马丽 张继 杨丹

腮腺是人体唾液腺中形态最大的一对，其生长的肿瘤类型较多，常见的有多形性腺瘤（Pleomorphic adenoma，PA）、腺淋巴瘤（Adenolymphoma，AL）、基底细胞腺瘤、黏液表皮样癌、腺样囊性癌、涎腺导管癌等。手术治疗是腮腺肿瘤的常规治疗方法，肿瘤所在部位、性质对手术方案选择及预后影响较大，因此肿瘤的术前定性诊断尤为重要。由于细针穿刺活检易产生瘤细胞种植，且细胞学检查有时难以区分一些良恶性病变[1，2]，影像学检查成为了术前诊断的重要手段。传统的医学影像诊断从图像上获取的信息有限，并且由于腮腺肿瘤的病理分型复杂、部分肿瘤影像学表现不典型或互有重叠，容易造成误诊[3]。近年来随着人工智能技术的发展，影像组学作为一种将人工智能与临床及影像资料结合的方法，越来越多地被应用于腮腺肿瘤的鉴别诊断和预后方面。现将影像组学的相关概念及其在腮腺肿瘤中的应用进展综述如下。

1 影像组学的基本概念

影像组学旨在开发决策工具，即通过计算机定量提取大量肉眼无法获得的信息，进行数据分析、处理和建立模型，为临床决策提供支持。可分为以下5 个操作流程：①数据采集：根据研究目的收集影像学资料并进行预处理，如增强对比度、去噪、裁剪等，使图像具有一致性；②图像分割：即从图像中获得感兴趣区域，可分为手动分割、半自动人机交互和全自动图像分割3 类。目前结合深度学习技术的图像分割算法已逐渐应用于该领域，包括基于全卷积神经网络、基于U-Net 网络及其变体和基于特定设计思想的分割算法，如多任务学习、多模态融合、多阶段级联和特征增强的算法等[4]。③纹理特征提取：此方法主要有统计法、频谱法、模型法和结构法。统计法通过统计图像的空间频率、边界频率以及空间灰度依赖关系等分析纹理，目前应用最为广泛，包括灰度直方图、灰度共生矩阵、灰度运行长度矩阵和灰度区域尺寸矩阵、边缘频率法、自相关函数法等；频谱法主要利用频率特性来分析纹理特征，主要包括傅里叶变换法、Gabor 滤波法和小波变换法；模型法是运用统计、信号分析等理论中的方法进行分析获得纹理特征，主要包括马尔科夫随机场模型、分形模型；结构法目前应用较少[5～7]。使用上述方法提取的特征可分为一阶、二阶及高阶统计量，分别反映图像的形状、体素的强度和相互空间作用等信息。④特征筛选和降维：使用不同方法得到的纹理特征有成百上千个，存在许多与研究无关或微弱相关度的特征，且部分特征间的重复过高，容易导致模型的过拟合，因此必须对特征进行筛选、减少特征维度。常用的有单因素方差分析、Wilcoxon 秩和检验、Spearman 秩相关分析等统计学方法，Fisher 系数（Fisher's coefficient）、分类误差概率与平均相关系数（Probability of classification and average correlation coemcient，POE ＋ACC）、互信息（Mutual information，MI）等数据降维方法，回归模型、支持向量机（Support vector machine，SVM）、K 最近邻（K-nearest neighbor，KNN）、随机森林（Random forest，RF）等多种机器学习方法；⑤建立模型：利用筛选出的特征和临床指标建立模型，判断疾病的性质、分型、分期及预后。目前常用的判别分析和模型建立方法有原始数据分析（Original data analysis，RDA）、主成分分析（Principal component analysis，PCA）、线性判别分析（Linear discriminant analysis，LDA）和非线性判别分析（Non-linear discriminant analysis，NDA）、逻辑回归（Logistic regression method，LR）、套索算法（Least absolute shrinkage and selection operator，LASSO）、SVM、KNN、RF、决策树、贝叶斯算法、卷积神经网络等。

2 影像组学在腮腺肿瘤诊疗中的应用

2.1 CT 影像组学在鉴别腮腺肿瘤中的作用目前已有不少研究将纹理分析技术应用于腮腺肿瘤的鉴别中。任思桐[8]发现，在CT 平扫图像上进行纹理分析可以鉴别腮腺良恶性肿瘤、PA 和AL、AL 和基底细胞腺瘤，受试者工作特征曲线下面积（Area under curve，AUC）值均大于0.8。赵厚亮等[9]分析了CT 增强动脉期图像，发现利用平均值参数鉴别PA 和AL 的灵敏度、特异度、准确度可达89.3%、93.7%、91.4%，使用多参数联合分析时AUC 均大于0.9。Zhang 等[10]同样使用CT 动脉期图像进行纹理分析鉴别PA 和恶性上皮肿瘤，结果显示能量与均值联合的AUC 达0.88。另有学者发现，增强CT静脉期总熵是鉴别良恶性腮腺肿瘤的最佳CT 纹理参数，AUC 0.88，灵敏度72.7%，特异度为100%[11]。也有研究表明，CT 增强扫描早期粗滤均值和延迟期中滤熵对PA 和AL 的诊断性能与使用传统动态增强扫描强化模式鉴别相似，AUC 分别为0.944、0.901[12]。以上研究均证实了利用CT 纹理分析预测腮腺肿瘤组织学的可行性。然而各增强扫描研究中有鉴别意义的纹理参数各不相同，分析原因可能与扫描层厚和增强扫描时间不同有关。

在纹理分析的基础上建立影像组学模型对腮腺肿瘤进行分类已成为当前的研究热点。有学者发现，从CT 增强图像上提取多个纹理参数建立的LR 模型能够准确对黏液表皮样癌进行分级[13]。Zheng 等[14]从CT 平扫图像提取特征并将临床因素和放射组学评分相结合制作列线图来预测腮腺良性淋巴上皮病变和黏膜相关淋巴组织淋巴瘤，结果显示列线图的准确性优于单独临床因素和放射组学评分模型。余先超等[15，16]对CT 平扫和增强图像使用RDA、PCA、LDA 和NDA 四种判别方法结合Fisher 系数、POE+ACC 和MI 三种数据降维方法对PA 和AL 建立影像组学模型，结果显示MI 降维方法在平扫中比其他两种方法更好，而Fisher 方法在增强图像更优，平扫和增强图像上PCA 和RDA 的错误率更低，使用MI/RDA、MI/PCA 和Fisher/RDA、Fisher/PCA 方法能够更好地鉴别这两种肿瘤。从这些研究可知，基于CT 的影像组学分析在腮腺肿瘤的鉴别诊断方面具有巨大潜力和较高的应用价值。

2.2 MRI 影像组学在鉴别腮腺肿瘤中的作用MRI纹理分析同样可以反映肿瘤内部的异质性。Nardi等[17]发现，在ADC 图像上获得的纹理参数对腮腺上皮性恶性肿瘤和淋巴瘤诊断的准确度可达93%。雷晓雯等[18]同样发现，ADC 图像上获得的多个纹理参数有助于PA 和AL 的鉴别诊断，其中第10 百分位数对应的鉴别诊断效能最高，AUC 为0.913。也有学者从T2WI 图像上获取纹理参数，发现PA的第1 百分位数及第10 百分位数均高于恶性肿瘤，第10 百分位数最具鉴别诊断效能，AUC 为0.70[19]。

不少学者利用多模态MRI 影像组学模型鉴别PA 和AL，Michela 等[20]的研究表明，从T2WI图像提取特征后使用SVM 模型鉴别PA 和AL，其灵敏度、特异度和准确度分别高达0.8695、0.9062和0.8909。吴艳等[21]同样基于T2WI 图像提取影像组学特征后利用RF 模型对二者进行分类，其模型也表现出良好的效能，在训练组中的AUC 为0.93±0.05，在验证组中为0.74。Song 等[22]通过LR 和SVM 方法对T1WI、T2WI 和T1-2WI 结合的图像分别建立放射组学模型来鉴别PA 和AL，结果显示T1-2WI 结合构建的两种模型效果最好，训练组和验证组的AUC 均大于0.9。彭媛媛等[23]对T1WI 增强图像采用Fisher 系数法联合MI 和最小分类误差与最小相关系数法进行数据降维后RDA、PCA、LDA 和NDA 四种判别方法，对比发现NDA鉴别PA 与AL 的错判率最低，优于主观阅片和其他分类方法。以上研究证明，基于多模态MRI 图像建立不同影像组学模型可以实现对PA 和AL 的鉴别诊断。

影像组学模型对鉴别腮腺良恶性肿瘤同样具有较高的价值。Fruehwald 等[24]在STIR、T1WI 平扫和增强图像上分别提取放射组学特征建立模型，发现三种序列对良恶性病变的鉴别均优于对PA 和AL 的鉴别。Shao 等[25]从DWI 图像中提取特征后建立LR、SVM 和KNN 三种分类模型鉴别PA、AL和恶性唾液腺肿瘤，结果发现，无论在训练组还是测试组，三种模型对恶性唾液腺肿瘤的诊断均具有最高的AUC 值。

除了影像组学特征外，也有不少研究将临床因素纳入MRI 影像组学模型。Sarioglu 等[26]发现，在传统MRI 表现中加入纹理参数有助于PA、AL 和黏液表皮样癌的鉴别诊断。有学者从T1WI 和T2WI图像提取特征鉴别腮腺良恶性肿瘤，发现采用临床因素和放射组学评分相结合制作的列线图在训练组和验证组的AUC 值均优于单独的临床因素模型和放射组学评分[27]。Liu 等[28]的研究也证实结合临床因素和T1WI、T2WI 图像上提取的2D 和3D纹理特征建立的LR 模型对腮腺良恶性肿瘤的鉴别优于单独临床因素模型、临床因素和2D 或3D 纹理特征模型。此外，有研究在建立LDA 和SVM 模型时考虑了良恶性肿瘤的血流灌注信息，将由动态对比增强图像获得的半定量分析、药代动力学、五参数S 型模型的参数和T2WI、ADC 图像的纹理参数相结合，结果显示两种分类器的准确率均为100%[29]。国外有研究证实，MRI 放射组学模型提高了非专科放射科医生在PA 和AL 鉴别诊断方面的诊断性能，实现了与亚专科放射科医生相似的诊断性能[30]。

2.3 影像组学在腮腺肿瘤手术及预后方面的作用腮腺恶性肿瘤的分期和组织学风险是临床预测患者生存和疾病复发的主要因素，但不同患者间的疗效和预后差异较大，因此预后分层对个体化管理非常重要。Cheng 等[31]在85 例高危涎腺癌患者的18F-FDG PET/CT 图像上提取纹理并建立的Cox 回归模型可以提供风险分层信息，更好地预测患者预后。此外，应用18F-FDG PET/CT 放射组学对小涎腺癌的总生存期和无复发生存期建立的Cox 回归模型比AJCC 分期、WHO 分类和目前可用的列线图具有更高的预测能力[32]。在预测腮腺良性肿瘤手术后的面神经麻痹方面，Chiesa 等[33]发现KNN模型的特异性、阴性预测值、F 评分和AUC 值均大于0.9。另外，周培锋等[34]利用多重线性回归模型预测PA 的术后送病理直径，得出模型的AUC 为0.737，能有效指导术中切除肿瘤范围。这些研究表明，影像组学有望成为改进腮腺肿瘤治疗决策的低成本新型工具。

3 影像组学存在的问题

尽管影像组学的应用越来越广泛，但仍面临着诸多问题：①影像组学模型的建立大多局限于影像学特征，与免疫组化和基因组学等多学科结合的相对较少；②目前大部分的研究样本量较小，导致模型的可重复性低；③影像组学的特征众多，尤其是由频谱法和模型法得到的特征，其临床意义难以解释；④不同设备在图像采集方法和重建协议上有很大差异，缺乏统一的行业标准、质量控制和数据共享机制，在进行多模态及多中心数据分析时可能导致结果的偏倚；⑤当前大部分研究使用手动分割或半自动分割方式，其耗时久、效率低，且可重复性低，严重限制了影像组学在临床的应用。

4 展望

影像组学作为一个新兴的交叉学科领域具有巨大潜力。其在腮腺肿瘤的诊断、预后分析及诊疗方案的选择上已取得初步进展，而大数据的共享、定量成像的标准化、自动化图像分割以及与多学科的结合将成为未来影像组学发展的重要方向。相信通过国内外研究者和放射科医生的共同努力，影像组学将会在精准化和个体化医疗中发挥更大作用。