目的探讨弥散加权成像(diffusion weighted imaging,DWI)、动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)多参数鉴别诊断腮腺Warthin瘤与多形性腺瘤的价值。材料与方法回顾性分析病理学证实...目的探讨弥散加权成像(diffusion weighted imaging,DWI)、动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)多参数鉴别诊断腮腺Warthin瘤与多形性腺瘤的价值。材料与方法回顾性分析病理学证实的24例腮腺Warthin瘤患者共32个病灶、24例多形性腺瘤的MRI及临床资料。评估患者一般资料、表观弥散系数值(apparent diffusion coefficient,ADC)、T1初始信号强度值(previous signal intensity,SI_(pre))、增强后最大信号强度值(maximum signal intensity,SI_(max))、增强期末信号强度值(signal intensity of the end of enhancement,SI_(end))、达峰时间(time to peak,TTP)、廓清率(wash-out ratio,WR)及时间信号强度曲线(time intensity curve,TIC)类型。用受试者工作特征(receiver operating characteristic,ROC)曲线分析组间有统计学差异的参数对Warthin瘤与多形性腺瘤的鉴别诊断效能。结果 Warthin瘤发病年龄与多形性腺瘤不同,前者大于后者(t=9.33,P<0.05);男女比例不同,前者以男性为主,后者以女性多见(P<0.05)。Warthin瘤ADC值[(0.634±0.201)×10^(-3)mm^(2)/s]显著低于多形性腺瘤[(1.084±0.453)×10^(-3)mm^(2)/s](t=-5.00,P<0.05)。两者SI_(pre)(t=4.01,P=0.0002)、WR (t=15.10,P<0.0001)、TTP (P<0.05)及TIC类型(P<0.05)差异有统计学意义。以ADC值=0.811×10^(-3)mm^(2)/s为阈值,鉴别Warthin瘤与多形性腺瘤的AUC为0.845 (P<0.05),敏感度为83.3%,特异度为90.63%;TIC类型区分二者的AUC为0.961 (P<0.05),敏感度为95.45%,特异度为100%;ADC值与TIC类型联合区分二者的AUC为0.984(P<0.05),敏感度为100%,特异度为96.88%。结论 DWI、DCE-MRI多参数及联合有助于鉴别Warthin瘤与多形性腺瘤。展开更多
文摘目的:探讨SHAP值在极端梯度提升(Extreme gradient boosting,XGBoost)MRI模型中鉴别腮腺恶性肿瘤(Malignant tumor,MT)与Warthin瘤(Warthin tumor,WT)的价值。方法:回顾分析经手术病理证实的22例22枚MT和38例51枚WT的MRI资料,分析瘤体形态、位置和强化方式,以及T_(1)WI、T_(2)WI、FS-T_(1)WI、FS-T_(2)WI影像征象,经单因素分析筛选有统计学意义的征象,纳入XGBoost模型,使用受试者工作特征曲线下面积(Area under the curve,AUC)、敏感度、特异度评价模型诊断效能。通过可解释机器学习模型(Shapley additive explanations,SHAP)值对模型进行分析,明确各MRI征象在模型中的权重。结果:22枚MT和51枚WT中,持续性强化(P<0.05)、形态不规则(χ^(2)=20.707,P<0.05)、非尾叶(χ^(2)=8.911,P<0.05)、T_(2)WI高信号(χ^(2)=7.581,P<0.05)、FS-T_(1)WI等低信号(P<0.05)、FS-T_(2)WI高信号(χ^(2)=9.016,P<0.05)对鉴别两者有统计学意义,且均更常见于MT中。将6项单因素纳入XGBoost模型分析得出AUC为0.847,敏感度为77.3%,特异度为92.2%;6种MRI征象绝对平均SHAP值为0.21~0.99,其中形态不规则权重最大。结论:形态不规则、T_(2)WI高信号、持续性强化、FS-T_(2)WI高信号、非尾叶、FS-T_(1)WI等低信号对MT和WT鉴别的权重存在差异,对各MRI征象的准确识别,有利于对两者精准诊断。
文摘目的 探讨超声影像组学在腮腺多形性腺瘤与腺淋巴瘤鉴别诊断中的应用价值。方法 选取我院经手术病理证实的133例腮腺多形性腺瘤和99例腺淋巴瘤的超声图像,按7∶3的比例分为训练集162例和验证集70例,其中训练集中腮腺多形性腺瘤101例、腺淋巴瘤61例,验证集中腮腺多形性腺瘤32例、腺淋巴瘤38例。采用ITK-SNAP软件手动勾画训练集肿瘤的感兴趣区,Pyradiomics软件提取二维超声腮腺病灶影像组学定量特征,将提取的特征正则化,采用Spearman相关分析、最大相关最小冗余(mRMR)算法及最小绝对收缩和选择算子(LASSO)回归分析筛选最佳特征。分别采用支持向量机(SVM)、K紧邻(KNN)、决策树(Decision Tree)3种机器学习算法根据筛选的最佳特征构建超声影像组学模型。绘制受试者工作特征(ROC)曲线分析3种模型鉴别训练集及验证集中腮腺多形性腺瘤与腺淋巴瘤的诊断效能。应用决策曲线分析(DCA)评估模型的临床应用价值。结果 训练集中,SVM、KNN、Decision Tree 3种机器学习算法构建的超声影像组学模型鉴别腮腺多形性腺瘤与腺淋巴瘤的AUC分别为0.893、0.825、1.000;验证集中,SVM、KNN、Decision Tree 3种机器学习算法构建的超声影像组学模型鉴别腮腺多形性腺瘤与腺淋巴瘤的AUC分别为0.848、0.721、0.620,其中SVM算法构建的超声影像组模型AUC高于其他两种算法所构建的模型,差异均有统计学意义(均P<0.05)。DCA显示SVM算法构建的超声影像组学模型的临床获益效能最好。结论 超声影像组学在腮腺多形性腺瘤与腺淋巴瘤鉴别诊断中有一定的应用价值;其中以SVM算法构建的超声影像组学模型诊断效能最佳。
文摘目的探讨弥散加权成像(diffusion weighted imaging,DWI)、动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)多参数鉴别诊断腮腺Warthin瘤与多形性腺瘤的价值。材料与方法回顾性分析病理学证实的24例腮腺Warthin瘤患者共32个病灶、24例多形性腺瘤的MRI及临床资料。评估患者一般资料、表观弥散系数值(apparent diffusion coefficient,ADC)、T1初始信号强度值(previous signal intensity,SI_(pre))、增强后最大信号强度值(maximum signal intensity,SI_(max))、增强期末信号强度值(signal intensity of the end of enhancement,SI_(end))、达峰时间(time to peak,TTP)、廓清率(wash-out ratio,WR)及时间信号强度曲线(time intensity curve,TIC)类型。用受试者工作特征(receiver operating characteristic,ROC)曲线分析组间有统计学差异的参数对Warthin瘤与多形性腺瘤的鉴别诊断效能。结果 Warthin瘤发病年龄与多形性腺瘤不同,前者大于后者(t=9.33,P<0.05);男女比例不同,前者以男性为主,后者以女性多见(P<0.05)。Warthin瘤ADC值[(0.634±0.201)×10^(-3)mm^(2)/s]显著低于多形性腺瘤[(1.084±0.453)×10^(-3)mm^(2)/s](t=-5.00,P<0.05)。两者SI_(pre)(t=4.01,P=0.0002)、WR (t=15.10,P<0.0001)、TTP (P<0.05)及TIC类型(P<0.05)差异有统计学意义。以ADC值=0.811×10^(-3)mm^(2)/s为阈值,鉴别Warthin瘤与多形性腺瘤的AUC为0.845 (P<0.05),敏感度为83.3%,特异度为90.63%;TIC类型区分二者的AUC为0.961 (P<0.05),敏感度为95.45%,特异度为100%;ADC值与TIC类型联合区分二者的AUC为0.984(P<0.05),敏感度为100%,特异度为96.88%。结论 DWI、DCE-MRI多参数及联合有助于鉴别Warthin瘤与多形性腺瘤。