头颈部木村病（KD）鉴别诊断的逐步决策树模型：精准诊断的新突破

研究人员为鉴别头颈部木村病（KD）与其他疾病，构建决策树模型，准确率达 99.0%，助力临床诊断。

　　木村病（Kimura’s disease，KD）是一种极为罕见的慢性免疫疾病，发病率低于十万分之一。它就像一个隐藏在身体里的 “神秘访客”，主要 “青睐” 亚洲年轻男性。临床上，KD 常表现为头颈部缓慢进展的皮下肿块、唾液腺无痛性肿胀以及局部淋巴结肿大，还可能 “涉足” 眼睛、肾脏等其他器官。患者的外周血嗜酸性粒细胞计数会升高，血清 IgE 水平也会明显上升。

然而，KD 的诊断面临诸多挑战。一方面，它的常规影像学表现缺乏特异性，与其他头颈部疾病如干燥综合征伴黏膜相关淋巴组织淋巴瘤（Sj?gren’s syndrome with mucosa - associated lymphoid tissue lymphoma，SS&MALT）、神经纤维瘤病（Neurofibromatosis，NF）、淋巴瘤等极为相似，难以区分。在 MRI 检查中，KD 在 T1 加权像（T1WI）上通常呈低信号，在 T2 加权像（T2WI）上信号多变，且可表现为边界不清的皮下肿块、肿大的唾液腺和淋巴结肿大，这些特征与其他疾病存在重叠。另一方面，由于 KD 病例数量稀少，传统诊断方法在面对这种复杂的情况时往往 “力不从心”。因此，寻找一种准确有效的诊断方法迫在眉睫。

为了解决这一难题，上海交通大学医学院附属第九人民医院的研究人员开展了一项极具意义的研究。他们回顾性分析了 202 例经病理确诊为 KD、SS&MALT、NF 或淋巴瘤的患者资料，收集了患者的人口统计学信息和磁共振成像（MRI）数据，包括定性特征（如皮肤增厚、病变形态、淋巴结肿大、MRI 信号强度）和定量变量（如年龄、病变大小、表观扩散系数（Apparent Diffusion Coefficients，ADCs）、强化率、达峰时间（Time to Peak，TTP）、时间 - 信号强度曲线（Time - Signal Intensity Curve，TIC）模式）。研究人员运用分类回归树（Classification and Regression Trees，CART）算法构建了一个逐步决策树模型，用于头颈部 KD 的鉴别诊断，并对模型的诊断准确性和误分类风险进行评估，以确定其可靠性和有效性。

在研究过程中，研究人员运用了多种关键技术方法。首先，严格筛选病例，依据纳入和排除标准，从众多患者中选取了符合要求的 202 例患者，确保研究样本的准确性和可靠性。其次，采用 1.5T 或 3.0T MRI 对患者进行扫描，获取了轴向 T1WI、T2WI、脂肪抑制 T2WI、扩散加权成像（Diffusion Weighted Imaging，DWI）和动态对比增强 MRI（Dynamic Contrast - Enhanced MRI，DCE - MRI）等多序列图像。然后，由两位资深放射科医生对图像进行分析，测量病变的各项特征，并运用 Philips IntelliSpace Portal 软件对 DWI 和 DCE - MRI 数据进行后处理，获取 ADCs 和 TICs。最后，利用 CART 算法构建决策树模型，并通过 10 折交叉验证和修剪决策树等方法优化模型性能。

研究结果显示：

1. 患者人口统计学特征：KD 患者以男性居多（91.7%），发病年龄中位数为 37 岁。与其他疾病相比，KD 在病变位置、分布、大小以及淋巴结肿大情况等方面存在差异。例如，KD 和 NF 常累及头颈部皮下组织，而 SS&MALT 主要影响唾液腺，淋巴瘤则多侵犯黏膜下和皮下组织，且 KD 的淋巴结肿大发生率较高（86.1%）。
2. 常规 MRI 特征：四种疾病的原发性病变在 T1WI 上多呈等信号，在脂肪抑制 T2WI 上多呈高信号，增强后多有强化。但 KD 的原发性病变 93.5% 表现为不均匀强化，而淋巴瘤病变 89.4% 为均匀强化。皮肤增厚在 KD 和 NF 中较为常见（KD 中 72.2%，NF 中 94.3%），在淋巴瘤和 SS&MALT 中少见。此外，KD 和淋巴瘤有明显的淋巴结肿大，而 SS&MALT 和 NF 无此表现。
3. 功能 MRI 特征：NF 原发性病变的 ADCs 显著高于 KD、SS&MALT 和淋巴瘤。在 KD 中，淋巴结的 ADCs 低于原发性病变；在淋巴瘤中，两者 ADCs 相似。TIC 模式也有助于区分疾病类型，KD 原发性病变主要为 I 型（51.6%）和 II 型（48.4%），淋巴瘤则分布较广。
4. 决策树模型的逐步分类：单一成像参数难以有效鉴别 KD 与其他疾病，而决策树模型通过多参数逐步分类，取得了显著效果。以 ADCs 为首要标准，结合腮腺受累、淋巴结最大直径等特征，该模型对四种疾病的鉴别诊断准确率高达 99.0%，10 折交叉验证的误分类风险为 0.079 ± 0.024，对 KD 的分类准确率为 94.4%。

研究结论和讨论部分指出，该逐步决策树模型结合常规和功能 MRI 特征，在鉴别 KD 与其他头颈部疾病方面具有较高的准确性，为放射科医生和临床医生提供了可靠的诊断工具，有助于制定个性化的临床治疗方案。虽然研究存在样本量小和部分病例误分类等局限性，但为后续研究指明了方向。未来，扩大样本量、纳入更多成像参数的研究有望进一步优化模型，提高其准确性，使其成为临床诊断 KD 及类似疾病的标准工具，从而更好地服务于患者，改善患者的治疗效果和生活质量。这项研究成果发表在《BMC Medical Imaging》上，为头颈部疾病的诊断领域带来了新的曙光，推动了医学诊断技术的进步。