周宇堃，甄俊平，靳 波，邊文瑾，楊 潔，樊知昌

(1.山西醫(yī)科大學(xué)醫(yī)學(xué)影像學(xué)系，山西 太原 030001；2.山西醫(yī)科大學(xué)第二醫(yī)院磁共振室，山西 太原 030001)

多形性腺瘤(pleomorphic adenoma, PA)和腺淋巴瘤(adenolymphoma, AL)是最常見的起源于腮腺的良性腫瘤，分別約占良性腫瘤的80%和10%[1]，術(shù)前準(zhǔn)確診斷鑒別二者對選擇手術(shù)方式和確定切除范圍非常重要[2]。常規(guī)序列MRI判斷腮腺腫瘤的價值有限。PA常呈T1WI低信號、T2WI不均勻信號，軟骨黏液樣基質(zhì)于T2WI呈高信號，上皮組織細(xì)胞成分密集時T2WI呈低信號；AL呈T1WI低信號，若含蛋白質(zhì)或膠體成分，也可呈稍高信號，而T2WI多呈低或等混雜信號[3]。研究[4]發(fā)現(xiàn)DWI有助于鑒別診斷腮腺腫瘤，但不典型ADC值存在明顯重疊，導(dǎo)致其鑒別困難。影像組學(xué)可分析肉眼無法觀測的影像特征[5]，有助于鑒別診斷腫瘤、預(yù)測治療效果及評估預(yù)后等[6]。本研究觀察T1WI和IDEAL-T2WI影像組學(xué)特征及機(jī)器學(xué)習(xí)模型鑒別診斷PA與AL的價值。

1 資料與方法

1.1 一般資料 回顧性分析2017年7月—2019年8月于山西醫(yī)科大學(xué)第二醫(yī)院就診的腮腺腫瘤患者。納入標(biāo)準(zhǔn)：①經(jīng)手術(shù)病理證實(shí)為原發(fā)性PA或AL；②術(shù)前在本院接受腮腺常規(guī)MR檢查；③既往無穿刺及放射化學(xué)治療史；④無影響圖像分析的明顯偽影。共納入58例患者，男35例，女23例，年齡23～79歲，平均(50.9±14.8)歲。其中33例PA，男10例，女23例，年齡23～70歲，平均(43.7±14.1)歲；25例AL，均為男性，年齡45～79歲，平均(61.2±9.1)歲。

1.2 儀器與方法 采用GE 750W 3.0T MR掃描儀，頭頸聯(lián)合線圈，采集軸位T1WI(TR 567 ms，TE 11.4 ms)及IDEAL-T2WI(TR 3 000 ms，TE 66 ms)，層厚5 mm，層間距1 mm，F(xiàn)OV 220 mm×220 mm，矩陣256×160；冠狀位T1WI(TR 485 ms，TE 12.1 ms)及IDEAL-T2WI(TR 3 397 ms，TE 67.3 ms)，層厚4 mm，層間距1 mm，F(xiàn)OV 220 mm×220 mm，矩陣256×256。將數(shù)據(jù)以DICOM格式存入光盤。

1.3 圖像分割和特征提取 將圖像導(dǎo)入放射組學(xué)云平臺(慧影醫(yī)療科技有限公司，北京)，由2名影像科醫(yī)師協(xié)商確定腮腺腫瘤邊界后，分別在軸位T1WI及IDEAL-T2WI上沿距病灶邊緣2 mm區(qū)域逐層手動勾畫ROI，獲得三維容積感興趣區(qū)(volume of interest， VOI)。于放射組學(xué)云平臺提取、計算VOI內(nèi)的1 409個特征，即①一階灰度直方圖特征；②二階紋理特征：包括灰度共生矩陣(gray level co-occurrence matrix， GLCM)、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)、灰度游程矩陣(gray level run length matrix， GLRLM)及鄰域灰度差分矩陣(neighbouring gray tone difference matrix， NGTDM)特征；③三階特征：對一階灰度直方圖特征、GLCM、GLSZM、GLDM、GLRLM和NGTDM經(jīng)過對數(shù)、指數(shù)、梯度、平方、平方根及小波變換(包含LLL、LLH、LHL、HLL、HHH、HHL、HLH和LHH 8種信號)后加入計算。

1.4 降維分析和模型構(gòu)建 采用放射組學(xué)云平臺對特征進(jìn)行降維分析。首先采用方差閾值法，選取閾值為0.80，保留方差大于0.80的特征；再以單變量特征選擇法中的SelectKBest，用方差分析衡量特征和分類結(jié)果的關(guān)系，選擇P<0.05的特征。最后通過最小絕對收縮和選擇算法(least absolute shrinkage and selection operator， Lasso)篩選各個特征在最佳a(bǔ)lpha時的coefficient(系數(shù))，選出最有價值的特征。通過放射組學(xué)云平臺建立隨機(jī)森林及邏輯回歸2種機(jī)器學(xué)習(xí)模型，隨機(jī)設(shè)置訓(xùn)練集占病例數(shù)據(jù)集的80%(n=46)，測試集占20%(n=12)，利用測試集對模型進(jìn)行驗(yàn)證。

2 結(jié)果

2.1 PA與AL的影像組學(xué)特征 運(yùn)用放射組學(xué)云平臺對特征進(jìn)行提取、降維，針對T1WI、IDEAL-T2WI及IDEAL-T2WI聯(lián)合T1WI分別得到6、9及12個有效特征(圖1)。

2.2 預(yù)測模型鑒別診斷 PA與AL 隨機(jī)森林及邏輯回歸2種機(jī)器學(xué)習(xí)模型的診斷效能見表1、2。測試集中基于IDEAL-T2WI聯(lián)合T1WI建立的隨機(jī)森林模型的鑒別診斷效能最高，AUC為0.87，95%CI(0.59，1.00)，準(zhǔn)確率為0.83(圖2)；基于IDEAL-T2WI聯(lián)合T1WI建立的邏輯回歸模型的AUC為0.83，95%CI(0.51，1.00)，準(zhǔn)確率為0.71(圖3)。

表1 隨機(jī)森林模型的診斷效能

表2 邏輯回歸模型的診斷效能

圖1 圖像特征及相關(guān)系數(shù) A.T1WI； B.IDEAL-T2WI； C.IDEAL-T2WI聯(lián)合T1WI

3 討論

DCE-MRI聯(lián)合DWI多參數(shù)組合對鑒別腮腺腫瘤具有一定意義，時間-信號強(qiáng)度曲線和細(xì)胞外體積分?jǐn)?shù)組合的準(zhǔn)確率為0.75，其次是時間-信號強(qiáng)度曲線和ADC值組合，準(zhǔn)確率為0.70[7]。根據(jù)PA的MRI特征(包括形態(tài)、邊界、T2WI信號、包膜、強(qiáng)化特點(diǎn)、ADC值)建立評分系統(tǒng)診斷PA的敏感度為64.86%，特異度為94.00%，準(zhǔn)確率為81.64%，但仍有部分PA影像學(xué)表現(xiàn)不典型，與其他腫瘤存在一定重疊，需要進(jìn)一步檢查定性[8]。

影像組學(xué)是指從CT、MRI、PET/CT或超聲等圖像中提取大量影像學(xué)特征，并進(jìn)行高通量定量數(shù)據(jù)分析，采用一系列精準(zhǔn)數(shù)據(jù)綜合評價腫瘤在空間、時間上的異質(zhì)性[9]?；贛RI的影像組學(xué)對鑒別PA與AL有重要價值。MA等[10]從29例PA和13例AL中提取6種ADC直方圖參數(shù)，發(fā)現(xiàn)PA的ADCmean、ADCmedian、ADC10、ADC90明顯高于AL，而二者偏度和峰度無明顯差異，以ADC10鑒別PA與AL最為準(zhǔn)確。ZHANG等[11]發(fā)現(xiàn)ADCminimum、ADCmaximum、ADCmean、ADC10、ADC50、ADC90、ADC99、變異度及偏度在PA與AL之間存在差異，其中ADCmean、ADC50、偏度判別能力較高。此外，有學(xué)者[12]采用基于T2WI的全域直方圖分析比較鑒別PA與AL的價值，發(fā)現(xiàn)PA的平均值和第10、50、90、99百分位數(shù)明顯高于AL，第50、90百分位數(shù)鑒別的準(zhǔn)確率更高。以上研究均基于一階直方圖特征，而一階直方圖特征是較為初級的影像組學(xué)特征，紋理特征及三階特征則是中較為高級的影像組學(xué)特征。本研究自33例PA和25例AL病灶的每個VOI中提取1 409個影像組學(xué)特征，其中包括一階直方圖特征、紋理特征及三階特征，擴(kuò)充了影像組學(xué)特征，同時增加了成像序列，可更全面地覆蓋腫瘤特征。

圖2 隨機(jī)森林模型中IDEAL-T2WI聯(lián)合T1WI構(gòu)建模型的ROC曲線 A.訓(xùn)練集； B.測試集

圖3 邏輯回歸模型中IDEAL-T2WI聯(lián)合T1WI構(gòu)建模型的ROC曲線 A.訓(xùn)練集； B.測試集

本研究從T1WI、IDEAL-T2WI及IDEAL-T2WI聯(lián)合T1WI中分別得到6、9及12個有效特征，其中自IDEAL-T2WI聯(lián)合T1WI得到的12個特征(包括5個T1WI特征和7個IDEAL-T2WI特征)與鑒別診斷PA和AL最為相關(guān)。上述5個T1WI特征分為3類：3個一階統(tǒng)計特征，包括峰度、熵、第90百分位數(shù)，以及紋理特征及小波特征各1個，分別為NGTDM及wavelet-LLH；7個IDEAL-T2WI特征包括熵和中位數(shù)2個一階統(tǒng)計特征，1個紋理分析特征GLDM以及4個經(jīng)wavelet-LLH小波變換后的特征。峰度是反映腫瘤空間異質(zhì)性總體特征的重要參數(shù)，用于描述像素分布形態(tài)的陡緩程度[13]。本研究中峰度呈正值，提示與正態(tài)分布相比，病灶像素的分布較尖銳。熵反映腫瘤內(nèi)部結(jié)構(gòu)復(fù)雜程度和不均質(zhì)度。PA含有黏液樣組織、軟骨樣組織和上皮細(xì)胞等，而AL主要由腺體及囊性成分構(gòu)成，其內(nèi)含有黏液及膠凍樣物質(zhì)[14]；二者復(fù)雜程度及不均質(zhì)度不同，故其熵有一定差異。一階統(tǒng)計特征中第n百分位數(shù)的差異反映不同腫瘤間瘤體組織成分及瘤體內(nèi)部構(gòu)成或分布的異質(zhì)性[15]。T1WI的第90百分位數(shù)描述高信號像素，T1WI 上PA呈低信號，AL若含蛋白質(zhì)或膠體成分可呈高信號，第90百分位數(shù)有助于鑒別診斷。中位數(shù)即第50百分位數(shù)用于描述偏態(tài)分布的集中位置，本研究中PA和AL在IDEAL-T2WI的第50百分位數(shù)存在差異，與高鑫等[12]的結(jié)果一致。NGTDM及GLDM反映PA和AL腫瘤區(qū)域的體素或強(qiáng)度的空間排列信息，NGTDM衡量灰度值與鄰域內(nèi)平均灰度值之間的差異，而GLDM通過統(tǒng)計各灰度值與鄰域體素上的相關(guān)性來描述紋理[16]。小波特征通過改變圖像中高頻與低頻信號的比率而攜帶更大信息量，更能體現(xiàn)病變的異質(zhì)性[17]。

研究[18]證實(shí)以影像組學(xué)特征與機(jī)器學(xué)習(xí)方法相結(jié)合構(gòu)建的影像組學(xué)模型可提高非侵入性診斷的準(zhǔn)確率，對臨床決策具有指導(dǎo)意義。本研究運(yùn)用T1WI及IDEAL-T2WI影像組學(xué)特征，結(jié)合機(jī)器學(xué)習(xí)方法，構(gòu)建隨機(jī)森林及邏輯回歸模型術(shù)前預(yù)測PA與AL，結(jié)果顯示基于IDEAL-T2WI聯(lián)合T1WI構(gòu)建模型的AUC最高，其次為基于IDEAL-T2WI、T1WI構(gòu)建的模型，提示IDEAL-T2WI具有較高組織分辨率，能夠較好地顯示腫瘤異質(zhì)性，與T1WI聯(lián)合診斷和鑒別PA與AL的效能最高。本研究中基于IDEAL-T2WI聯(lián)合T1WI建立隨機(jī)森林模型的準(zhǔn)確率為0.83，相比既往研究[7-8]有一定提高。隨機(jī)森林是基于統(tǒng)計學(xué)習(xí)理論的組合分類智能算法，與線性回歸分析和邏輯回歸分析相比具有較高的準(zhǔn)確率及容忍度，其最大優(yōu)勢在于可預(yù)測多變量數(shù)據(jù)，分析復(fù)雜的非線性關(guān)系[19]。本研究結(jié)果顯示隨機(jī)森林模型的AUC高于邏輯回歸模型，表明隨機(jī)森林模型比邏輯回歸模型具有更高診斷效能，有助于鑒別診斷PA與AL。

本研究的不足：①單中心研究，且樣本量較小，需要擴(kuò)大樣本量進(jìn)行多中心研究，以改進(jìn)模型的效能；②樣本中接受DWI及增強(qiáng)掃描例數(shù)較少，故僅對T1WI及IDEAL-T2WI進(jìn)行分析，后續(xù)將觀察DWI及增強(qiáng)MRI影像組學(xué)鑒別診斷PA與AL的價值；③僅運(yùn)用2種機(jī)器學(xué)習(xí)模型，增加機(jī)器學(xué)習(xí)模型的類型有助于提高鑒別能力。

綜上所述，基于T1WI及IDEAL-T2WI影像組學(xué)特征及機(jī)器學(xué)習(xí)模型對鑒別診斷腮腺PA及AL具有一定價值，有助于術(shù)前明確診斷。