(shù)，即：一階統(tǒng)計(jì)學(xué)特征，形態(tài)學(xué)特征，紋理特征中的灰度共生矩陣（gray level cooccurence matrix, GLCM）、灰度游程矩陣（gray level run length matrix, GLRLM）、灰度區(qū)域大小矩陣（gray level size zone matrix,GLSZM）、灰度相關(guān)矩陣（gray level dependence matrix,GLDM）、鄰域灰度差分矩陣（neighbouring gray tone difference matrix,NGTDM），以及小波特征。既往已有研究[21-23]表明圖像灰度數(shù)據(jù)信息能定量分析腫瘤內(nèi)部的異質(zhì)性，由此表明影像組學(xué)模型在腫瘤預(yù)測(cè)方面的客觀性。

3.3 機(jī)器學(xué)習(xí)算法的選擇

近年來(lái)，機(jī)器學(xué)習(xí)分類(lèi)器模型被大量引入，合適的機(jī)器學(xué)習(xí)算法能夠提升模型的預(yù)測(cè)效能及穩(wěn)定性。有學(xué)者推斷[24]邏輯回歸與支持向量機(jī)分類(lèi)器適用于小數(shù)據(jù)集分析，構(gòu)建的模型均較為穩(wěn)定，本研究構(gòu)建的正是小樣本模型，結(jié)果顯示測(cè)試集與訓(xùn)練集的擬合度較佳，且LR 模型與SVM 模型鑒別診斷唾液腺PA 和BCA 時(shí)均具有良好的性能，診斷價(jià)值無(wú)顯著差異（P＞0.05）。既往研究報(bào)道了兩分類(lèi)器在臨床其他方向的應(yīng)用，有學(xué)者推測(cè)LR 分類(lèi)器的效能低于SVM，也有學(xué)者推測(cè)兩者效能具有可比性[25-26]。

此外，ADC值稍低提示為基底細(xì)胞腺瘤。本研究得出的鑒別PA和BCA的ADC值診斷閾值（1.31×10-3mm2/s），AUC值為0.843，與Mukai等[27]報(bào)道的結(jié)果（1.31×10-3mm2/s）一致；且基于ADC 圖構(gòu)建的影像組學(xué)模型與ADC 平均值鑒別兩者的診斷效能均較好（P＞0.05）。

3.4 局限性

本研究仍存在的局限性：（1）本研究為單中心性研究，模型缺乏外部驗(yàn)證，存在過(guò)擬合及穩(wěn)定性等問(wèn)題，且對(duì)于影像組學(xué)相關(guān)研究，病例數(shù)仍相對(duì)較少且分布欠均衡，可進(jìn)一步擴(kuò)充樣本量，并進(jìn)行多中心性研究；（2）本研究對(duì)影像組學(xué)特征的提取僅基于ADC、T1WI 及T2WI 序列，后續(xù)將進(jìn)一步結(jié)合臨床資料構(gòu)建模型，觀察其診斷價(jià)值。

綜上所述，基于ADC、T1WI 及T2WI 序列構(gòu)建影像組學(xué)模型對(duì)唾液腺PA 和BCA 的鑒別診斷提供了一種潛在方法，有助于術(shù)前準(zhǔn)確定性。

作者利益沖突聲明：全體作者均聲明無(wú)利益沖突。