基于CT 平扫纹理分析预测腮腺多形性腺瘤包膜浸润的初步研究

施久刚，茅枭骁，唐 银，马树声，张 磊（通信作者），卢 亮

（靖江市人民医院影像科 江苏 泰州 214500）

腮腺肿瘤主要以良性肿瘤为主，多形性腺瘤（pleomorphic adenoma，PA）约占70%～80%，具有一定侵袭性、潜在恶变倾向。腮腺PA的手术方式目前主要包括腮腺浅叶（或全叶）切除术、包膜外切除术[1]，前者较后者手术范围广、术后复发率低，但术后并发症发生率高。已有研究发现包膜外浸润是肿瘤术后复发的独立危险因素[2]，因此术前预测肿瘤有无包膜浸润对临床手术方式与预后具有指导意义。传统影像学检查手段难以确定PA 有无包膜浸润。纹理分析技术是影像学上新的后处理方法，能够通过定量分析纹理特征，鉴别肿瘤的良恶性，对肿瘤的预后评估有一定价值[3]。目前已有专家证实CT 纹理分析能够用于区分腮腺良恶性肿瘤[4]，但还没有用于预测腮腺PA包膜浸润的可行性报告。本研究基于CT 平扫图像，探讨纹理分析技术预测PA 包膜浸润的应用价值。

1 资料与方法

1.1 一般资料

选取2016 年1 月—2022 年10 月于靖江市人民医院经手术病理确诊为腮腺PA 的患者49 例，其中包膜浸润组21 例，包括男性7 例，女性14 例，年龄22 ～67 岁，平均（48.71±8.36）岁；包膜未浸润组28 例，包括男性8例，女性20例，年龄27～64岁，平均（45.96±7.89）岁。

纳入标准：（1）于本院手术并有完整的病理资料；（2）术前完成CT 平扫；（3）均签署知情同意书。排除标准：（1）入院检查前已手术过或其他肿瘤病史；（2）存在运动或吞咽伪影。

1.2 方法

1.2.1 图像采集 采用Philips Brilliance iCT 256 层螺旋CT 行腮腺CT 平扫检查。扫描范围包括蝶鞍至锁骨窝平面。扫描参数：管电压120 kV，管电流200 mA，层厚5 mm，矩阵512×512，螺距1.0，重建层厚1 mm。

1.2.2 图像导出及ROI 选择 从PACS 工作站中将横断面最大的层面图像导出，导出图像保存为BPM 格式，导出时确保所有图像窗宽窗位一致。由两名高年资医师分别将图像导入Mazda 软件中，沿病灶边缘勾画感兴趣区（ROI）。见图1。

1.2.3 纹理参数提取及筛选 软件能够提取灰度直方图、绝对梯度、灰度共生矩阵、游程矩阵、自回归模型及小波转换共6 种纹理特征参数，共306 项放射组学特征。采用3 种降维方式进行筛选：Fisher 系数、分类错误概率和平均相关系数（probability of classification error and average correlation coefficients,POE+ACC)、互信息（mutual information,MI）。

1.3 统计学方法

采用SPSS 22.0 统计软件分析数据，符合正态分布的计量资料以均数±标准差（± s）表示，采用t检验；不符合正态分布的运用Mann-WhitneyU检验，以P＜0.05为差异有统计学意义。建立受试者工作特征（receiver operating characteristic，ROC）曲线，比较其诊断效能。

2 结果

2.1 两组腮腺PA 的纹理参数比较

软件自动获得306 项纹理参数，运用Fisher、POE+ACC、MI 分别降维提取纹理特征参数各10 项，结果见表1。其中纹理参数S(0,3)DifVarnc、Vertl_RLNonUni、Horzl_RLNonUni、Horzl_GLevNonU、135dr_RLNonUni、135dr_GLevNonU 在组间差异具有统计学意义（P＜0.05），结果见表2，PA 的包膜浸润组纹理参数值均大于包膜未浸润组。

表1 3 种降维方式筛选出的纹理特征

表2 两组PA 之间有显著差异的纹理特征参数比较（ ± s）

表2 两组PA 之间有显著差异的纹理特征参数比较（ ± s）

组别S(0,3)DifVarnc Vertl_RLNonUni Horzl_RLNonUni包膜浸润组（n=21）1.163±0.718 479.352±215.720 494.690±278.432包膜未浸润组（n=28）0.822±0.308 291.368±201.716 311.346±226.011 t 2.2573.1342.544 P 0.0480.0030.014

表2（续）

表2 两组PA 之间有显著差异的纹理特征参数比较（ ± s）

组别Horzl_GLevNonU 135dr_RLNonUni 135dr_GLevNonU包膜浸润组（n=21）198.022±82.474 928.475±504.123 283.691±126.804包膜未浸润组（n=28）148.943±69.146 553.535±343.475 206.139±98.050 t 2.2643.0972.416 P 0.0280.0030.020

2.2 两组腮腺PA 纹理特征的ROC 曲线分析

选择具有显著差异的纹理特征建立ROC 曲线，评估其预测腮腺PA 包膜浸润的效能，结果见表3 及图2。预测腮腺PA 包膜浸润灵敏度最高的纹理参数是S(0,3)DifVarnc，达85.71%，但其特异度较低，仅为46.43%；特异度最高的纹理参数是Horzl_RLNonUni，达78.57%，其AUC 值、灵敏度分别为0.702、61.90%；AUC 最高的纹理参数是Vertl_RLNonUni，为0.747，当阈值为344.460 时，其相应的灵敏度、特异度分别为76.19%、71.43%，灵敏度与特异度较为均衡，能够有效预测腮腺PA 有无包膜浸润。

表3 两组腮腺PA 间纹理特征的预测效能

图2 两组腮腺多形性腺瘤间最佳纹理参数的ROC 曲线

3 讨论

腮腺PA 虽然是腮腺最常见的良性肿瘤，但具有一定复发及恶变风险。手术是腮腺PA 的主要治疗手段，肿瘤包膜浸润是术后复发的重要危险因素[5]，手术方式的差异主要在切除范围上，因此术前准确预测肿瘤有无包膜浸润对临床手术方式选择及预后评估至关重要。

CT 纹理分析是指利用计算机软件对图像中像素或体素灰度值的局部特征、分布及相互关系进行分析，可以提取、分析和解释定量成像特征的技术[6]。本研究通过3 种降维方式筛选出最佳纹理特征6 个，S(0,3)DifVarnc即差方差，属于灰度共生矩阵参数[7]，反映两个体素间灰度值的变化，其AUC 值较低，特异度仅为46.36%。Vertl_RLNonUni 即垂直方向游程不均匀性，Horzl_RLNonUni 即水平方向游程不均匀性，Horzl_GLevNonU即水平方向灰度不均匀性，135dr_RLNonUni 即135°方向游程不均匀性，135dr_GLevNonU 即135°方向灰度不均匀性，均属于游程矩阵参数，能够计算不同矩阵的像素在规定方向出现的频数，定量分析肿瘤的异质性。许旭茹[8]研究发现基于CT 平扫纹理分析的游程矩阵参数能够预测肝癌的微血管浸润；王铭等[9]研究通过游程矩阵模型的纹理特征能够预测乳腺癌Ki-67 的表达水平。腮腺PA 虽然是良性肿瘤，但当肿瘤包膜外浸润时，肿瘤边缘不清，反映为图像像素在不同游程矩阵方向的差异性，与本研究中包膜浸润组游程矩阵参数值均大于包膜未浸润组相符。

本研究的不足之处：（1）本研究为回顾性分析，纳入病例数较少；（2）没有选择增强扫描，缺乏强化对比；（3）未选择三维图像勾画肿瘤的整体情况。下一步本研究将增加临床信息、影像特征联合组学特征的研究验证。

综上所述，基于CT 平扫图像纹理分析能够反映PA 包膜浸润组与包膜未浸润组的异质性，其中Vertl_RLNonUni 的敏感性与特异性较为平衡，能够提高术前腮腺PA 包膜浸润的预测效能，对指导临床手术方式选择及预后评估有重要作用。