影像组学在腮腺肿瘤鉴别中的研究进展

李文鑫，杨慧敏，郭兰田（通信作者）

（1 滨州医学院附属医院放射科 山东 滨州 256603）

（2 滨州医学院医学影像学院 山东 烟台 264003）

腮腺肿瘤约占头颈部肿瘤的3%～6%，其中良性肿瘤约占80%，多形性腺瘤、沃辛瘤（Warthin tumor,WT）常见[1]。多形性腺瘤易恶变及复发[2]，通常采取部分或全部腮腺切除术[3]；沃辛瘤术前诊断明确时应尽量避免手术[4]。而恶性肿瘤的首选腮腺全切除术联合放疗[3]。目前，常用的检查方法包括影像学检查如超声、CT、MRI 和细针穿刺细胞学检查，前者主要通过肿瘤的大小、形态、位置、边缘、密度或信号及强化方式等征象并结合相关临床资料进行诊断，但其影像表现不典型时易误诊[5]；而后者存在肿瘤细胞种植转移以及诱发腮腺炎的风险[6]。因此，术前准确、无创地进行肿瘤分类对治疗方案的选择至关重要。影像组学作为人工智能与医学影像领域交叉融合的产物，最早由Lambin 等[7]提出，能够无创地从医学图像中高通量提取定量数据，这种特征可以体现人眼无法辨认的病灶微观或分子水平上的改变[8]，其思想是源自实体肿瘤的基因、蛋白质、微环境等存在时间和空间上的异质性。而深度学习作为机器学习的一个子集，相较传统影像组学，深度学习神经网络的多层结构能够自动学习更为丰富的影像学特征，有助于提高肿瘤分类性能[9]。

1 基于超声影像组学在腮腺肿瘤鉴别中的应用

超声具有无创、无辐射等优点，但是病变间特征存在重叠且受限于操作者的主观经验，因此需要更客观的方法评价超声图像。文荣等[10]探讨了基于超声图像建立的影像组学模型在多形性腺瘤和沃辛瘤鉴别诊断中的应用价值，结果显示基于局部各向异性梯度方向共生的两个特征构建的模型表现出良好的鉴别效能，其训练集和测试集的AUC 分别为0.91、0.88，但该研究样本量较小，存在一定的偶然性。在良、恶性腮腺肿瘤的分类中，Wang 等[11]纳入251 例腮腺患者的超声图像，构建四种深度学习模型，最终研究表明基于EfficientNetB3 构建的模型表现优于其他3 种模型，曲线下面积（AUC）为0.82。这可能是由于该卷积网络对图像的深度、宽度和分辨率进行扩展，因此相较于其他模型拥有相对更好的精度。但是超声图像是单张图像，难以对病变整体进行分析，因此不可避免地会丢失部分肿瘤信息，存在一定的局限性。

2 基于CT 的影像组学在腮腺肿瘤鉴别中的应用

CT 的密度分辨率高、成像数量多，可以多个层面地显示肿瘤。然而，基于CT 不同期相构建的模型的分类性能存在差异，Chen 等[12]分析了189 例腮腺肿瘤患者的CT 平扫、动脉期及静脉期图像，构建影像组学模型来鉴别多形性腺瘤、沃辛瘤和基底细胞瘤，该研究指出基于静脉期构建的模型对沃辛瘤与基底细胞瘤具有良好的分类能力，其AUC 为0.95；而基于动脉期构建的模型对多形性腺瘤与沃辛瘤、基底细胞瘤的分类性能更优，AUC 为0.89，这与郑韵琳等[13]的研究结果一致。在腮腺良、恶性肿瘤的鉴别中，Yu 等[14]将三种不同特征选择方法与两种分类器进行组合并分别构建模型，结果显示基于动脉期的模型在三个期相中具有最高的预测性能，在测试集中AUC 高达0.924。以上研究说明各期相所携带的特征信息之间存在差异，这可能由肿瘤的组织成分不同所致。王琴等[15]基于CT 平扫图像分别使用三种不同的机器学习算法构建影像组学模型，结果显示以随机森林（random forest, RF）鉴别多形性腺瘤与沃辛瘤的效能最佳，准确率及AUC 分别为83.3%、0.882，该研究说明不同机器学习分类器对腮腺肿瘤的最佳分类效能存在差异，与Lu 等[16]研究结果一致。这主要与肿瘤的类型及分类器本身的算法有关，因此，选择有效且适当的建模分类器对开发稳健的预测模型至关重要。

Feng 等[17]在多形性腺瘤与沃辛瘤的多中心分类研究中，基于动脉期图像构建临床因素（年龄、性别、吸烟）模型与影像组学标签以及两者联合模型，最终结果显示联合模型分类效能最佳，其训练集、验证集和独立测试集AUC 分别为0.979、0.922 和0.903，这与Zheng等[18]的研究结果一致。Xu 等[19]在鉴别腮腺良恶性肿瘤的多中心研究中，建立联合影像学特征（位置、淋巴结）的综合预测模型，在训练集和外部测试集中的准确率分别为85.4%、83.5%，联合模型的分类能力同样优于单独的影像学特征模型及影像组学模型。这说明多中心研究的影像数据增加了样本的数量及多样性，能够提高模型的泛化能力，另外纳入相关的临床及影像资料，能够进一步提高模型的分类能力。但是传统影像组学方法流程比较复杂，工作量大且需要比较丰富的临床经验，不利于进一步推广。

Zhang 等[20]训练了四种基于迁移学习的模型以及一种改进的卷积神经网络（convolutional neural networks,CNN）模型对腮腺良、恶性肿瘤进行分类，结果显示优化的CNN 模型取得了97.78%的准确率并优于其他模型。深度学习虽然能够自动学习更为丰富的影像学特征，但是其算法是抽象且高度假设的，如何得出特定结论目前还缺乏有效的解释。

3 基于MRI 的影像组学在腮腺肿瘤鉴别中的应用

MRI 具有无创、软组织分辨率高等优势，能清楚地显示肿瘤与周围神经、软组织关系。吴艳等[21]基于T2WI 序列图像的最大层面构建影像组学联合模型鉴别多形性腺瘤与沃辛瘤，最终联合模型在训练集及验证集中的AUC 为0.90、0.96，但是单序列、最大截面感兴趣区不能反映肿瘤的全貌，可能会导致部分具有特征性的纹理数据丢失。周宇堃等[22]对肿瘤感兴趣区进行逐层勾画，并基于T1WI、IDEAL-T2WI 及二者联合序列分别构建随机森林及逻辑回归模型鉴别多形性腺瘤与沃辛瘤，最终基于联合序列的随机森林模型的分类性能表现最佳，在验证集中AUC 为0.87，而单序列模型AUC 最高为0.86，这表明多模态影像组学模型可以提高对腮腺肿瘤的鉴别效能，但该研究局限性在于样本量较少，会对模型的适应、优化及评估产生影响。Qi 等[23]对腮腺不同良性肿瘤、良恶性肿瘤之间进行鉴别，研究结果显示多模态影像组学模型联合临床特征后的综合模型分类性能最佳，在良性与恶性肿瘤、多形性腺瘤与恶性肿瘤、沃辛瘤与恶性肿瘤、多形性腺瘤与沃辛瘤的鉴别中其AUC 分别达到0.907、0.961、0.879、0.967，而沃辛瘤与恶性腮腺肿瘤的鉴别效能相对较低，可能是沃辛瘤比多形性腺瘤具有相对更大的组织异质性和血管分布，使其更类似于低度恶性肿瘤有关。

此外，有学者采用深度学习方法对腮腺肿瘤进行鉴别，Gunduz 等[24]基于InceptionResNetv2 构建的TIWI、T2WI、 弥散加权成像（DWI）（b = 0、1 000 s/mm2）及表观弥散系数（ADC）联合后的模型在良性肿瘤、良恶性肿瘤间的鉴别中优于单序列，准确率达到了92.86%。同时，该模型与传统分类器模型相比，深度学习模型在更加便捷的基础上具有与传统分类器模型相近的准确率。总的来说，这些研究目前仍在选定的特征性疾病中进行，未来真正应用于临床中还需要进一步地深入探索。

近年来，瘤周影像组学悄然兴起，除了肿瘤本体携带的疾病信息外，肿瘤外围的区域可能会包含一些重要的疾病信息，其组学特征也可能蕴含着一些重要的疾病特定的关联特征，可以提供肿瘤异质性的补充信息等。在腮腺相关疾病中，Li 等[25]开发和验证了基于多中心CT 图像的瘤内和瘤周多种影像组学模型，以对腮腺多形性腺瘤有无完整包膜进行鉴别诊断，结果显示基于感兴趣区瘤内和瘤周特征的线性判别分析（linear discriminant analysis, LDA）影像组学模型获得了更高分类性能，在测试集中的AUC 为0.869。目前尚未发现瘤周影像组学在腮腺肿瘤鉴别诊断中的相关研究，这为腮腺疾病的分类研究提供了新的方向。

4 挑战与展望

影像组学的出现为肿瘤影像领域的发展提供了新的方向，在面对影像组学带来可喜机遇的同时，也必须正视影像组学在应用中存在的挑战。数据在人工智能中处于核心地位，其数量、质量以及稳定性直接决定了人工智能的应用效果，目前不同中心的影像数据仍缺乏统一的标准。此外，目前的研究以回顾性的单中心研究居多，仍需要前瞻性、多中心、大样本数据研究的验证。深度学习有望在不增加样本量的前提下提升影像组学流程的智能化程度、改善特征提取结果和提升预测模型的效率及准确性，具有较大的优势和临床应用价值。未来，随着计算机算法理论的进一步发展和影像学数据的积累与标准化，通过与基因、蛋白质等组学领域生物标志物的联合，以影像组学和深度学习为代表的人工智能在医学领域有望为腮腺肿瘤的精准分类、治疗策略选择开拓新的研究方向。