近年来腮腺肿瘤的发病率逐年上升，以多形性腺瘤和腺淋巴瘤最为常见，均表现为无痛性良性肿块，但其生物学行为、治疗方式及预后却截然不同^[1-2]。多形性腺瘤又称混合瘤，具有临界瘤的特征，易复发或恶变，而腺淋巴瘤的恶变概率小，可延缓手术。两者手术方式也不同，多形性腺瘤多在保留面神经的情况下切除肿瘤及部分腺体；而腺淋巴瘤则极少发生恶变、复发，手术多以单纯肿瘤剜除为主，也有部分学者主张保守治疗^[3-4]。因此，术前准确诊断腮腺肿瘤的组织学来源对制订治疗方案尤为重要。现阶段，腮腺肿瘤的术前诊断主要依赖影像学检查，但常规影像学诊断准确性仍存在争议，不同组织学类型病灶的影像学表现存在重叠^[5-6]。随着人工智能技术发展日趋成熟，影像组学方法在临床上已得到广泛应用，其在大量的影像图像中提取肉眼无法观察到的内部信息，对肿瘤的病理学定性、疗效预测，以及治疗方案的评估等均有一定的应用价值^[7-8]。但目前关于CT增强扫描影像组学对多形性腺瘤及腺淋巴瘤的鉴别诊断报道较少，本研究拟结合CT增强扫描影像组学与临床资料建立鉴别腮腺多形性腺瘤与腺淋巴瘤的联合模型，以辅助临床诊疗决策的制订。

回顾性收集2019年1月至2023年1月我院就诊的腮腺肿瘤患者的临床及影像资料。纳入标准：①病理为腮腺多形性腺瘤或腺淋巴瘤；②术前行CT增强扫描且动静脉期图像无伪影；③临床病历资料完整。排除标准：①同时患有腮腺其他疾病；②图像质量较差、无法满足组学研究。共纳入160例，其中男77例，女83例；年龄21~80岁，平均(56.5±7.3)岁；多形性腺瘤90例，腺淋巴瘤70例。160例按7∶3比例分为训练集112例和验证集48例。训练集中多形性腺瘤64例，腺淋巴瘤48例；验证集中多形性腺瘤26例，腺淋巴瘤22例。收集患者性别、年龄、吸烟史、触诊结果、肿瘤数量、位置、大小、形态、边界等临床资料。本研究经沧州市中心医院伦理委员会批准[批号：2021-075-02(z)]，并豁免知情同意。

使用GE宝石能谱CT、Toshiba 320排螺旋CT扫描仪。扫描范围由颅底至颈根部。扫描参数：120 kV，550 mA，层厚、层距均为5 mm，视野240 mm×240 mm。采用高压注射器经肘前静脉注射非离子型对比剂碘佛醇，流率3~3.5 mL/s，剂量1.5 mL/kg体质量，分别于注射后40、80 s行动、静脉期扫描。

将图像导入ITK-SNAP软件，先由1位具有3年工作经验的医师在横断面图像上手动逐层勾画ROI，再由1位具有10年工作经验的医师进行复审，之后软件自动生成VOI(图 1)。采用Python软件(3.5版本)用线性内插方法对图像重采样预处理，使用Pyradiomics工具包对图像行滤波处理并进行特征提取，包括一阶直方图、形态学特征、纹理特征。对所提取的组学特征进行预处理，使用Z-score方法对特征数值标准化处理；采用单因素秩和检验方法、相关性分析及最小绝对收缩与选择算子(1east absolute shrinkage and selection operator，LASSO) 算法对组学特征进行降维、筛选。通过多因素逐步回归方法建立影像组学模型(动脉期、静脉期及2期联合模型)。选择诊断效能最优的组学模型与临床模型建立临床-影像联合模型。

图 1

注：左图为轴位图像勾画ROI，右图为软件合成VOI 图 1 ROI勾画及VOI生成

采用R 3.5.1、Python 3.5.6软件及SPSS 27.0软件分析数据。定性资料组间比较行χ²检验或Fisher检验；定量资料以 x±s表示，组间比较行t检验。采用单因素分析筛选差异有统计学意义的指标，再行多因素logistic回归分析建立临床模型。采用ROC曲线分析各预测模型的诊断性能，采用DeLong检验比较各模型的AUC。以P＜0.05为差异有统计学意义。

160例中，多形性腺瘤90例，腺淋巴瘤70例。经单因素分析发现，训练集及验证集中2种病变患者的性别、年龄、吸烟史和病变单发/多发差异均有统计学意义(均P＜0.05)(表 1)。将这4个变量纳入多因素logistic回归分析发现，差异均有统计学意义(均P＜0.05)(表 2)。在训练集中，临床模型的AUC为0.889 (95%CI 0.812~0.966)(表 3，图 2)。

表 1

表 1 多形性腺瘤与腺淋巴瘤临床特征比较

表 1 多形性腺瘤与腺淋巴瘤临床特征比较 特征 训练集 统计值 P值 验证集 统计值 P值 多形性腺瘤（n=64） 腺淋巴瘤（n=48） 多形性腺瘤（n=26） 腺淋巴瘤（n=22） 年龄(岁, x±s) 45.0±14.8 63.5±8.7 3.342a <0.001 50.0±7.9 70.0±5.8 2.257a 0.003 男/女(例) 21/43 32/16 3.671b 0.001 10/16 14/8 2.415b 0.022 吸烟史(例) 13 22 -1.783b 0.029 5 16 -1.872c 0.030 肿瘤大小(mm, x±s) 21.0±5.2 20.5±7.3 0.485a 0.466 21.0±3.9 23.0±6.1 3.487a 0.074 单发/多发(例) 63/1 32/16 2.154b 0.002 26/0 16/6 2.564b 0.028 边缘分叶/光滑(例) 29/35 19/29 0.325b 0.878 14/12 16/6 -1.074c 0.257 注：a为t值，b为χ2值。

表 2

表 2 腮腺肿瘤临床特征的多因素logistic回归分析结果

表 2 腮腺肿瘤临床特征的多因素logistic回归分析结果 变量 β值 标准误 Wald值 P值 OR(95%CI) 性别 0.875 0.606 16.763 <0.001 4.978(1.647~9.757) 年龄 0.457 0.183 6.113 0.014 1.577(1.098~2.227) 吸烟史 1.008 0.343 8.569 0.003 2.739(1.401~5.389) 单发/多发 0.998 0.386 6.649 0.010 2.719(1.269~7.801)

表 3

表 3 各预测模型诊断效能

表 3 各预测模型诊断效能 模型 训练集 验证集 AUC 95%CI 敏感度 特异度 AUC 95%CI 敏感度 特异度 临床模型 0.889 0.812~0.966 0.857 0.743 0.828 0.671~0.985 0.750 0.600 动脉期模型 0.905 0.834~0.976 0.821 0.857 0.878 0.747~1.000 0.833 0.867 静脉期模型 0.898 0.810~0.986 0.857 0.886 0.900 0.782~1.000 0.583 0.933 2期图像联合模型 0.951 0.890~1.000 0.929 0.914 0.894 0.761~1.000 0.750 0.867 临床-影像联合模型 0.969 0.922~1.000 0.929 1.000 0.922 0.820~1.000 0.750 0.867

图 2

注：图 2a为训练集，图 2b为验证集 图 2 各预测模型在训练集与验证集的ROC曲线

从CT增强扫描动、静脉期图像中共提取3 376个特征，经单因素秩和检验、相关性分析及LASSO回归分析剔除共线特征后，动脉期、静脉期及2期联合分别有5、4、5个特征被选出构建影像组学模型(表 4)。训练集中，2期联合模型的AUC、敏感度及特异度优于动脉期模型和静脉期模型(表 3，图 2)。

表 4

表 4 筛选后用于影像组学模型构建的特征

表 4 筛选后用于影像组学模型构建的特征 图像 影像组学特征 动脉期 A_original_shape_Flatness A_log.5_glszm_SmallAreaHighGrayLevelEmphasis A_wavelet.LHH_glszm_SizeZoneNonUniformityNormalized A_wavelet.LHL_glrlm_RunEntropy A_wavelet.HHH_glrlm_ShortRunHighGrayLevelEmphasis 静脉期 V_original_shape_Flatness V_log.5_gldm_LargeDependenceHighGrayLevelEmphasis V_wavelet.HHH_firstorder_Median V_wavelet.HHH_glrlm_SumAverage 2期图像联合 A_original_shape_Flatness A_wavelet.LHL_glrlm_RunEntropy A_wavelet.HHH_glrlm_ShortRunHighGrayLevelEmphasis V_log.5_gldm_LargeDependenceHighGrayLevelEmphasis V_wavelet.HHH_firstorder_Median

选择2期联合模型与临床模型建立临床-影像联合模型。在训练集和验证集中，临床-影像联合模型的AUC均高于其他模型(均P＜0.05) (表 3，图 2)。

腮腺多形性腺瘤为最常见的腮腺良性肿瘤，好发于中年女性，多为单发；而腺淋巴瘤发病率次之，常见于老年男性，多有吸烟史，且易多发。本研究中腮腺多形性腺瘤与腺淋巴瘤患者的性别、年龄、单发/多发及吸烟史差异均有统计学意义，其构建的临床模型在训练集的AUC为0.889(95%CI 0.812~0.966)，高于以往研究^[9]，可能与入组患者较多、统计结果更可靠有关。

临床对腮腺肿瘤的术前评估主要依靠影像学检查，但部分病变影像征象有重叠，难以准确诊断，同时影像学诊断主要依赖于医师经验，主观性强，且信息量有限。常规CT主要依靠形态学特点，如肿瘤位置、形态、大小、边缘、密度及强化方式对腮腺肿瘤进行诊断，但目前尚未建立标准的诊断策略，且腮腺多形性腺瘤的很多形态特征与腺淋巴瘤极为相似，因此仅依靠传统影像学鉴别两者较困难^{[6, 9]}。

近年来，影像组学已应用于全身多系统疾病的诊断^[7-8]，但应用于涎腺病变的研究较少。既往有研究证实影像组学方法可提高腮腺肿瘤术前诊断准确率，并指导临床决策。Zhang等^[10]发现CT图像纹理特征有助于腮腺多形性腺瘤和恶性上皮性肿瘤的鉴别诊断，但对良性肿瘤的鉴别诊断尚未深入研究。本研究显示影像组学对鉴别腮腺多形性腺瘤和腺淋巴瘤具有一定的可行性和临床价值。王琴等^[11]通过分析腮腺多形性腺瘤与腺淋巴瘤的CT平扫纹理特征，建立随机森林、逻辑回归及支持向量机模型，其中随机森林模型诊断效能最佳，AUC、敏感度及特异度分别为0.882、78.6%、88.0%，但该结果与既往研究^[12-13]不一致。本研究提示CT增强扫描中单一期相的诊断准确率均低于2期联合(训练集及验证集中AUC分别为0.951、0.894)，原因可能是多形性腺瘤病理构成复杂，其中上皮组织、黏液样组织、软骨样组织及液性结构比例组成不同，而腺淋巴瘤虽然主要由上皮组织构成，但其中腺腔样结构多见^[14]，因2种肿瘤成分的主要结构比例不同导致两者在动、静脉期强化上存在差异，且单一期相很难评估其特征。本研究将2种病变的临床特征、CT增强扫描影像组学特征相结合，发现临床-影像联合模型在训练集的AUC、敏感度与特异度高达0.969、0.929、1.000，均高于临床模型和影像组学模型单独应用。

本研究尚存在一定的局限性：为单中心研究，样本量较小，需扩大样本量行多中心研究，以提高模型效能；仅应用1种回归分析方法构建模型，有待加入其他机器学习方法进一步优化模型。此外，本研究的ROI为手工半自动勾画，工作量较大，随着未来样本量扩大，可通过智能训练实现自动勾画以简化模型建立，同时尚需大样本、前瞻性和多中心研究进一步优化预测模型。

综上所述，动、静脉期联合的影像组学模型是鉴别腮腺多形性腺瘤和腺淋巴瘤的有效方法，临床-影像联合模型对鉴别腮腺多形性腺瘤与腺淋巴瘤具有可行性且应用价值较高，可提高诊断精准率。