茅枭骁,马树声,卢亮,等.基于增强CT纹理分析联合机器学习鉴别腮腺腺淋巴瘤与混合瘤[J].CT理论与应用研究,2023,32(1):74-80.DOI:10.15953/j.ctta.2022.027.MAOXX,MASS,LUL,etal.EnhancedCTBasedTextureAnalysisandMachineLearningforDifferentiationbetweenAdenolymphomaandMixedTumorsoftheParotidGland[J].CTTheoryandApplications,2023,32(1):74-80.DOI:10.15953/j.ctta.2022.027.(inChinese).基于增强CT纹理分析联合机器学习鉴别腮腺腺淋巴瘤与混合瘤茅枭骁,马树声,卢亮✉,施久刚,张磊靖江市人民医院影像科,江苏靖江214500摘要：目的：探究基于增强CT纹理分析技术联合机器学习在腮腺腺淋巴瘤与混合瘤鉴别中的应用。方法：回顾性分析40例于本院手术并有完整病理资料的腮腺腺淋巴瘤与混合瘤患者，其中腺淋巴瘤组21例，混合瘤组19例。运用Mazda软件在增强CT静脉期图像上手动勾画病灶最大层面ROI区；应用Fisher系数、POE+ACC、MI及三者联合应用（FPM）的方法，筛选出最佳纹理参数，通过ROC曲线评估其诊断效能；最后采用RDA、PCA和LDA、NDA四种机器学习算法进行分类分析，并分析不同算法的诊断效能。结果：纹理特征参数中腺淋巴瘤组的WavEnHH_s-4、GrVariance、45dgr_Fraction低于混合瘤组，WavEnLL_s-4、GrSkewness高于混合瘤组，且均在组间有统计学意义。ROC曲线显示WavEnLL_s-4的敏感性与特异性较为平衡，AUC值、敏感性、特异性分别为0.797、84.2％、76.2％，具有良好诊断效能；RDA、PCA、LDA、NDA算法的误判率范围分别为30.0％～37.5％、30.0％～37.5％、7.5％～37.5％、5.0％～12.5％，其中误判率最低的是FPM联合NDA分类分析法，为5.0％；准确率、敏感性、特异性、阳性预测值、阴性预测值分别为95.0％、95.2％、94.7％、95.2％和94.7％，分类效能最佳。结论：增强CT纹理分析提取的最佳特征参数在腮腺腺淋巴瘤与混合瘤间具有显著差异，FPM联合NDA分类分析法误判率最低，有助于鉴别腮腺腺淋巴瘤与混合瘤。关键词：增强CT；机器学习；纹理分析；腮腺肿瘤DOI:10.15953/j.ctta.2022.027中图分类号：R814文献标识码：A腮腺肿瘤中约80％为良性肿瘤，最常见的为腮腺混合瘤与腺淋巴瘤[1]。腮腺混合瘤虽然是良性肿瘤，但具有潜在恶性的生物学行为，术后局部复发及恶变风险均高于腺淋巴瘤[2]。因此术前精准诊断对临床手术方式与预后具有指导意义，腮腺混合瘤与腺淋巴瘤影像学表现具有一定交叉[3]，常规影像学检查手段对两者之间鉴别困难。CT纹理分析技术是一...
