European Radiology：传统与新兴MR技术的碰撞-鼻窦肿瘤的无创性鉴别诊断！

鼻腔和副鼻窦的恶性肿瘤十分罕见，占所有恶性肿瘤的1%以下，占头颈部恶性肿瘤的3%左右。该肿瘤组包括小圆细胞恶性肿瘤（SRCMTs）和非SRCMTs。SRCMTs是鼻腔和鼻旁窦的一组特殊的恶性肿瘤，横纹肌肉瘤（RMS）、恶性黑色素瘤（MM）、嗅觉神经母细胞瘤（ONB）、神经内分泌癌（NEC）和淋巴瘤都包括在这一组。非SRCMTs构成了另一组常见的鼻腔和副鼻窦恶性肿瘤，包括鳞状细胞癌（SCC）和腺样囊性癌（ACC）。对这两类肿瘤进行准确的鉴别诊断在临床上十分重要，因为有些肿瘤主要通过放射治疗，而有些肿瘤则只通过化疗来治疗，还有一些则采用保守的药物治疗、局部手术或多模式治疗，这表明不同的肿瘤类型所对应的治疗决策、手术计划和预后是完全不同的。

由于水分子的扩散受限，表观扩散系数（ADC）值随组织的病理和细胞性而变化，因此该技术常被用来进行恶性和良性鼻腔和鼻旁窦肿瘤的鉴别。然而，传统的磁共振成像（MRI）技术在区分SRCMTs和非SRCMTs时有其自身的局限性。在这种情况下，纹理分析（TA）技术通过使用数学定义的特征，可以提供超越人眼所见的丰富信息，因此可以用来定量地描述SRCMT和非SRCMT特征。

作为人工智能的一个分支，机器学习（ML）包括各种算法，可以在不依赖于用户的经验的情况下，通过分析巨大的复杂数据集提高肿瘤学的诊断、治疗和预后评估，更重要的是，ML比其他传统的分析更客观，具有良好的可重复性。据我们所知，还没有使用TA和ML来区分鼻窦SRCMTs和非SRCMTs的研究报道。近日，发表在European Radiology杂志的一项研究通过使用各种最先进的ML算法评估了基于ML的ADC纹理分析在区分SRCMTs和非SRCMTs方面的潜在价值，为无创早期评估肿瘤的良恶性提供了可能。

本研究从每个感兴趣区域（ROI）共提取了267个特征。数据集被随机分成两组，一个训练集（∼70%）和一个测试集（∼30%）。使用皮尔逊相关系数和特征选择分析（方差分析[ANOVA]、递归特征消除[RFE]）进行降维，并使用10个机器学习分类器进行分类。结果用留置交叉验证分析进行了评估。 

本研究使用FeAture Explorer（FAE）软件比较了验证数据集中所有管道的AUC。使用RFE特征选择和高斯过程分类器的管道产生了最高的AUC，有十个特征。当使用 "一标准误差 "规则时，FAE产生了一个更简单的模型，有八个特征，包括Perc.01%、Perc.10%、Perc.90%、Perc.99%、S(1,0) SumAverg、S(5,5) AngScMom、S(5,5) Correlat、和WavEnLH_s-2。训练、验证和测试数据集的AUCs分别达到0.995、0.902和0.710。对于方差分析，带有自动编码器分类器的管道仅使用一个特征Perc.10%就获得了最高的AUC（训练/验证/测试数据集：分别为0.886/0.895/0.809）。使用LRLasso分类器的训练、验证和测试数据集的AUC为0.892、0.886和0.787，其中使用了五个特征（Perc.01%、Perc.10%、S(4,4)Correlat、S(5,0)SumAverg、S(5,0)Contrast）。与RFE和relief相比，ANOVA特征选择的所有算法的结果都比较稳定，AUC值高于0.800。 

图 （a）显示了36岁男性SCC患者的ADC图。（b）显示了相应的ROI，（c）267个特征值部分和（d）直方图。(e)显示了一个44岁患有ONB的男性患者的ADC 图像。(f) 相应的ROI，(g)267个特征值中的一部分和(h)直方图显示。

本研究了结合人工智能和ADC值的放射组学特征证实了SRCMTs和非SRCMTs鉴别诊断的可行性。由于该技术为非侵入性技术，因此其在未来的临床医学应用中具有很大的潜力。

原文出处：

Chen Chen,Yuhui Qin,Haotian Chen,et al.Machine learning to differentiate small round cell malignant tumors and non-small round cell malignant tumors of the nasal and paranasal sinuses using apparent diffusion coefficient values.DOI:10.1007/s00330-021-08465-w