冯慧俊 朱慧玲 江 峰

多形性腺瘤是腮腺最常见的良性肿瘤，占涎腺肿瘤的60%～70%，其次是腺淋巴瘤［1］。多形性腺瘤的恶性率为2%～25%，单纯肿瘤剔除术易复发，临床常采取根治性切除治疗［2］。而腺淋巴瘤不易复发，且尚未发现恶性变。近年有研究［3］提出对于腮腺深叶的腺淋巴瘤建议行部分切除术，而腮腺浅叶较小的腺淋巴瘤选择观察还是手术尚无明确共识。因此，两者的鉴别对治疗方案的选择及预后至关重要。高频超声是目前的首选检查方法，研究［4］表明高频超声诊断多形性腺瘤的准确率为87.5%，诊断腺淋巴瘤的准确率为91.3%，但实际操作中发现二者声像图存在较多重叠，鉴别诊断困难。影像组学可从医学图像中提取人肉眼无法识别的肿瘤纹理特征，构建影像组学模型，这些特征通常提示肿瘤的某些病理特点，对肿瘤的定性诊断有其独特优势，可以评估肿瘤的多种生物学行为，目前已经应用于肿瘤的鉴别诊断及预后评估［5］。本研究采用支持向量机（SVM）、K 紧邻（KNN）、决策树（Decision Tree）3 种机器学习算法根据筛选的最佳特征构建超声影像组学模型，探讨其在鉴别诊断腮腺多形性腺瘤与腺淋巴瘤中的应用价值。

资料与方法

一、研究对象

选取2016 年6 月至2021 年9 月我院经术后病理确诊的腮腺多形性腺瘤和腺淋巴瘤患者232 例，其中腮腺多形性腺瘤133 例，男51 例，女82 例，年龄11～78 岁，平均（44.0±14.2）岁；病灶最大径0.8～6.9 cm，平均（2.4±1.0）cm；腺淋巴瘤99 例，男95 例，女4 例，年龄40～81岁，平均（64.0±9.3）岁；病灶最大径1.2～4.9 cm，平均（3.1±0.9）cm。按7∶3 的比例分为训练集162 例和验证集70例，其中训练集中腮腺多形性腺瘤101例、腺淋巴瘤61 例，验证集中腮腺多形性腺瘤32 例、腺淋巴瘤38例。纳入标准：①术前均于我院行超声检查，且采集图像标准、清晰；②均经术后病理证实，且临床资料完整；③既往无穿刺、放疗史，④对于多发病灶，仅纳入最大病灶。排除标准：①图像资料不齐全或不清晰；②合并其他肿瘤。本研究经我院医学伦理委员会批准，为回顾性研究故免除患者知情同意。

二、仪器与方法

1.超声检查：使用百胜MyLab Twice或西门子Acuson S 2000彩色多普勒超声诊断仪，LA-523 线阵探头，频率4～13 MHz；9-L4 线阵探头，频率4～9 MHz。患者取仰卧位，颈部后仰，充分暴露腮腺区域，常规超声观察肿瘤部位、数目、形态、血流信号等，并进行双侧比较；获取病灶最大径切面，用于图像后期分析及超声影像组学的特征提取。

2.病灶感兴趣区（ROI）勾画和纹理特征提取：所有超声图像均以JPG 格式存储，再利用软件转换成Nifti格式，使用ITK-SNAP软件（http：//www.itksnap.org）勾画，由2 名分别具有4 年和12 年工作经验的超声医师采用双盲法阅片，在获取最大径二维超声图像上达成一致后沿病灶边缘勾画ROI（图1）。本研究先采用简单随机抽样法分别随机抽取15%的患者（35例），由上述2 名医师独立进行图像ROI 勾画，评估观察者间重复性，1 周后由其中1 名医师以同样方法再次勾画ROI，评估观察者内重复性。ICC 评估观察者内、观察者间数据采集一致性均＞0.8，故剩余图像分割工作均由其中同一医师完成。

图1 腮腺病灶二维超声图像、ROI勾画及特征提取示意图

3.超声影像组学特征筛选及组学标签构建：采用ITK-SNAP 软件中Pyradiomics 工具包进行数据标准化及特征提取，以中位数代替特征值中的异常值及缺失值。首先对所有提取的超声组学定量特征均采用Z-score 标准化方法进行正则化，将数据变化到N（0，1）之间，对于重复性高的特征，采用Pearson 相关系数计算特征之间的相关性（图2），保留任意两个特征之间相关系数＞0.9 的一个特征，再采用最大相关最小冗余（mRMR）算法及最小绝对收缩和选择算子（LASSO）回归分析筛选训练集中基于超声图像提取的影像组学特征（图3），将选取的非零系数组学特征与其加权系数相乘构成超声影像组学标签特征权重图（图4）。

图2 特征之间Pearson相关系数图

4.超声影像组学模型的构建：将上述构建标签分别采用支持向量机（SVM）、K 紧邻（KNN）、决策树（Decision Tree）3种机器学习算法进行模型构建。

三、统计学处理

应用R 4.1.0、Python 3.9.16 统计软件，计数资料以率表示，绘制受试者工作特征（ROC）曲线分析各个模型鉴别腮腺多形性腺瘤与腺淋巴瘤的诊断效能；曲线下面积比较采用Delong检验。应用临床决策曲线（DCA）评估模型的临床应用价值。P＜0.05 为差异有统计学意义。

结果

训练集中，SVM、KNN、Decision Tree 3种不同机器算法构建的超声影像组学模型鉴别腮腺多形性腺瘤与腺淋巴瘤的AUC 分别为0.893、0.825、1.000；验证集中，SVM、KNN、Decision Tree 3种机器算法构建的超声影像组学模型鉴别腮腺多形性腺瘤与腺淋巴瘤的AUC 分别为0.848、0.721、0.620，其中SVM 算法构建的超声影像组模型AUC 高于其他两种算法所构建的模型，差异均有统计学意义（均P＜0.05）。见表1，2和图5。DCA 显示SVM 机器算法构建的超声影像组学模型的临床获益效能最好。见图6。

表1 3种机器算法构建的超声影像组学模型鉴别训练集中腮腺多形性腺瘤与腺淋巴瘤的诊断效能

表2 3种机器算法构建的超声影像组学模型鉴别验证集中腮腺多形性腺瘤与腺淋巴瘤的诊断效能

图5 3 种算法构建的超声影像组学模型鉴别腮腺多形性腺瘤与腺淋巴瘤的ROC曲线图

图6 3种算法构建的超声影像组学模型鉴别腮腺多形性腺瘤与腺淋巴瘤的DCA图

讨论

多形性腺瘤是腮腺最常见的良性肿瘤，其次是腺淋巴瘤，两者肿瘤组织成分复杂，且缺乏特异性的临床症状及检测指标，临床较难鉴别。既往研究［6］多基于超声影像学表现如病灶形态、大小、边缘、有无钙化或囊变、后方增强方式等鉴别两者，但在实际操作中易受医师主观判断及经验影响。近年来，人工智能下的机器学习已经运用到医疗领域中，机器学习算法的使用使原有复杂过程简化，医疗方面也逐渐将人工智能机器学习应用纳入未来发展规划，弥补了传统医学的不足，随着技术的深入发展，其在医学领域内的影响也被逐步拓展［7］。影像组学可以通过非侵入性手段评估人肉眼无法识别的特征，允许更多以高通量的方式准确地描述肿瘤、计算机辅助特征提取和识别图像放射组学特征［8］。目前，已有诸多研究［9-11］探讨影像组学在鉴别腮腺良恶性肿瘤中的应用价值，但大多基于CT、MRI 图像，基于二维超声图像影像组学研究较少。本研究基于二维超声影像组学，采用3 种机器学习算法（SVM、KNN、Decision Tree）构建模型，结果显示采用SVM、KNN、Decision Tree 3 种机器算法构建的超声影像组学模型鉴别验证集中腮腺多形性腺瘤与腺淋巴瘤的AUC 分别为0.848、0.721、0.620，其中SVM算法构建的超声影像组模型AUC高于另外两种算法所构建的模型，差异均有统计学意义（均P＜0.05）；且DCA显示该模型的临床获益效能最好。分析原因可能为两种肿瘤病理结构不同，腮腺多形性腺瘤来自导管上皮细胞，来源于外胚叶，形成黏液样及软骨样组织间质等物质［12］；腺淋巴瘤来源于腺体的淋巴结或残存于邻近淋巴结内异位腺体组织，其病理组织主要是上皮和淋巴样组织［13］。内部成分的不同造成提取定量特征的不同［2，11，14-15］。同时本研究在构建超声影像组学模型时勾画ROI 的一致性较好，说明受人为等主观因素影响较小。

本研究的局限性：①为单中心、回顾性研究，其结论可能会出现偏倚；②仅从二维超声影像组学单一模型角度出发，后期将扩大样本量并结合超声其他相关数据进行验证；③仅纳入病灶最大径切面声像图；④未联合临床指标；⑤未涉及其他机器算法，如逻辑回归、随机森林算法等。

综上所述，超声影像组学在鉴别腮腺多形性腺瘤与腺淋巴瘤中有一定的应用价值；其中以SVM 算法构建的超声影像组学模型诊断效能最佳。