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。