编辑推荐：
垂体腺瘤（PAs）、颅咽管瘤（CRs）等鞍区常见病变影像特征相似，诊断困难。研究人员开展基于 MRI 影像组学特征的机器学习模型研究。结果显示 XGBoost 模型性能最佳，该研究有望提升鞍区病变诊断准确率。
在医学的神秘领域中，鞍区病变的诊断一直是个棘手的难题。垂体腺瘤（PAs）、颅咽管瘤（CRs）、Rathke 裂囊肿（RCCs）和鞍结节脑膜瘤（TSMs）这些鞍区常见病变，就像一群 “伪装者”，它们在临床上常常表现出相似的症状，给医生的诊断工作带来了极大的挑战。从影像检查来看，传统的磁共振成像（MRI）虽然是诊断的重要工具，但这些病变在 MRI 上的表现极为相似。比如，一些 PAs 会像调皮的 “捣蛋鬼”，侵犯鞍底、海绵窦和鞍上区域，与 TSMs 难以区分；部分 PAs 还含有囊性成分，在 MRI 上信号多变。CRs 和 RCCs 也不 “省心”，由于病变组成和囊内蛋白质水平不同，它们在 MRI 上的信号特征多种多样，这使得医生们在诊断时常常陷入困境。据相关研究报道，高达 50% 的 RCCs 在术前被误诊为 PAs，13.6% 被误诊为 CRs 。而准确诊断这些病变至关重要，因为不同的疾病需要不同的手术方式或治疗方案，错误的诊断可能导致患者接受不恰当的治疗，延误病情。
为了解开这个诊断谜题，扬州大学附属医院和四川大学华西医院等机构的研究人员勇敢地踏上了探索之旅。他们开展了一项基于 MRI 影像组学特征的多分类机器学习模型研究，旨在利用先进的技术手段，找到区分这些病变的 “钥匙”。最终，他们发现基于对比增强 T1 加权 MRI（CE-T1WI）影像组学特征构建的极端梯度提升（XGBoost）模型，在区分鞍区常见病变方面表现卓越，优于支持向量机（SVM）和逻辑回归（LR）模型。这一研究成果发表在《BMC Medical Imaging》上，为鞍区病变的诊断带来了新的希望，有望成为医生们诊断疾病的得力助手，提高诊断的准确性，从而改善患者的治疗效果和预后。
研究人员为开展此项研究，采用了多种关键技术方法。他们收集了 258 例经术后病理证实的鞍区病变患者的术前 MR 图像，这些患者来自四川大学华西医院神经外科。之后，利用 ITK - SNAP 软件手动勾勒出病变的感兴趣区域（ROI），并借助 SimpleITK 软件库和 PyRadiomics 1.2.0 从 MRI 序列图像中提取影像组学特征。在数据处理阶段，运用 SMOTE 算法平衡数据，使用标准软件进行数据归一化。最后，基于 SVM、LR 和 XGBoost 三种机器学习方法构建模型，并采用五折交叉验证评估模型性能。
下面来详细看看研究结果：
- 临床特征分析：对四种鞍区病变患者的临床特征进行分析，发现女性患者中，TSMs、RCCs 和 PAs 的发病率略高于 CRs，但差异不显著。CR 患者的平均年龄比其他三种病变患者小，RCCs 的平均直径最大，但四种病变直径差异也不显著。
- 模型平衡准确率和混淆矩阵评估：通过平衡准确率评估，XGBoost、SVM 和 LR 模型都能利用各 MRI 序列特征区分常见鞍区病变，其中 XGBoost 表现最佳。当使用 CE-T1WI 特征时，XGBoost 模型的平衡准确率达到 0.83，高于 SVM 的 0.77 和 LR 的 0.75。从混淆矩阵结果也能看出，在 T1WI、T2WI 和 CE-T1WI 序列特征下，XGBoost 模型的性能均优于 SVM 和 LR 模型。
- XGBoost 模型性能评估：XGBoost 模型在区分四种常见鞍区病变方面性能良好。使用 CE-T1WI 特征时，其敏感性和特异性与使用其他两种 MRI 序列特征相比，差异有统计学意义。CE-T1WI 的准确率超过 0.90，XGBoost 模型在使用 CE-T1WI 特征时性能最佳。
- 宏观平均 ROC 曲线评估：宏观平均 ROC 曲线用于评估 ML 模型在整个数据集上的性能。结果显示，XGBoost 模型的宏观平均 ROC 曲线在 T1WI、T2WI 和 CE-T1WI 影像特征下均优于 SVM 和 LR 模型。XGBoost 模型基于这三种特征构建的平均 AUC 值分别为 0.852（95% CI：0.816 - 0.889）、0.931（95% CI：0.898 - 0.965）和 0.956（95% CI：0.942 - 0.970），表明其整体性能最佳。
- 特征重要性分析：分析 MR 图像提取的影像组学特征重要性，发现 XGBoost 模型中，original_firstorder_Variance、wavelet - HHL_firstorder_Mean 和 wavelet - HHL_firstorder_Skewness 是区分四种鞍区病变最重要的特征。
- 推理时间分析：该模型平均每例推理时间约 0.1s，效率较高。
在研究结论和讨论部分，研究人员指出，基于 CE-T1WI 影像组学特征的 XGBoost 模型在区分鞍区常见病变方面优于 SVM 和 LR 模型，具有作为辅助诊断决策工具的潜力。然而，该研究也存在一些局限性，如各亚型病例数有限、数据分布不均衡、单中心数据可能存在偏倚以及缺乏外部验证等。尽管如此，这项研究为鞍区病变的诊断开辟了新的道路。未来，研究人员计划开展多中心、多供应商 MRI 数据集的外部验证，纳入自动化或半自动化分割工具提高工作流程效率，并将模型集成到实时临床平台。相信随着研究的不断深入，这些技术将更加成熟，为临床医生提供更准确、更高效的诊断支持，让更多患者受益。
