伴有囊变的腮腺病变预测模型的建立与验证＊

易芹芹 周 宙 凌人男

深圳市人民医院放射科 (广东 深圳 518001)

腮腺是体内最大的唾液腺，腮腺病变是临床上常见的头颈部病变。由于治疗方式及预后的显著差异，腮腺病变的良恶性鉴别虽然困难但很重要[1]；囊变是在腮腺病变中较为常见的一种征象，在良恶性病变中均可出现[2]。多形性腺瘤及腺淋巴瘤是腮腺内最常见的两类良性肿瘤，由于手术方式及切除范围不同，术前鉴别诊断亦很重要[3-5]。CT增强检查可以较平扫更易发现腮腺病变内囊变，并可观察囊变的特征[6]。腮腺病变内囊变对其良恶性鉴别，对多形性腺瘤与腺淋巴瘤的鉴别是否具有意义鲜有文献研究。本文回顾性分析伴有囊变的腮腺病变，探究囊变特征、临床特征及一般影像学特征对该类病变良恶性鉴别及多形性腺瘤与腺淋巴瘤鉴别的诊断是否具有意义，并尝试建立预测模型，指导诊断。

1 资料与方法

1.1 资料收集与整理回顾性分析2018年1月至2020年3月我院符合以下标准的患者资料：颈部CT平扫及增强确定为腮腺病变并伴有囊变；有病理结果；未经任何治疗。排除标准为：仅有CT平扫而未增强；合并其它部位的恶性肿瘤。共有符合纳入及排除标准的病例131例。搜集患者的临床及影像学资料包括：年龄、性别、肿瘤最大径、囊变最大径、囊变占比、囊壁是否规则、囊变是否位于中央、是否累及深叶、是否边界清楚、病变是否位于单侧、病变是否为单发、是否有贴边血管征、颈部是否有肿大淋巴结；囊变所占比例是依据增强图像上囊变区最大截面面积占肿块最大截面面积比例进行评分分类，1/4以下为1分，1/4-1/2为2分，1/2-3/4为3分，大于3/4为4分，评分≤2分为a类，评分＞2分为b类。关于影像学征象的判定是由两位具有10年头颈部放射诊断经验的医师分别确定，如有争议则通过协商讨论确定。将上述病例按7：3随机分为两组：A组92例作为训练组，B组39例作为验证组，进行良恶性肿瘤的分析。

从收集的131例病例中筛选出腺淋巴瘤及多形性腺瘤共83例，按7：3随机分为两组：C组58例作为训练组，D组25例作为验证组。

1.2 统计学处理应用SPSS 23.0进行统计学分析。对训练集(A组及C组资料)中的各因素进行单因素分析。定量资料间的比较，符合正态分布的采用两独立样本的t检验，不符合正态分布的采用致和检验；定性资料间的比较采用卡方检验，若定性资料四格表中存在某一个理论频数T＜5，则用Fisher精确检验。检验标准为0.05。提取具有统计学意义的因素进行多因素Logistic回归分析，采用前进法，建立回归方程，计算训练组预测概率值、绘制ROC并计算AUC。将B组资料带入A组建立的回归方程，将D组资料带入C组建立的回归方程，计算预测概率值、绘制ROC曲线并计算AUC。

2 结果

2.1 病理结果搜集的131例伴有囊变的腮腺病变中，良性病变95例(72.5%)，恶性病变36例(27.5%)。良性病变中，多形性腺瘤45例(54.2%)，腺淋巴瘤38例(45.8%)。

2.2 单因素及多因素分析结果单因素分析(见表1)示在伴有囊变的腮腺病变中，肿瘤最大径、囊壁是否规则、囊变是否位于中央、边界是否清楚及颈部是否有肿大淋巴结在良恶性病变中的差异具有统计学意义；年龄、性别、囊变最大径、囊变占比、是否累及深叶、是否有贴边血管征、是否为单侧病变、是否为单发病变在良恶性病变中的差异没有统计学意义。多因素Logistic回归分析(见表2)示边界不清为恶性病变独立影响因素。

表1 单因素分析结果(良恶性)

表2 Logistic回归分析结果(良恶性)

单因素分析(见表3)示在伴有囊变的腮腺病变中，性别、囊变是否位于中央、是否具有贴边血管征及病灶是否位于单侧在多形性腺瘤及腺淋巴瘤中的差异具有统计学意义；年龄、肿瘤最大径、囊变最大径、囊变占比、囊壁是否规则、是否累及深叶、是否为单发病变、是否边界清、颈部是否有肿大淋巴结在多形性腺瘤及腺淋巴瘤中的差异没有统计学意义。多因素Logistic回归分析(见表4)示囊变不位于中央、男性及具有贴边血管征为腺淋巴瘤的独立相关因素。

表3 单因素分析结果(多形性腺瘤/腺淋巴瘤)

表4 Logistic回归分析结果(多形性腺瘤/腺淋巴瘤)

2.3 建立的模型建立的伴有囊变的腮腺病变良恶性预测模型为p=ex/(1+ex)，其中x=-3.871+5.257×边界不清，e为自然对数，边界不清为1，边界清楚为0。以计算出的概率绘制训练组ROC曲线(图1)，得到曲线下面积为0.932，95%CI为0.840～0.989。

图1 伴有囊变的腮腺病变良恶性预测模型(训练组)ROC曲线。图2 伴有囊变的腮腺腺淋巴瘤/多形性腺瘤预测模型(训练组)ROC曲线。图3 伴有囊变的腮腺病变良恶性预测模型(验证组)ROC曲线。图4 伴有囊变的腺淋巴瘤/多形性腺瘤预测模型(验证组)ROC曲线

建立的伴有囊变的腮腺病变腺淋巴瘤/多形性腺瘤预测模型为p=ex/(1+ex)，其中x=-3.382-1.947×中央囊变+3.594×性别+2.024×贴边血管征，e为自然对数，中央囊变、贴边血管征以1代表有，0代表无；男性以1代表，女性以0代表。以计算出的概率绘制训练组ROC曲线(见图2)，得到曲线下面积为0.896，95%CI为0.809～0.983。

2.4 模型的验证将B组资料中的影响因素及其赋值带入良恶性预测模型，绘制ROC曲线(见图3)，得到验证组曲线下面积为0.885，95%CI为0.774～0.996。

将D组资料中的影响因素及其赋值带入腺淋巴瘤/多形性腺瘤预测模型，绘制ROC曲线(见图4)，得到曲线下面积为0.880，95%CI为0.769～0.925。

3 讨论

本研究通过对131例伴有囊变的腮腺病例的临床因素(2项)、CT增强图像囊变征象(4项)及一般CT征象(7项)进行了Logistic回归分析。在良恶性鉴别组中，显示边界不清楚为伴囊变的腮腺恶性病变的独立危险因素，据此建立回归方程并在验证组验证，训练组和验证组ROC曲线下面积分别为0.932和0.885，提示模型预测性能良好。本研究还进一步在伴有囊变的腮腺良性病变中，将最常见的多形性腺瘤与腺淋巴瘤组进行了鉴别，显示男性、囊变不位于中央及具有贴边血管征是诊断腺淋巴瘤的独立影响因素，据此建立回归方程并在验证组验证，训练组和验证组ROC曲线下面积分别为0.896和0.880，提示模型预测性能良好。

腮腺良性或恶性病变均可导致瘤内囊变，囊变原因不尽相同。腮腺良性肿瘤囊变原因可分为2类[7-8]，第一类组织学上肿瘤主要为多囊性结构，其内伴有乳头状生长的实性组织，包括腺淋巴瘤、化生的腺淋巴瘤及腮腺囊腺瘤，第二类是由于实性肿瘤囊性变而引起，常表现为实性及囊性成分混杂存在，包括多形性腺瘤、基底细胞腺瘤。恶性肿瘤囊变的一般原因是生长速度快、血供不足引起瘤内坏死，除此以外，在腮腺恶性肿瘤中囊变还有特有原因[6]，比如低级别粘液表皮样癌含有大量分泌粘液细胞而易囊变，部分恶性肿瘤由于出血后吸收也会在CT上显示为囊变。

腮腺病变囊变特征在良恶性肿瘤中具有鉴别诊断价值；朱小珊等[2]回顾性分析了117例腮腺病变，发现恶性腮腺肿瘤瘤内囊变区发生率较良性肿瘤囊变发生率高，差异具有统计学意义，腮腺良恶性肿瘤的囊变形态、囊变区所占比例分级及位置差异均有统计学意义；Hiroki Kato等[6]回顾性分析了72例伴有囊变的腮腺病变，发现囊壁不规则与囊变位于中央在良恶性肿瘤差异具有统计学意义；本研究发现在伴有囊变的腮腺病变中，囊壁是否规则和囊变是否位于中央在良恶性组间的差异具有统计学意义，与文献[6]结论一致，然而，本研究进一步Logistic回归分析发现，这两项特征并不是良恶性病变的独立影响因素。腮腺病变囊变特征在多形性腺瘤与腺淋巴瘤中亦具有鉴别诊断价值；本研究发现囊变是否位于中央在多形性腺瘤与腺淋巴瘤中的差异具有统计学意义，且进一步Logistic回归分析发现其为独立影响因素，可能由于腺淋巴瘤囊变区域与乳头状区域比例与分布不一，囊变更不常见于中央，常表现为裂隙样或调色盘样改变[9]；而多形性腺瘤囊变是由于退变所致，更常见于肿瘤中央[8]。

腮腺良性肿瘤常为膨胀性生长，表现为边界清楚，周围脂肪间隙清晰，而恶性肿瘤常浸润性生长，表现为边界不清，与周围组织粘连[10-11]；边界不清楚是腮腺肿瘤良恶性鉴别的重要特征之一[12-13]，本研究显示边界不清楚为伴有囊变的腮腺病变良恶性鉴别的独立影响因素，与既往文献结论相仿。本研究显示，性别是伴有囊变的腮腺病变多形性腺瘤与腺淋巴瘤的独立影响因素，腺淋巴瘤更容易发生于男性，而多形性腺瘤女性更多见，与文献[14-15]结论相仿。贴边血管征是由于腺淋巴瘤主要发生在腮腺内后下方，肿瘤增大时，可推挤下颌后下静脉移位，使之紧贴病灶而形成，很多学者认为其为腺淋巴瘤诊断的重要征象[14,16]；本研究显示贴边血管征是伴有囊变的腺淋巴瘤与多形性腺瘤鉴别诊断的独立影响因素，也说明了贴边血管征在腺淋巴瘤鉴别诊断中的重要性。

综上所述，本研究通过对伴有囊变的腮腺病变进行了单因素分析及Logistic回归分析，确定了良恶性肿瘤与腺淋巴瘤/多形性腺瘤鉴别诊断的预测模型，通过验证，具有良好的诊断效能，通过建立的预测模型，可以计算恶性病变及腺淋巴瘤的发生概率，从而协助临床诊断；国内外文献虽然有对腮腺病变的囊变特征进行分析，但不曾对伴有囊变的腮腺病变提出预测模型来直观显示预测概率；本研究不仅建立了恶性病变的预测模型，还建立了腺淋巴瘤预测模型，方便临床工作。本研究尚存在一些不足，由于选择的病例均是有病理结果的病例，存在选择性偏移；该模型为单中心建立的模型，未来仍需要多中心实验来验证。