关键词：
腮腺肿瘤
鉴别诊断
影像组学
深度学习
诊断模型
MRI
摘要：
研究背景:腮腺肿瘤是最常见的涎腺肿瘤,其中良性约占80%,恶性约占20%,具有复杂多样的组织病理学类型。根据2022年世界卫生组织第五版涎腺肿瘤的组织学分类,腮腺良性肿瘤有19种组织学类型,其中最常见的是多形性腺瘤(pleomorphic adenoma,PA)和 Warthin 瘤(Warthin tumor,WT),其次是基底细胞腺瘤(basal cell adenoma,BCA)。恶性肿瘤有22种组织学类型,最常见的是粘液表皮样癌,其次是腺样囊性癌。虽然腮腺肿瘤的主要治疗手段是手术,但不同的组织学类型决定了不同的治疗策略和预后。因此,术前对腮腺肿瘤组织学类型的评估对于临床决策至关重要。目前,医学影像检查尤其是MRI在腮腺肿瘤的术前诊断中应用较为广泛,但传统的影像诊断主要是依靠医生的个人经验,这种方法容易误诊。随着科技的发展,影像组学和深度学习(deep learning,DL)应运而生,它们可以从医学图像中提取出许多定量特征,可重复性较好,能客观准确地判断肿瘤的性质,然而,传统影像组学分析的必要步骤是准确的腮腺肿瘤图像分割,而人工分割费时费力。
目的:为了减轻人工分割腮腺肿瘤的负担、得到稳定客观的分割结果,本研究先构建基于多参数MRI图像和3D nn-UNet的腮腺肿瘤分割模型,然后利用分割结果分别构建基于多参数MRI影像组学和DL的腮腺良恶性肿瘤以及PA、WT和BCA的预测模型,为临床术前决策提供新的思路与方法。
方法:收集2010年1月至2024年1月于南方医科大学第三附属医院、广州市第一人民医院、南方医院及中山大学附属第三医院就诊的192名腮腺肿瘤患者的术前MRI影像资料及临床病理信息。基于多参数MRI图像和3D nnUNet构建腮腺分割模型,并评估模型性能,然后基于分割结果、影像组学及DL分别构建腮腺良恶性肿瘤以及PA、WT和BCA的预测模型,通过受试者工作特征曲线评估各模型的诊断效能。
结果:基于多参数MRI图像和3D nnUNet构建的腮腺肿瘤自动分割模型的5折交叉验证的平均Dice相似系数分别为0.796、0.826、0.777、0.784和0.834。利用验证集评价所构建的临床深度学习影像组学诺莫图区分腮腺良恶性肿瘤的曲线下面积(area under curve,AUC)为 0.897(95%CI:0.805-0.989);利用验证集评价所构建的临床深度学习影像组学模型区分腮腺PA、WT及BCA 的 AUC 为 0.940(95%CI:0.834-1)。
结论:3D nnUNet能够较好的解决腮腺肿瘤MRI图像的分割问题,是减少人力成本及节省分割时间的可行办法。基于临床、DL及影像组学构建的预测模型能较好的区分腮腺良恶性肿瘤及PA、WT和BCA,更加全面地评估腮腺肿瘤整体情况,指导临床诊疗和预后预测。
欢迎来到三峡大学图书馆！
