据统计，腮腺肿瘤约占唾液腺肿瘤的80%，其中约20%是恶性的。手术切除是腮腺肿瘤的首选治疗方法，但由于组织病理学类型不同，治疗策略和预后也有所不同。目前，超声引导下的核心活检（USCBs）和细针抽吸（FNA）是良性腮腺肿瘤（BPTs）和恶性腮腺肿瘤（MPTs）的重要术前诊断方法，但这两种方法存在面神经损伤和肿瘤细胞沿针道扩散的风险。现阶段，超声造影、计算机断层扫描（CT）和磁共振成像（MRI）已被常规用于定位、分期和诊断腮腺肿瘤。根据一项荟萃分析，这些方法区分良性和恶性唾液腺肿瘤的敏感性值分别为66%、70%和80%。已有报道称，功能性MRI技术可用于评估腮腺肿瘤，如动脉自旋标记（ASL）、酰胺质子转移（APT）和体外不相干运动（IVIM），但不同定量指标识别腮腺肿瘤类型的最佳阈值尚未确定，其临床价值仍有争议。

近年来，机器学习（ML）在医学影像领域受到广泛关注；研究表明，计算机辅助诊断模型对放射科医生的疾病诊断有很大帮助。目前，基于多模态成像的传统机器学习模型以及基于卷积神经网络（CNN）不同架构的深度学习模型已被开发出来，并出现了应用于腮腺肿瘤鉴别诊断的报道。与传统的机器学习相比，深度学习可以自动学习神经网络隐藏层的语义和空间特征，消除了由人类设计的工程特征。一项研究报告称，通过使用改进的深度可分离CNN模型，基于CT图像对BPTs和MPTs进行分类的准确性很高（97.78%）。另一项研究使用经典的CNN模型（ResNet50）在CT图像上识别腮腺多形性腺瘤和MPT，并获得了很好的准确率（90%）。这些研究表明，深度学习模型有潜力协助放射科医生鉴别BPT和MPTs。虽然这些研究取得了令人满意的诊断性能，但由于样本量小和缺乏外部验证，因此应用受到了限制。

近日，发表在European Radiology杂志的一项研究在多中心数据集上开发和验证了基于腮腺肿瘤患者的多中心动脉相位CT图像的深度学习模型，并评估了其与基线模型的性能，同时比较了不同放射科医生在模型辅助下和没有模型辅助下诊断性能的差异。

本项研究回顾性地收集了来自中心1（训练集：n = 269；内部测试集：n = 116）和中心2（外部测试集：n = 188）的573名组织病理学证实的腮腺肿瘤患者的数据。研究构建了六个基于动脉相CT图像的深度学习模型（MobileNet V3、ShuffleNet V2、Inception V3、DenseNet 121、ResNet 50和VGG 19），以及一个整合了临床-放射学特征和手工制作的放射组学特征的基线支持向量机（SVM）模型。比较了有无最佳模型辅助的高级和初级放射科医生的表现，并计算了净重分类指数（NRI）和综合鉴别力改善（IDI）以评估使用最佳模型的临床效益。 

MobileNet V3的预测性能最好，相对于SVM模型，内部和外部测试集的灵敏度分别提高了0.111和0.207（P < 0.05）。在模型的帮助下，初级放射医师的临床效益和整体效率得到了明显的提高；对于内部和外部测试集，AUCs分别提高了0.128和0.102（p < 0.05），敏感性提高了0.194和0.120（p < 0.05），NRIs为0.257和0.205（p < 0.001），IDIs为0.316和0.252（p < 0.001）。 

 图 不同深度学习模型在良性和恶性腮腺肿瘤中的关注区域 CT图像分析

本项研究表明，研究所开发的深度学习模型可以协助放射科医生获得更高的诊断性能，并为腮腺肿瘤患者的临床决策提供更有价值的信息。

原文出处：

Qiang Yu,Youquan Ning,Anran Wang,et al.Deep learning-assisted diagnosis of benign and malignant parotid tumors based on contrast-enhanced CT: a multicenter study.DOI:10.1007/s00330-023-09568-2