文章标题：Multi-feature Fusion Network on Gray Scale Ultrasonography: Effective Differentiation of Adenolymphoma and Pleomorphic Adenoma
中文标题：灰度超声多特征融合网络：腺淋巴瘤和多形性腺瘤的有效鉴别
发表期刊：Acad Radiol
发表时间：20240612
影响因子：3.8/Q1
研究背景
腮腺瘤是最常见的唾液腺肿瘤类型，具有多种组织病理学亚型。良性肿瘤占病例的 80-85%，其中多形性腺瘤 （PA） 和腺淋巴瘤 （AL） 最为普遍。影像组学不仅可以数字化特征并构建相应的分类或预测模型，还可以将模型相关特征与病理生理和组织分化特征相关联。
研究方法
共有来自两个中心的患者 （162 名训练队列，70 名内部验证队列和 55 名外部验证队列） 被纳入组织学证实的 PA 或 AL 患者。将从灰度超声图像中提取的深度迁移学习特征和影像组学特征输入到机器学习分类器中，包括逻辑回归 （LR） 、支持向量机 （SVM）、KNN、RandomForest （RF）、ExtraTrees、XGBoost、LightGBM 和 MLP，分别构建深度迁移学习放射组学 （DTL） 模型和 Rad 模型。通过整合两个特征构建深度学习影像组学 （DLR） 模型，并生成 DLR 特征。将临床特征进一步与特征相结合，开发 DLRN 模型。使用受试者工作特征 （ROC） 曲线分析、校准、决策曲线分析 （DCA） 和 Hosmer-Lemeshow 检验评估这些模型的性能。
研究结果
1.患者信息
招募了 287 例良性腮腺瘤患者：179 例 PA 患者和 118 例 AL 患者。表 1 显示了所有患者的临床特征。两个队列之间的临床特征存在显著差异，包括年龄、最大肿瘤直径 （Max D） 、性别、肿瘤数量和吸烟状况。肿瘤位置的 p 值大于 0.05，因此被认为区分 PA 和 AL 没有统计学意义。
2.影像组学特征
在影像组学分析中，我们提取了 1561 个人工特征，在 LASSO 特征选择后，我们在取系数和平均标准误差 （MSE） 时根据 λ 选择了 11 个非零特征。
3.使用 LASSO 算法的 DLR 特征
在 DLR 模型中，在 LASSO 特征选择后，影像组学特征和迁移学习特征的组合被过滤掉为 14 个非零特征。10 倍验证的系数和平均标准误差 （MSE） 如图所示。特征属性及其权重如图 所示，基于特征相关性构建的相关热，该图表明每个特征之间的协方差很小。
4.队列的 AUC
列线图校准曲线显示，在内部和外部验证队列中区分 PA 和 AL 之间具有良好的一致性。三个队列中 DLRN 的 HL 检验的 p 值分别为 0.188、0.243 和 0.124。这表明 DLRN 非常适合培训、内部和外部验证队列。
文章小结
基于灰度超声构建的 DLRN 模型显著提高了良性唾液腺肿瘤的诊断性能。它可以为临床医生提供一种无创、准确的诊断方法，具有重要的临床意义和价值。与单独使用 Resnet50 相比，多个模型的集成有助于缓解小型数据集上的过度拟合。（对这种思路感兴趣的老师，欢迎联系小编！）
