基于 T2 加权 MRI 影像组学和自动机器学习技术鉴别睾丸癌的研究：开拓精准诊断新路径

《BMC Cancer》：Identification of testicular cancer with T2-weighted MRI-based radiomics and automatic machine learning

在临床中，区分睾丸病变的良恶性对治疗意义重大。研究人员开展了基于 MRI 的自动机器学习（AutoML）诊断睾丸病变的研究。他们利用树状管道优化工具（TPOT）算法构建模型，结果显示该模型能有效鉴别睾丸良恶性病变，为临床诊断提供了新方法。

　　在男性健康领域，睾丸肿瘤虽整体发病率不高，仅占男性恶性肿瘤的约 1%，但在 20 - 34 岁男性中，它却是最常见的实体肿瘤。当前，对于疑似睾丸恶性肿瘤患者，由于肿瘤存在转移和浸润风险，活检应用受限，很多时候只能依靠术后病理检查来确诊 。这就导致一些临床困境，部分良性睾丸肿块被误诊为恶性，患者不得不接受不必要的根治性睾丸切除术；而有些患者即使肿块为良性，也会因担忧恶变而选择手术。所以，术前精准鉴别睾丸肿瘤的良恶性，对减少不必要的手术、提升患者临床治疗效果至关重要。

传统的超声检查，像灰度和彩色多普勒血流成像，虽应用广泛，但在鉴别睾丸肿块良恶性方面，不同研究结论差异较大。当传统超声检查受限，多参数超声（mpUS）和磁共振成像（MRI）成为有效的辅助检查手段。MRI 凭借强大的软组织成像能力，能清晰呈现病变的形状、位置和组织结构，为制定手术治疗方案提供重要依据。影像组学作为新兴的定量图像评估方法，可从图像中提取形状、一阶、纹理等特征，以有效描述病变特征，在多种癌症的诊疗中已得到广泛应用。然而，将其用于评估睾丸病变的相关研究较少，且传统影像组学模型的开发需手动优化预处理方法、特征选择、分类器和最优参数，这对专业知识要求较高。

为解决这些问题，华中科技大学同济医学院附属同济医院的研究人员开展了一项研究。他们旨在探索基于 MRI 的自动机器学习（AutoML）技术在诊断睾丸病变方面的潜力，期望无需专家手动优化算法就能实现精准诊断。研究成果发表在《BMC Cancer》杂志上。

研究人员开展此项研究时，采用了以下几个主要关键技术方法：首先，收集了 2014 年 2 月至 2023 年 4 月在同济医院进行临床睾丸 MRI 检查和病理检查的患者数据，经过一系列排除标准筛选，最终纳入 115 例患者的 123 个病变。其次，利用 3.0 - T MRI 扫描仪获取 T2 加权图像（T2WI），由放射科医生手动分割感兴趣区域（VOI），并使用 PyRadiomics 软件包提取 1781 个影像组学特征。然后，运用树状管道优化工具（TPOT）算法，通过 5 折交叉验证构建诊断模型，并使用 Shapley Additive exPlanations（SHAP）值评估特征对模型的影响 。

研究结果如下：

• 患者及特征提取情况：115 例患者的睾丸肿块经病理证实，49 个为良性，74 个为恶性，两组患者年龄无显著差异。从每个病变中提取的 1781 个特征里，1182 个特征的组内和组间相关系数（ICCs）超过 0.8，具有高度可重复性。
• 分类模型构建及评估：基于训练队列构建 100 个不同模型，选取曲线下面积（AUC）最高的模型作为最优模型。该模型由递归特征消除和随机森林两个操作符组成。在测试队列中，模型诊断睾丸病变的准确率达 0.784，AUC 为 0.909，展现出良好的鉴别能力。
• 特征重要性分析：利用 SHAP 值分析特征重要性，通过对一个恶性病变（胚胎癌）和一个良性病变（表皮样囊肿）的决策瀑布图展示，明确了影响模型输出的关键特征。

研究结论和讨论部分指出，基于 TPOT 算法的 AutoML 技术，能自动优化机器学习过程，有效建立 MRI 特征与睾丸疾病的关联。该技术在鉴别睾丸良恶性病变方面表现出色，且避免了手动设计模型带来的主观偏差。不过，研究也存在一些局限性，如样本量较小、回顾性研究可能存在选择偏倚、手动 VOI 分割耗时且稳定性欠佳等。尽管如此，此项研究为睾丸病变的术前诊断提供了新的思路和方法，有助于推动临床精准诊断和治疗，在男性生殖健康领域具有重要的意义和应用潜力。