临床放射学杂志

作者：刘奇峰, 贺克武, 丁治民, 姚琪, 王亚奇

单位：230061 合肥,安徽医科大学第三附属医院影像中心刘奇峰、贺克武、王亚奇; 241001 芜湖,皖南医学院第一附属医院放射科丁治民、姚 琪

关键词：多形性腺瘤,基底细胞腺瘤,深度学习,影像组学,计算机断层成像

基金：2023年安徽省高等学校科学研究项目(自然科学类)(编号:2023AH040253)

<b>目的</b> 探讨基于CT影像组学及深度学习模型联合临床影像资料区分腮腺多形性腺瘤(PA)和基底细胞腺瘤(BCA)的价值。<b>方法</b> 回顾性搜集经病理证实为PA和BCA的157例患者的临床及影像资料,勾画肿瘤的感兴趣区域并提取影像组学及深度学习特征,使用最小冗余最大相关以及最小绝对收缩和选择算子对特征降维和筛选,并分别计算影像组学评分和深度学习评分。采用单因素及多因素Logistic回归分析筛选独立危险因素,使用Logistic回归分别构建临床、传统组学、深度学习和联合模型,并绘制联合模型列线图。使用受试者工作特征曲线下面积评价模型的效能,DeLong检验比较各模型之间的差异,校准曲线评价模型的拟合度,决策曲线评价模型的临床净收益。<b>结果</b> 最终筛选出12个影像组学特征和14个深度学习特征。多因素Logistic回归分析显示肿瘤最大径、影像组学评分和深度学习评分为独立危险因素。训练集和测试集中,联合模型的曲线下面积最高(分别为0.948、0.981),与临床模型(分别为0.675、0.761)、传统组学模型(分别为0.883、0.872)之间差异均有统计学意义(训练集P值分别为＜0.001、0.026,测试集P值分别为0.007、0.039)。校正曲线和决策曲线显示联合模型的拟合良好且临床净收益最高。<b>结论</b> 基于CT影像组学及深度学习模型联合临床影像资料能较准确地区分PA和BCA,可为临床诊疗提供更多新思路。

来源：2025年第4期

《临床放射学》期刊编辑部

查看临床放射学杂志2025年第4期