据统计，液腺肿瘤约占所有头颈部肿瘤的8.5%，其中约70%来源于腮腺。按发病率排序，最常见的腮腺肿瘤类型是多形性腺瘤（PAs），其次是华氏肿瘤（WTs）和恶性肿瘤（MTs），基底细胞腺瘤等亚型相对较少。根据腮腺肿瘤的不同亚型，其治疗方案和预后也有所不同。因此，术前评估对于腮腺肿瘤患者的临床决策过程至关重要。

目前，腮腺肿瘤的术前诊断主要是基于临床特征、影像学图像和活检。FNA是一种有效的术前诊断技术。影像学图像可以为评估腮腺肿瘤提供有用的信息。磁共振成像（MRI）是评估腮腺肿瘤的主流成像方式，具有无电离辐射、无创、软组织空间分辨率高、解剖学表现好等优点，还可以通过多个序列进行更全面的评估。以前的一项研究显示，MRI和FNA在检测腮腺恶性病变方面表现相似，并建议将MRI作为首选检查。然而，即使有先进的MRI技术，如弥散加权成像（DWI）或动态对比增强MRI（DCE-MRI），放射科医生的判断也高度依赖于他们的培训和经验。因此，有必要为腮腺肿瘤的术前分类提供更客观有效的影像学评估。

放射组学是近十年来发展起来的一个相对较新的概念，可从医学图像中高通量提取定量特征，并通过后续分析将这些特征与疾病诊断、预后和生物信息学相关特征联系起来。放射性组学作为一种无创技术，在多种实体肿瘤的早期诊断、预后预测和疗效评估方面的广泛应用]。然而据我们所知，临床上对于腮腺肿瘤的常见亚型还缺乏更精确的分类系统，MRI放射组学在腮腺肿瘤亚型诊断中的作用尚未得到充分探讨。

近日，发表在European Radiology杂志的一项研究旨在探索基于形态学MRI的放射组学特征在腮腺肿瘤最常见的亚型，即MTs、PAs、WTs和其他良性肿瘤（OBTs）的术前区分中的价值，同时进行了放射科医生基于这些形态学MR序列的评估，以比较机器学习模型的诊断性能。

本研究共纳入298名腮腺肿瘤患者，所有患者被随机分配到训练和测试集，比例为7：3。从形态学的MRI图像中提取放射学特征，并使用选择K最佳和LASSO算法进行筛选。利用XGBoost、SVM和DT算法建立了三步机器学习模型，将腮腺肿瘤分为四个亚型。ROC曲线被用来衡量每个步骤的性能。这些模型的诊断混淆矩阵是针对测试群体计算的，并与放射科医生的诊断混淆矩阵进行比较。 

在三步法的每一步中，分别选择了六个、十二个和八个最佳特征。XGBoost在训练队列的所有三个步骤中产生了最高的曲线下面积（AUC）（分别为0.857、0.882和0.908），在测试队列的第一个步骤中也是如此（0.826），但在测试队列的后两个步骤中产生的AUC略低于SVM（分别为0.817对0.833，以及0.789对0.821）。XGBoost和SVM在混淆矩阵中的总准确率（70.8%和59.6%）超过了DT和放射医师的准确率（46.1%和49.2%）。 

图 本研究中腮腺肿瘤四种亚型的示例。 病例 1（第一列）：一名 77 岁男性的粘液表皮样癌。 病例 2（第二列）：一名 40 岁女性的多形性腺瘤。 病例 3（第三列）：一名 48 岁女性的 Warthin 肿瘤。 病例4（第四列）：50岁男性基底细胞腺瘤

本研究表明，使用XGBoost或SVM算法并基于形态学MRI放射组学的机器学习模型在诊断腮腺肿瘤方面优于评估相同序列的放射科医生。三级机器学习模型可实现对于腮腺肿瘤更精确的分类（与二元分类相比），且优于放射科医生。因此，这些模型可作为临床实践中对腮腺肿瘤的初步筛选和分类的辅助诊断工具，但在现阶段不能取代组织病理学诊断。

原文出处：

Zhiying He,Yitao Mao,Shanhong Lu,et al.Machine learning-based radiomics for histological classification of parotid tumors using morphological MRI: a comparative study.DOI:10.1007/s00330-022-08943-9

Tags： European Radiology：基于机器学习的腮腺肿瘤MRI组织学分类的比较