虽然唾液腺肿瘤较为罕见，约占头颈部肿瘤的3%～6%，但其中80%肿瘤发生于腮腺，其中约20%为恶性肿瘤。手术切除是治疗腮腺肿瘤的首选方案，但由于病理组织类型不同，采用具体治疗策略和预后差异巨大。细针活检抽吸(FNAC)是腮腺肿瘤的重要术前诊断方法，但容易受取材位置和取材不足的影响，超声引导下的活检(USCBs)虽然极大提升了诊断准确性，但仍存在面神经损伤、肿瘤细胞沿针道扩散风险，同时位于深部肿瘤超声检查也受到极大限制。因此，术前实现精准诊断非常迫切。    

佛山市第一人民医院影像中心科研团队紧跟国际研究热点和技术前沿，积极开展人工智能在肿瘤领域的研究，已在腮腺肿瘤、肺癌和结直肠癌领域取得丰硕成果（共发表论文20余篇，其中SCI 8篇）。近年来影像中心一直坚持临床-科研两手抓，以解决临床问题为导向，大力支持和鼓励科研开展。徐志锋主任医师带领的科研小组一直在肿瘤分子影像、人工智能领域开展深入的研究，现在腮腺肿瘤术前诊断领域再结硕果，研究成果在肿瘤领域国际知名杂志《Cancer Medicine》发表。研究论文题目“Discriminating Atypical Parotid Carcinoma and Pleomorphic Adenoma Utilizing Extracellular Volume Fraction and Arterial Enhancement Fraction Derived from Contrast-Enhanced CT Imaging：A Multicenter Study”。

细胞外体积（extracellular volume,ECV）分数是血管外-细胞外间隙和血管内空间分数的总和，可以反映微血管密度(microvessel density, MVD)及基质纤维化程度；动脉增强分数 (Arterial enhancement fraction，AEF) 是动脉期绝对增强增量与静脉期增量的比率。与传统活检技术相比，ECV和AEF无创便捷且可重复性高，可以更加方便的应用于临床工作中。本团队依据以往的研究经验和成果基础，创新性的联合ECV及AEF参数，同时结合机器学习方法应用于腮腺肿瘤鉴别诊断。该研究通过构建临床特征模型、ECV和AEF分别融合临床特征后的模型及联合模型（Nomogram）来评估ECV、AEF对于腮腺多形性腺瘤和不典型腮腺癌的术前鉴别效能。结果显示同时联合ECV与AEF所获得的联合模型在训练组与测试组中均具有最高的诊断效能，AUC分别为0.888和0.867，并且在训练组中与临床特征模型间的差异具有统计学意义，说明融合了ECV和AEF后模型的诊断效能有显著的提高。

本研究首次创新性的应用并发现ECV和AEF在腮腺多形性腺瘤和不典型腮腺的鉴别诊断方面价值，并且结合临床及影像特征构建了联合模型（Nomogram），进一步提高了术前诊断效能，为患者的术前精确无创诊断的实现提供了有价值的新工具。附见病例展示如下：

 

 

 

 

 

 

 

 

 

 

本研究论文第一作者为佛山市第一人民医院影像中心徐振宇医师（规培）、黄麟雯主治医师；通讯作者为佛山市第一人民医院影像中心徐志锋主任医师；同时感谢中山大学计算机学院 潘嘉伟研究员对本论文统计分析的指导及宝贵意见。

原始出处：

Zhen-Yu Xu, Lin-Wen Huang, Yun-Jun Yang, et al. Discriminating atypical parotid carcinoma and pleomorphic adenoma utilizing extracellular volume fraction and arterial enhancement fraction derived from contrast-enhanced CT imaging: A multicenter study. Cancer Medicine,2024,e7047. https://onlinelibrary.wiley.com/doi/10.1002/cam4.7407。

Tags： Cancer Med：佛山市一徐志锋团队通过机器学习鉴别腮腺肿瘤分型