摘要
目的： 拟通过一组影像学易误诊的软组织肿瘤（Softtissuetumors，STTs）的病例，利用其T1WI-FS、T2WI-FS、T1WI-FS+C图像建立鉴别其良恶性的MRI纹理分析组学模型，并将此模型的诊断效能与影像专科医师的诊断效能进行比较，旨在探讨基于相同MRI序列建立的MRI纹理分析组学模型对影像学易误诊的STTs良恶性鉴别的诊断价值。 材料与方法： 一、病例资料 通过大连医科大学附属第二医院影像归档和通信系统（PictureArchivingandCommunicationSystem，PACS）查找2017年3月至2020年10月MRI表现符合影像学易误诊STTs定义的软组织肿瘤患者65名，患者的年龄分布为5-85岁，平均年龄为51.31±19.62岁；男性患者34例，女性患者31例。 二、MRI设备与成像技术 采用GEDiscoveryMR750W3.0T（GeneralElectricHealthcare,GE,Milwaukee,USA）、MagnetomVerio3.0T(Siemens,Erlangen,Germany)磁共振检查仪对65名患者进行扫描，获取T1WI-FS、T2WI-FS、T1WI-FS+C序列，线圈根据病变部位进行相应调整。 三、MRI影像指标及影像专科医师阅片诊断 两位影像专科医师对所有病例的MRI（T1WI-FS、T2WI-FS、T1WI-FS+C）资料采用双盲法进行分析，记录相应影像观察指标并进行良恶性分类。影像观察指标包括：肿瘤大小、深度、信号、边界、瘤周改变、有无（假）包膜、邻近骨骼或血管神经是否受累。两位影像专科医师诊断结果不一致者，由第三位资深影像专科医师加入，经过共同讨论后得出一致结果。 四、MRI纹理分析组学模型构建 将65例软组织肿瘤的T1WI-FS、T2WI-FS、T1WI-FS+C序列的原始DICOM图像导入放射组学云平台，分别在上述三个序列上手动分割肿瘤，逐层在肿瘤的二维平面沿病变边缘勾画确定感兴趣区，计算机将多层二维感兴趣区生成三维立体容积感兴趣区（VolumeofInterest，VOI），获取纹理特征值。采用移除低方差特征、单变量特征分析选择及套索法（LASSO）筛选最优纹理特征构建支持向量机（SupportVectorMachine，SVM）和逻辑回归（LogisticRegression，LR）两种常用机器学习分类器模型。 五、统计学方法 采用SPSS26.0进行统计学分析，分类变量用频数表示，首先采用Fisher精确检验或卡方检验，进而运用二分类逻辑回归法进行分析。影像专科医师的诊断效能评估通过绘制ROC曲线并计算ROC曲线下面积（AreaUnderCurve，AUC）、敏感度及特异度实现。MRI纹理分析组学模型的效能评估通过组学平台获取SVM和LR的ROC曲线并计算AUC值，准确度、敏感度、特异度，同时计算精确度，召回率和f1-评分。MRI纹理分析组学模型和影像专科医师的诊断效能优劣性采用Delong检验方法进行评估。 结果： 一、影像学易误诊STTs的MRI表现 二分类逻辑回归分析表明，与易误诊STTs良恶性相关的因素是肿瘤所在深度、信号是否均匀及边界是否清晰（P值均＜0.05）。 二、影像专科医师诊断效能 影像专科医师鉴别影像学易误诊STTs良恶性的诊断准确度为0.52，AUC为0.52，灵敏度为0.56，特异度为0.52。 三、MRI纹理分析组学模型诊断效能 对65例STTs患者的T1WI-FS、T2WI-FS、T1WI-FS+C分别进行纹理分析，各获得1395个纹理特征，用降维获得的最优纹理特征值构建SVM和LR分类器。SVM机器学习分类器的效能略优于LR分类器。Delong检验结果显示基于T1WI-FS、T2WI-FS、T1WI-FS+C及联合序列的SVM四个模型两两之间的AUC差异均无显著性（Pgt;0.05）。 四、影像专科医师与MRI纹理分析组学模型的诊断效能比较 影像专科医师的诊断效能（AUC）为0.52，MRI纹理分析组学模型的最优诊断效能（AUC）为0.85，两者的ROC曲线差异具有显著性（P=0.081），且后者的诊断效能明显优于前者。 结论 通过对65例影像学易误诊的STTs的T1WI-FS、T2WI-FS、T1WI-FS+C序列MR图像进行分析并构建MRI纹理分析组学模型，将其诊断效能与影像专科医师读片的诊断效能比较，可以得出以下结论： 1.基于T1WI-FS、T2WI-FS、T1WI-FS+C三个序列的MRI纹理分析组学模型可以用来鉴别影像学易误诊的软组织肿瘤的良、恶性。 2.与影像专科医师读片诊断效能相比，基于相同序列构建的MRI纹理分析组学模型（SVM）的鉴别诊断效能更高，MRI纹理分析组学模型的诊断效能（AUC）为0.85，影像专科医师的诊断效能（AUC）为0.52。
NETL