放射组学模型鉴别腮腺多形性腺瘤与沃辛瘤

王 琴，黄东琼，于冬洋，韩 雷

1. 达州市中心医院核医学科，四川 达州 635000；

2. 徐州医科大学附属淮安医院影像科，江苏 淮安 223001

腮腺是唾液腺肿瘤最常见的部位（80%），其中腮腺多形性腺瘤（pleomorphic adenoma，PA）是最常见的良性肿瘤，其次是沃辛瘤（Warthin tumor，WT）［1］。PA与WT的影像学特征存在诸多相似性，但在计算机体层成像（computed tomography，CT）平扫或CT增强表现上仍有所差异［2］，不同的磁共振成像（magnetic resonance imaging，MRI）信号强度也可有效地鉴别两者［3］。PA好发于中青年，而WT好发于中老年男性，性别分布也是鉴别PA与WT的重要依据［2，4］。尽管影像学表现结合临床资料常可区分PA与WT，但诊断资料的部分重叠仍使两者的鉴别诊断变得困难。

不同肿瘤由于组织分化程度的高低而表现出不同的异质性［5］。放射组学特征定量分析影像学图像中的灰度分布、像素之间的空间关系等信息［6］，以此评估肿瘤内部的异质性，进而区分具有不同异质性的肿瘤［7］。本研究利用CT平扫图像的放射组学特征建立分类模型，探讨CT放射组学特征在PA与WT鉴别诊断中的价值。

1 资料和方法

1.1 临床资料

回顾并分析2013年1月—2020年11月达州市中心医院、淮安市第二人民医院经病理学检查确诊的28例PA与25例WT患者。PA组：均为单发，男性10例，女性18例，年龄23～75岁；WT组：单发18例，多发7例，男性23例，女性2例，年龄35～78岁。两组患者主要因腮腺无痛性肿块入院，均于术前接受CT平扫检查。

1.2 仪器与方法

采用德国Siemens公司Somatom Definition AS 64排螺旋CT机，日本Toshiba公司Aquilion 64排螺旋CT机。扫描参数：管电流200 mA，管电压120 kV，层厚5 mm，层间距5 mm，视野240 mm×240 mm，矩阵512×512，行轴位扫描，覆盖整个腮腺。

1.3 图像处理与分析

选取肿瘤横断面最大层面的CT平扫图像（多发者取较大病灶），以DICOM格式导出并储存，像素大小512×512，使用MicroDicom软件（http://www.microdicom.com）转换成BMP格式。使用MaZda ver.4.6软件提取放射组学特征，包括直方图分析（histogram analysis，HA）、灰度共生矩阵（gray-level co-occurrence matrix，GLCM）、灰度游程矩阵（gray-level run length matrix，GLRLM）、绝对梯度（absolute gradient，AG）和自回归模型（autoregressive model，AR），GLCM的步长包括1～5个像素，GLCM和GLRLM均包含4个方向（0°、45°、90°和135°），共259个参数，将感兴趣区（region of interest，ROI）内的图像强度标准化为μ±3σ（μ：图像强度的平均值；σ：标准差），1个月后使用同样方法再次提取组学特征。ROI沿肿瘤边缘勾画（图1）。

图1 MaZda软件勾画肿瘤的ROI示意图

1.4 特征筛选与模型建立

数据分析使用SPSS 25.0软件，特征筛选与模型建立使用R语言（4.0.3）。计量资料以±s表示，比较采用独立样本t检验（符合正态分布与方差齐性检验）或非参数秩和检验；计数资料比较采用χ2检验或Fisher精确概率检验法，P≤0.05为差异有统计学意义。使用组内相关系数（intraclass correlation coefficient，ICC）分析两次测得的组学特征，同时选取PA组与WT组中ICC＞0.75的特征［8］，然后选取组间差异有统计学意义的特征参数，将参数归一化在［0，1］之间后再通过最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）回归分析进一步筛选，LASSO回归模型的最优λ值通过10折交叉验证获得。利用筛选的特征参数建立随机森林（random forest，RF）、逻辑回归（logistic regression，LR）与支持向量机（support vector machine，SVM）分类模型，验证方式选择10折交叉验证，应用受试者工作特征（receiver operating characteristic，ROC）曲线评估分类模型的效能，指标包括准确度、灵敏度、特异度和曲线下面积（area under curve，AUC）。ICC分析得出重复性良好的特征参数，后续的数据分析以两次提取的特征参数的平均值进行。

2 结 果

2.1 PA与WT的一般资料比较

PA组、WT组两组间年龄分布差异无统计学意义（P=0.106），两组间性别分布差异有统计学意义（P＜0.001），性别区分两组的准确度、灵敏度、特异度和AUC分别为78.1%、92.0%、64.3%及0.781。

2.2 分类模型的特征子集

通过ICC分析后选出176个特征参数，其中PA与WT之间差异有统计学意义的特征参数共49个，GLCM数量最多，共39个，GLRLM、HA、AG、AR数量分别为4、3、1、2。图2中间的黑色垂直线代表模型的最优λ值，此时模型最精确，以此模型选出的特征参数共11个（表1），各参数的系数见图3，直方图越长，代表系数绝对值越大。

图2 LASSO模型筛选特征参数图

图3 LASSO模型选出的特征参数系数图

表1 模型特征子集在PA与WT间的比较 M（Q1，Q2）

2.3 3种放射组学分类模型的效能

3种分类模型中，RF分类模型的效能最高，详见表2，ROC曲线见图4。

表2 3个分类模型在PA与WT间的鉴别效能

图4 3个分类模型鉴别PA与WT的ROC曲线

3 讨 论

本研究利用CT平扫图像提取259个放射组学特征，筛选出11个特征参数作为特征子集建立RF、LR及SVM分类模型，均得到了良好的分类效果，其中RF分类模型的效能最佳，准确度、灵敏度、特异度及AUC分别达到83.3%、78.6%、88.0%及0.882。

PA患者以女性居多，而WT好发于中老年男性［4，9］，本研究结果显示WT组的男性比例明显高于PA组（P＜0.001），其准确度、灵敏度、特异度和AUC分别为78.1%、92.0%、64.3%及0.781，表明性别分布可为PA与WT的鉴别诊断提供依据，与既往研究［4，9］结果一致。

放射组学特征中的GLCM在肿瘤的病理学分级及肿瘤间的鉴别诊断中发挥着重要作用。Vamvakas等［10］利用多个MRI序列中的放射组学特征，建立模型对脑胶质瘤进行病理学分级，模型的最佳特征子集中GLCM参数所占比例最高。任继亮等［11］从常规MRI序列中提取放射组学特征对眼眶淋巴瘤与炎性假瘤进行鉴别，T1加权成像与T2加权成像序列的最佳特征主要集中在GLCM与GLRLM，对比增强T1加权成像序列的最佳特征主要集中在GLCM与HA，各序列中GLCM参数在鉴别诊断中均表现出良好效能。本研究提取CT平扫图像中的HA、GLCM、GLRLM、AG和AR这5种特征，在PA与WT间差异有统计学意义的特征中以GLCM数量最多，经过LASSO分析进一步筛选得出分类模型的特征子集，也发现GLCM的特征参数在子集中所占权重最大，结果均与既往研究［10-11］的结果相仿。

放射组学特征包括一阶、二阶和高阶特征，从不同角度反映肿瘤内部的异质性［12］，利用这些特征建立不同的分类模型对疾病进行诊断已有广泛的研究［13-15］。Wang等［15］为了预测头颈部鳞状细胞癌非手术治疗后局部复发，提取了CT图像和正电子发射体层成像（positron emission tomography，PET）图像中的放射学特征后建立了SVM、判别分析（discriminant analysis，DA）和LR预测模型，取得了良好的预测效果，最佳AUC达0.76。蔡俊辉等［16］利用CT图像的放射组学特征建立SVM、RF及LR分类模型，预测表现为磨玻璃结节的肺腺癌的浸润性，其中SVM分类模型的效能最佳，准确度、AUC分别为93.30%、0.94。本研究亦利用CT图像的放射组学特征建立了RF、LR及SVM这3种模型，均取得了良好的分类效能，RF分类模型的效能最佳，且效能优于性别的分类效能，但最优模型与既往研究［16-17］并不一致，这可能与研究的数据及模型本身的算法有关。

本研究存在的不足之处：① 纳入样本量较少，仍需扩大样本量以提高分类模型的可信度；② 仅分析了CT平扫图像的放射组学特征，而未研究CT增强图像的放射组学特征；③ 仅利用放射组学特征建立分类模型，未纳入肿瘤形态学特征及临床资料。

综上所述，通过分析病灶的影像学表现与临床资料常可有效地鉴别PA与WT，但在影像学资料不全或鉴别困难的情况下，利用CT平扫图像的放射组学特征建立分类模型，可为PA与WT的鉴别诊断提供参考信息。