基于多期相CT影像组学列线图鉴别非典型腮腺癌与多形性腺瘤的多中心研究：机器学习辅助诊断新策略

本研究创新性地构建了整合临床特征和多期相增强CT影像组学特征的LightGBM模型，开发出可区分非典型腮腺癌（PCAs）与多形性腺瘤（PAs）的放射组学列线图。模型在训练集、验证集和独立测试集中AUC分别达1.000、0.854和0.783，关键特征包括小波变换提取的簇阴影度（cluster shade）、游程非均匀性（run-length non-uniformity）和一阶均值（first-order mean），为无创诊断提供了新工具。

　　

引言

唾液腺肿瘤虽相对罕见，但80%发生于腮腺，其中良恶性治疗策略差异显著。多形性腺瘤（PA）作为最常见良性肿瘤，与缺乏邻近组织浸润或淋巴结转移特征的非典型腮腺癌（PCA）在常规CT上鉴别困难。细针穿刺活检（FNAB）虽为金标准，但存在19.4%面瘫风险且深叶肿瘤取样困难。MRI虽具组织对比优势，但存在扫描时间长、禁忌证等局限，而CT凭借快速扫描、广泛可用性成为优选，但其影像特征重叠问题亟待解决。

方法

患者队列

回顾性纳入5家医院2011-2023年患者，最终218例（PA=162，PCA=56）进入训练集，32例进入独立测试集。排除标准包括既往治疗史、显著囊变（>70%）或转移病灶。

CT图像采集

采用GE、Philips、Siemens多排CT，参数统一为120kVp/200mA，层厚1.25mm。对比剂注射速率3.5mL/s，动脉期25-35秒，静脉期50-60秒采集。

影像组学分析

使用ITK-SNAP勾画平扫、动脉期、静脉期三维感兴趣体积（VOI），提取5679个特征。经SMOTE算法平衡样本后，通过LASSO回归筛选特征，构建LightGBM模型。比较单相（model_A）与多相组合模型（model_A+P、model_A+V、model_A+P+V）性能。

临床模型与列线图

整合显著临床因素（肿瘤最大径、平均径、位置、边界等）与最优影像组学特征构建Logistic回归列线图，通过SHAP值解析特征重要性。

结果

关键发现

1. 临床模型表现：训练集AUC 0.869，独立测试集0.746，证实肿瘤大小、边界等传统特征仍有价值。

2. 多期相模型优势：训练集中model_A+P显著优于单相模型（p=0.04），动脉+平扫组合在独立测试集召回率（0.792）和F1值（0.826）最优。

3. 列线图效能：整合临床因素与model_A+P特征的列线图在测试集AUC提升至0.783，决策曲线显示临床净获益显著。

特征解析

小波变换提取的簇阴影度（wavelet_LLH_glcm_ClusterShade_A）贡献度最高，反映肿瘤纹理方向性差异；一阶均值特征提示PCA增强后密度变化更显著。

讨论

本研究突破性地证实：

1. 动脉+平扫双期相即可实现优异鉴别（AUC 0.792），较传统多期方案更符合ALARA原则。

2. 放射组学特征可量化人眼难辨的异质性：PCA表现出更复杂的游程非均匀性（GLRLM特征）和簇状阴影模式。

3. 列线图整合策略将临床经验转化为可量化的预测概率，使基层医院可获得接近专家水平的诊断能力。

局限与展望

样本量限制未涵盖PCA亚型分析，后续需扩大多中心合作。深度学习算法与CT灌注参数的结合可能是未来方向。

结论

基于LightGBM的多期相CT放射组学列线图，通过量化肿瘤异质性特征，为非典型PCA与PA的术前无创鉴别提供了准确率达75%的可靠工具，有望减少30%不必要的侵入性检查。