本文是由Jinming Gu、Qiang Yu、Quanjiang Li、Juan Peng、Fajin Lv、Beibei Gong和Xiaodi Zhang共同撰写的一篇原创性研究论文，发表于2022年9月23日的《Frontiers in Oncology》期刊上。该研究的主要目标是探索基于MRI影像组学（radiomics）的机器学习模型，结合临床-放射学特征，用于术前区分鼻腔鼻窦内翻性乳头状瘤（sinonasal inverted papilloma, SNIP）和恶性鼻腔鼻窦肿瘤（malignant sinonasal tumor, MST）。研究团队来自重庆医科大学第一附属医院放射科和飞利浦医疗保健临床科学部。

研究背景

鼻腔鼻窦内翻性乳头状瘤（SNIP）是一种常见的良性鼻腔鼻窦肿瘤，尽管组织学上为良性，但其具有局部侵袭性、高复发率和恶性转化的风险。恶性鼻腔鼻窦肿瘤（MST）则通常预后较差，治疗策略与SNIP截然不同。然而，SNIP和MST在临床症状和影像学特征上存在重叠，导致术前诊断困难。传统的影像学诊断方法（如CT和MRI）在区分这两种肿瘤时存在主观性和局限性。因此，开发一种非侵入性且准确的术前诊断方法具有重要意义。

影像组学（radiomics）是一种从医学图像中提取高通量定量特征的技术，能够客观、非侵入性地表征肿瘤的异质性。近年来，基于MRI的影像组学分析在区分鼻腔鼻窦肿瘤方面显示出潜力，但最佳的影像序列和机器学习分类器尚未确定。本研究旨在探索最佳的机器学习模型，并验证其在不同扫描仪上的泛化性能。

研究方法

研究纳入了2015年1月至2021年12月期间在重庆医科大学第一附属医院就诊的247例患者，其中106例为SNIP，141例为MST。数据集根据扫描仪分为训练集（n=135）、测试集1（n=58）和独立测试集2（n=54）。研究首先通过单变量分析筛选出14个临床-放射学特征中具有显著差异的特征，用于构建临床模型。随后，从T2加权成像（T2WI）和对比增强T1加权成像（CE-T1WI）序列中提取影像组学特征，使用四种常用的分类器（逻辑回归LR、支持向量机SVM、决策树DT和K近邻KNN）构建了12种不同的机器学习模型。通过网格搜索和交叉验证优化模型参数，最终确定了最佳影像组学模型，并结合临床-放射学特征构建了组合模型。

研究结果

研究结果显示，年龄、卷曲脑回征（CCP sign）、肿瘤异质性、邻近骨受累和周围组织浸润是区分SNIP和MST的显著临床-放射学特征。在12种机器学习模型中，基于T2WI序列和SVM分类器的模型在测试集1和测试集2上表现出最佳的预测效能，AUC分别为0.878和0.914。组合模型在测试集1和测试集2上的AUC分别为0.912和0.927，显著优于单独的临床模型（p=0.011, 0.005），但与最佳影像组学模型无显著差异（p=0.100, 0.452）。

结论

研究表明，基于T2WI序列和SVM分类器的机器学习模型在区分SNIP和MST方面表现出最佳性能，且结合影像组学特征和临床-放射学特征显著提高了模型的诊断能力。该研究为临床提供了一种非侵入性、可靠的术前诊断工具，有助于制定更精准的治疗策略。

研究亮点

1. 创新性方法：本研究首次系统比较了不同影像序列和机器学习分类器在区分SNIP和MST中的表现，确定了T2WI-SVM模型为最佳选择。
2. 多特征融合：通过结合影像组学特征和临床-放射学特征，显著提升了模型的诊断性能，为临床决策提供了更全面的信息。
3. 泛化性能验证：研究在独立测试集上验证了模型的泛化能力，证明了其在不同扫描仪上的适用性。

研究意义

该研究不仅为鼻腔鼻窦肿瘤的术前诊断提供了新的技术手段，还展示了影像组学在肿瘤异质性分析中的潜力。未来，随着样本量的扩大和多中心研究的开展，影像组学有望在临床实践中发挥更大的作用，推动个性化医疗的发展。