基于多期CT影像组学模型及联合模型鉴别腮腺多形性腺瘤与基底细胞瘤

郑韵琳，刘欢，文明*

1.重庆医科大学附属第一医院放射科，重庆 400016；2.通用电气医疗精准医学研究院，上海 201203；*通信作者 文明liuyucun65@163.com

多形性腺瘤（pleomorphic adenoma，PA）是最常见的腮腺良性肿瘤，占涎腺肿瘤的60%～70%[1]，有复发、恶变倾向[2]。基底细胞瘤（basal cell adenoma，BCA）是较为常见的腮腺良性肿瘤，约占涎腺肿瘤的1%～3%[3]，影像及临床对该病缺乏充分认识，易与PA混淆。《涎腺肿瘤的诊断和治疗指南》2010版[4]中提出腮腺肿瘤易产生细胞种植，禁忌做活检，影像学诊断是其主要的术前辅助诊断方法。手术切除是治疗腮腺肿瘤最有效的方法，选择术式主要依赖于肿瘤类型及其生物学特性，PA术式和预后与BCA不同[5]，因此，两者的术前鉴别诊断十分重要。影像组学可以充分挖掘肉眼无法识别的隐藏信息，补充原有知识体系，用于鉴别肿瘤疾病、指导临床、检测疗效及预后评估等[6]。有研究显示CT和MRI检查对腮腺肿瘤诊断的敏感度、特异度等无显著差异，诊断效果相当[7]，CT更经济实惠，目前基于CT影像组学鉴别PA与BCA鲜有报道，本研究拟探讨基于影像组学鉴别PA与BCA的CT扫描优势期相，并与临床资料建立联合诊断模型，进一步认识两类肿瘤，并辅助术前诊疗决策。

1 资料与方法

1.1 研究对象 回顾性收集2016年1月—2021年1月于重庆医科大学附属第一医院就诊的PA与BCA患者，纳入标准：①术前于本院行CT平扫及三期增强扫描；②既往无穿刺及放化疗史；③手术病理证实为PA或BCA，并有完整的临床数据。排除标准：①CT图像有明显伪影；②腮腺区域合并其他肿瘤疾病。共纳入120例PA及50例BCA（共172个病灶），120例PA患者共121个病灶，年龄14～90岁，平均（45.3±16.0）岁，病灶最大直径0.6～7.0 cm，平均（3.0±1.1）cm；50例BCA患者共51个病灶，年龄20～77岁，平均（54.0±11.4）岁，病灶最大直径1.0～5.0 cm，平均（2.7±1.0）cm。本研究通过重庆医科大学附属第一医院伦理委员会批准（2021-509）。

1.2 CT检查 采用GE Light Speed/Siemens Sensation 64排螺旋CT扫描，扫描范围为颅底至颈根部，扫描参数：管电压120 kV，管电流为自动毫安秒，层厚、层间距均为5 mm，矩阵512×512。经肘前静脉以3.5 ml/s注射非离子型对比剂碘海醇（浓度350 mg/ml）1～2 ml/kg，分别在注射对比剂后40～60 s、80～120 s、180～240 s行动脉期、静脉期及延迟期扫描。

1.3 多期CT影像组学分析

1.3.1 病灶ROI勾画及特征提取 所有数据均以DICOM格式的CT图像（窗宽400，窗位40）存取，图像分辨率为512×512 ， 使用ITK-SNAP 软件（http://www.itksnap.org/）勾画，由2名分别具有3年和34年工作经验的放射科医师采用双盲法阅片，并达成一致意见。在轴位多期CT图像上沿病灶边缘逐层勾画ROI，各期均获得三维容积感兴趣区（volume of interest，VOI），见图1。其中1位医师抽取两类肿瘤各30%病例2次ROI勾画并提取特征，评价2位医师阅片的一致性及可重复性。

1.3.2 影像组学特征筛选及组学标签构建 将纳入研究的患者以7∶3随机分为训练组119例和验证组51例，采用AK软件（Artificial Intelligent Kit 3.3.0）中PYRADIOMICS工具包进行数据标准化及特征提取，以中位数代替特征值中的异常值及缺失值。采用最大相关最小冗余（max-relevance and min-redundancy，mRMR）算法及最小绝对收缩与选择算子（least absolute shrinkage and selection operator，LASSO）算法降维、筛选训练组中基于轴位多期CT图像提取的影像组学特征，将选取的系数非零组学特征与其加权系数相乘构成各期影像组学标签[8-9]。

1.3.3 临床数据筛选及联合模型构建 收集患者年龄、性别、吸烟及饮酒史、病程、症状、数目、术中测量最大直径、质地、部位、分布、密度、同侧肿大淋巴结等基本临床资料。筛选有统计学意义（P＜0.05）的指标参与构建联合模型。若两类肿瘤的临床资料差异均无统计学意义，根据《涎腺肿瘤的诊断和治疗指南》[4]选取部位和同侧肿大淋巴结加入联合模型构建。采用受试者工作特征（ROC）曲线和曲线下面积（AUC）、95%CI、敏感度和特异度评估CT扫描优势期相，并结合筛选的临床资料共同构建多元逻辑回归模型。制作其列线图，并用校准曲线评估联合模型的校准效能。

1.4 病灶测量和分区 以术中测量最大直径为准。在轴位，以下颌后静脉最背侧与同侧椎体最背侧连线分为浅、深叶[10]；在PACS系统上重建后得冠状位，以耳垂为界分为上、下极。

1.5 统计学方法 采用SPSS 26.0及R软件进行统计学分析。正态分布的计量资料以±s表示，采用独立样本t检验；不符合正态分布的连续变量以M（Q1，Q3）表示，采用Mann-WhitneyU检验。计数资料采用χ2检验或Fisher确切概率法。用验证组数据测试模型。用Delong检验评价模型间的诊断效能。P＜0.05为差异有统计学意义。采用组间相关系数（ICC）评价两次提取的组学特征一致性，ICC≥0.90认为一致性较好。

2 结果

2.1 基本临床资料 训练组和验证组中PA与BCA基本临床资料见表1。两组年龄比较，差异有统计学意义（P＜0.05）。

表1 训练组和验证组腮腺PA与BCA临床资料比较

续表1

2.2 多期CT影像组学特征提取及组学标签构建 所有患者CT扫描4期选取测量者间ICC≥0.9的组学特征后共提取出1 135个特征，经mRMR算法及LASSO回归分析后筛选出平扫、动脉期、静脉期及延迟期的特征总数为9个、9个、8个、5个（图2），其特征用于计算影像组学标签评分，由截距加选出的特征乘各自系数之和所得，结果见表2。各期组学标签的诊断效果见图3。

表2 基于多期CT图像提取影像组学特征及公式

续表2

基于多期CT逻辑回归模型诊断效能显示（表3），动脉期的组学特征对模型贡献优于其他期相，训练组和验证组中AUC、敏感度及特异度分别为0.968（95%CI0.940～0.997）、94.3%、90.5%；0.970（95%CI0.931～1.000）、100.0%、91.7%。

2.3 建立联合模型并评估其诊断效能 将年龄、部位（深浅叶/上下极）及同侧有无肿大淋巴结与动脉期影像组学标签共同构建联合模型并制作列线图，用校准曲线评价模型拟合度，结果表明拟合度好（图4）。训练组及验证组中联合模型及动脉期模型均有较高的诊断效能（图5）。Delong检验显示联合模型和各组学模型AUC比较，差异无统计学意义（P＞0.05），见表3。

表3 基于多期CT图像的逻辑回归模型及联合模型的诊断效能

3 讨论

PA与BCA有诸多相似之处，两者均多见于女性，均为腮腺区无痛性包块，生长缓慢，病程较长，可癌变[2,11]。研究表明，BCA比PA患者的平均年龄大10岁左右[12]，本研究结果与既往研究基本相符。BCA与PA均好发于腮腺浅叶，多单发，呈圆形或类圆形，边界清楚，可发生囊变、出血等。仅有个案报道BCA单侧多发或双侧出现[13]，本研究BCA和PA中各1例为单侧多发病灶。BCA直径一般＜3 cm[12]，比PA直径小，本研究中BCA病灶最大径为（2.7±1.0）cm，PA病灶最大径（3.0±1.1）cm，因此病灶最大径不能有效鉴别PA与BCA。

腮腺肿瘤组织成分复杂，且缺乏特异性的临床症状及检测指标，临床难鉴别PA与BCA。既往研究[14-16]尝试各种方法鉴别两者，但大多数基于影像学表现（如病灶形态、大小、边缘、有无钙化、有无囊变、强化方式等），在实际操作中易受医师主观判断及经验影响而受到限制。影像组学从不同模态影像（CT、MRI、PET等）中高通量提取大量影像特征，采用数据综合分析客观评估，可用于鉴别肿瘤、指导临床决策、监测疗效及预后评估等[4]。彭媛媛等[17]及Jung等[18]基于增强T1WI、增强CT纹理分析鉴别PA与腺淋巴瘤，分别选出4个、3个纹理参数诊断效能较好，AUC均＞0.85；吴艳等[19]筛选出8个纹理特征并加入临床资料建立联合模型鉴别PA与腺淋巴瘤，联合模型的AUC为0.90（95%CI0.83～0.97），高于影像组学标签。以上研究均证实影像组学鉴别腮腺肿瘤的价值及可行性。

本研究与既往研究的不同之处：①将影像组学应用于鉴别PA与BCA；②腮腺4期扫描的影像特征均纳入研究，不局限于单一或三期扫描期相，为评估CT扫描优势期相提供较完备的图像；③加入临床资料建立联合模型，不局限于单影像学征象或影像组学模型，给予鉴别PA与BCA较全面的信息。

本研究结果显示，CT扫描4期均用逻辑回归建模后选出优势期相为动脉期（训练组及验证组中AUC分别为0.968、0.970）。本课题组推测这与两者的强化方式相关，PA含黏液、腮腺和软骨样组织等混杂成分，增强呈持续性强化；而BCA由大量沿内皮排列的血管网（毛细血管和静脉）构成[12]，增强呈快进慢出，两者在动、静脉期强化上有差异，提示动、静脉期的组学特征鉴别诊断PA与BCA有较高的价值。既往研究证实影像组学方法可以提高非侵入性诊断的准确率，并指导临床决策[20]。Mukai等[21]发现BCA囊性比率高于PA，AUC值为0.65，本研究中联合模型表现优于单期相组学模型及单影像学征象研究（训练组及验证组中AUC分别为0.973、0.967），同时用列线图使模型可视化，有助于直观反映患者的患病概率，可进一步提高诊断效能，并指导术前临床决策。

本研究的局限性：①本研究为回顾性分析，PA与BCA两组数据样本不均衡，存在潜在偏倚可能；②本研究未纳入基本影像学征象，有待后续加入；③本研究仅应用Logistic回归模型，有待增加其他机器学习模型优化鉴别效能。

总之，CT扫描动脉期的影像组学特征对鉴别PA与BCA的效能优于其他期相。动脉期组学模型及基于动脉期组学标签和临床资料建立的联合模型均有较高的诊断效能，可以指导临床。