基于CT影像组学与临床特征构建列线图模型用于腮腺肿瘤组织学分类的研究

这对患者和医生的重要性

当下颌附近出现肿块时，患者和医生都迫切想知道：是良性还是危险？需要何种治疗？对于作为最大唾液腺的腮腺肿瘤，这一答案通常要等到手术或有创针吸活检之后才能得到。本研究探索了：常规CT影像中已有但未被充分利用的信息，结合简单的患者资料，能否在术前把这些肿瘤分类为关键类型，从而帮助制定更合适的手术方案并避免不必要的风险。

外观相似的腺体肿瘤问题

腮腺肿瘤相对少见但临床意义重大。大多数为良性，尤其常见三种类型：多形性腺瘤、沃尔辛瘤和基底细胞腺瘤。较少数为恶性，则需更激进的手术并有时需放疗。不幸的是，许多肿瘤在常规影像上外观相似，且常无特异性症状。医生依赖细针穿刺活检以及对CT或MRI的影像解读，但活检可能不适且有时结果不确定并带有小风险。这就强烈推动了对更好、无创工具的需求，以便在外科介入前区分肿瘤类型。

将CT影像转化为丰富的数据地图

研究者使用了一种称为影像组学的技术，将每例CT扫描视为丰富的数据源而非单纯图片。从两家医院427例患者的增强CT影像中，他们耐心地描绘肿瘤边界，并将图像输入专用软件，提取出千余个数值特征。这些特征描述了人眼难以量化的亮度、纹理与形状模式。为确保不同扫描设备间数据的可比性，团队对图像进行了重采样与归一化，并采用名为ComBat的统计方法来校正多台设备间的特征差异。

分三步构建智能决策模型

研究团队没有一次性尝试区分所有肿瘤类型，而是将问题拆成三个简单决策，类似临床医生的思路。首先：良性还是恶性？第二，在良性肿瘤中，是多形性腺瘤还是其他两类的合并？第三，如果属于后两类之一，是沃尔辛瘤还是基底细胞腺瘤？每一步他们都使用机器学习方法——逻辑回归、支持向量机和梯度提升树——来筛选最有信息量的影像组学特征并构建预测模型。模型表现通过ROC曲线下面积这一诊断学常用指标来评估分辨能力。

将影像模式与常规临床线索结合

影像组学捕捉了细微的影像细节，作者同时也重视基础临床信息的价值。他们评估了症状、肿瘤边界、淋巴结肿大、年龄、肿瘤大小以及CT上的囊样区等特征。通过统计分析，筛选出真正有助于区分肿瘤类别的因素。随后，他们将这些临床预测因子与影像组学“签名”结合为单一的图形工具——列线图。该列线图将复杂的模型输出转换为易用的计分系统，用以估算个体患者每种肿瘤类型的概率。

新工具取得的成果

在三个决策步骤中，组合列线图均优于仅使用临床特征或仅使用影像组学的模型。例如，在区分良性与恶性肿瘤时，整合模型较单纯临床因素显示出更高的整体准确性和更佳的诊断评分。在两类良性肿瘤之间的比较中也出现了类似提升——这类差异肉眼尤其难以察觉。决策曲线分析表明，在广泛的现实决策阈值范围内，该列线图在权衡正确分类收益与误判危害时可带来更高的净临床收益。

对未来的意义

简而言之，研究表明对CT影像的精细分析，配合常规采集的患者信息，能在术前帮助医生更自信地将腮腺肿瘤归类为有临床意义的类型。该工具并不取代活检或专家判断，但可为手术范围的决策提供指导，并帮助识别可避免过度治疗的患者。随着更大规模、多中心研究的开展以及其他影像类型的纳入，此类基于影像组学的列线图有望成为日常诊疗的实用组成部分，为唾液腺肿瘤患者带来更个体化、更少创伤的诊断途径。

引用: Shen, Q., Liu, Y., Xu, F. et al. The study of nomogram model based on CT radiomics and clinical features for histological classification of parotid gland tumors. Sci Rep 16, 11665 (2026). https://doi.org/10.1038/s41598-026-46970-4

关键词: 腮腺肿瘤, CT影像组学, 机器学习诊断, 肿瘤分类, 无创影像学