眼眶淋巴增生性疾病（OLPDs）在成年人中常表现为眼眶占位性病变（占 24 - 49%），包含一系列疾病，其中眼附件淋巴瘤（OAL）和特发性眼眶炎症（IOI）分别是典型的恶性和良性类型。

眼附件淋巴瘤（OAL）是眼眶中最常见的恶性肿瘤，约占恶性眼眶肿瘤的 55% 和结外淋巴瘤的 8%，通常累及结膜、泪腺和眶前部。特发性眼眶炎症（IOI）包含病因不明的眼附属器炎症性疾病，约占所有眼眶肿瘤的 11 - 19%，常影响眼外肌、泪腺和周围脂肪组织，包括特发性眼眶肌炎（肌炎型 IOI）、特发性泪腺炎和特发性眼眶脂肪炎（两种非肌炎型 IOI）。根据病理特征，IOI 还可分为淋巴细胞性、硬化性、肉芽肿性和血管炎性亚型。

尽管OAL和IOI在累及区域上略有差异，但它们在临床和影像学特征上表现相似，然而治疗方法却大不相同。OAL的常见治疗选择包括低剂量放疗、化疗或手术，而肌炎型 IOI 通常采用全身皮质类固醇治疗，硬化性 IOI 可能适合使用免疫抑制剂或联合类固醇治疗。组织病理学活检是区分OAL和IOI的金标准，但这种侵入性操作可能导致多种并发症，如出血、感染甚至肿瘤播散。

磁共振成像（MRI）和计算机断层扫描（CT）已被用作眼眶淋巴增生性疾病（OLPDs）鉴别诊断的无创诊断工具。特别是磁共振成像（MRI）由于其无辐射性质和优异的软组织成像能力，在临床实践中更受青睐。以往研究已经展示了OAL和IOI在 T1 加权成像（T1WI）、T2 加权成像（T2WI）和增强 T1 加权成像（T1C）中在信号强度、肿瘤形态、强化程度等方面的区别。

最近，影像组学通过利用从医学图像中获取的大量手工特征，实现了客观和定量诊断。一些研究报告了基于 MRI 的影像组学在诊断不同眼眶淋巴增生性疾病（OLPDs）中的价值，这些研究使用了描述统计和纹理特征的一阶和二阶特征。特别是，基于特征包（BOF）的影像组学被开发用于反映增强 T1 加权成像（T1C）中的病变异质性，并在眼眶淋巴增生性疾病（OLPDs）鉴别中显示出良好的前景。值得注意的是，深度学习（DL）通过直接从医学图像进行端到端的特征学习，进一步自动化了影像组学分析过程，从而避免了设计手工特征的需要。

最近，发表在European Radiology 上的一篇文章评估了基于深度学习的肿瘤内和肿瘤周围特征在鉴别眼附件淋巴瘤（OAL）与特发性眼眶炎症（IOI）方面的价值。

选取经组织病理学确诊的OAL（n = 43）和IOI（n = 54）患者共 87 名，将其随机分为训练组（n = 79）和测试组（n = 18）。提取基于深度学习的肿瘤内和肿瘤周围特征，分别用于表征不同病变间异质性和组织侵犯方面的差异。随后，采用基于注意力的融合模型，将从肿瘤内、肿瘤周围区域以及多个磁共振（MR）序列中提取的特征进行融合。对提取肿瘤内、肿瘤周围以及融合特征的不同方法进行全面比较。通过曲线下面积（AUC）来评估在 10 折交叉验证和独立测试下的性能表现，分别使用卡方检验和学生 t 检验来比较离散变量和连续变量。

融合的肿瘤内-肿瘤周围特征在验证集和测试集的单个磁共振（MR）序列上分别取得了 0.870 - 0.930 和 0.849 - 0.924 的曲线下面积（AUC）值。这一数值显著高于仅使用肿瘤内特征时所取得的 AUC 值（p <0.05），但与仅使用肿瘤周围特征时取得的 AUC 值相比，差异不显著（p> 0.05）。通过结合多个磁共振（MR）序列，肿瘤内-肿瘤周围特征的曲线下面积（AUC）值提升至 0.943 和 0.940，高于单独从各序列获取的 AUC 值。此外，相较于通过肿瘤内或肿瘤周围深度学习模型提取的整个眶锥特征，肿瘤内-肿瘤周围特征能产生更高的曲线下面积（AUC）值，不过与后者相比差异并不显著（p > 0.05）。

表 单个及多个序列融合前后肿瘤内及肿瘤周围特征的诊断结果

本项研究表明，基于深度学习的肿瘤内、肿瘤周围特征，尤其是融合的肿瘤内-肿瘤周围特征，可能有助于鉴别眼附件淋巴瘤（OAL）与特发性眼眶炎症（IOI）。

原始出处：

Huachen Zhang,Li Xu,Lijuan Yang,et al.Deep learning-based intratumoral and peritumoral features for differentiating ocular adnexal lymphoma and idiopathic orbital inflammation.DOI:10.1007/s00330-024-11275-5

Tags： European Radiology ：基于深度学习鉴别眼附件淋巴瘤和特发性眼眶炎症的影像学分析