10.13609/j.cnki.1000-0313.2020.12.006
基于T2WI影像组学及联合诊断模型鉴别腮腺多形性腺瘤与腺淋巴瘤
目的:探讨基于磁共振T2 WI的影像组学模型对腮腺多形性腺瘤与腺淋巴瘤的鉴别诊断价值.方法:回顾性分析2015年1月-2019年11月在本院经手术病理证实且具有完整术前MR平扫图像的99例腮腺肿瘤患者的病例资料,将患者按7:3的比例随机分为2组:训练集70例,验证集29例.按照术后病理结果,将训练集和验证集均进一步分为多形性腺瘤组和腺淋巴瘤组.使用MaZda软件进行纹理分析,在每例患者T2 WI上于肿瘤最大层面勾画ROI,提取310个纹理特征;采用R语言软件对纹理数据进行预处理,并采最小冗余最大相关(mRMR)算法对每例患者提取的310个纹理特征进行降维;然后采用Lasso回归分析及10折交叉验证法进一步筛选纹理特征,用以建立影像组学标签.基于建立的影像组学标签及患者的临床资料,采用多变量Logistic回归分析建立联合诊断模型.采用ROC曲线评估影像组学标签及联合诊断模型的诊断效能.采用Hosmer-Lemesow拟合优度检验分析诊断模型的拟合度.结果:通过降维、筛选后最终保留8个纹理特征,建立的影像组学标签(RS)的计算公式为RS=0.251×Vertl_GLevNonU+0.134×Skewness+0.227×S(5,5)Correlat+0.408×X45dgr_LngREmph-0.131×Teta4+0.187×WavEnHH_s.3+0.183×S(5,-5)Correlat-0.027×Teta1+0.201.在训练集和验证集中,影像组学标签鉴别腮腺多形性腺瘤与腺淋巴瘤的AUC分别为0.83(95%CI:0.73~0.93)和0.82(95%CI:0.64~1.00).基于多变量Logistic回归分析,最终将性别、单发或多发、病灶位置及影像组学标签作为独立的影响因子纳入联合诊断模型,这4项指标的优势比(OR)分别为0.177(95%CI:0.027~0.878)、15.608(95%CI:1.090~736.275)、4.876(95%CI:3.768~10.754)和9.729(95%CI:2.644~50.430).训练集和验证集中,联合诊断模型鉴别2类肿瘤的AUC分别为0.90(95%CI:0.83~0.97)和0.96(95%CI:0.88~1.00),均高于影像组学标签.Hosmer-Lemesow拟合优度检验结果显示,在训练集和验证集中,模型预测值与实际值的差异均无统计学意义(χ2=9.424,P=0.308;χ2=7.565,P=0.477).结论:基于磁共振T2 WI影像组学分析联合相关临床资料构建的诊断模型在鉴别腮腺多形性腺瘤与腺淋巴瘤方面具有较高的诊断价值.
腮腺肿瘤、多形性腺瘤、腺淋巴瘤、磁共振成像、影像组学、联合诊断模型
35
R445.2;R739.87(诊断学)
2021-02-25(万方平台首次上网日期,不代表论文的发表时间)
共7页
1525-1531