使用多期计算机断层扫描的可解释机器学习框架鉴别肾上腺乏脂性腺瘤与嗜铬细胞瘤

《Frontiers in Artificial Intelligence》：An interpretable machine learning framework using multi-phase computed tomography for differentiation of adrenal lipid-poor adenomas and pheochromocytomas

　　

目的：开发并验证一个可解释的机器学习（ML）框架，利用源自多期增强计算机断层扫描（CECT）的影像组学特征，鉴别肾上腺乏脂性腺瘤（LPAs）与嗜铬细胞瘤（PHEOs）。

方法：这项回顾性研究纳入了229例经病理确诊的肾上腺肿瘤患者（132例LPAs，97例PHEOs）。根据既定标准，将病灶分为廓清组（绝对百分比廓清[APW]?>?60%）和非廓清组（APW?≤?60%）。研究人员使用一组预定义的临床相关CT特征训练了决策树（DT）、支持向量机（SVM）和逻辑回归（LR）模型。进一步剖析了本身具有可解释性的DT模型，以揭示关键的判别特征及其底层决策逻辑。使用曲线下面积（AUC）及95%置信区间评估模型性能。

结果：DT模型取得了优异的诊断性能，在廓清组的AUC为0.977（95% CI: 0.934–1.000），非廓清组为0.983（95% CI: 0.962–1.000）。特征重要性分析确定囊性变为最具影响力的判别因子，其次是增强潜力（EP）和基线衰减（CT_u）。DT的层次化决策规则提供了清晰且临床透明的路径。

结论：该可解释的ML框架能够准确区分LPAs与PHEOs。DT模型在高诊断准确性与固有可解释性之间达到了最佳平衡，为处理不确定的肾上腺病变提供了一种实用工具，可增强临床信心。

使用多期CT的可解释机器学习框架鉴别肾上腺乏脂性腺瘤与嗜铬细胞瘤——一项回顾性研究解读

肾上腺偶发瘤（AIs）在横断面影像中的检出率不断增加，尸检研究显示其患病率高达8.7%。这些意外发现的病变中，多数为无功能腺瘤（80%），其余包括亚临床库欣综合征（5.0%）、嗜铬细胞瘤（PHEOs，5.0%）、醛固酮分泌腺瘤（1%）、肾上腺皮质癌（<5.0%）和转移瘤（2.5%）。当前临床指南推荐，平扫计算机断层扫描（CT）衰减值≤10 Hounsfield Units（HU）的肾上腺偶发瘤通常无需进一步影像评估。几乎所有PHEOs平扫CT值均远高于10 HU，且在增强图像上呈高密度。因此，乏脂性腺瘤（LPAs，衰减>10 HU）与PHEOs的临床管理策略截然不同，准确的无创鉴别至关重要。然而，近期研究证实，相当一部分PHEOs的廓清特征与腺瘤重叠，传统CT鉴别方法面临挑战。机器学习（ML）在医学图像分析中展现出显著潜力，但既往研究多基于平扫或单期CT特征，未能充分利用多期增强CT所捕获的动态增强信息。此外，许多ML模型缺乏可解释性，阻碍了临床采用。为弥补上述空白，研究人员开发了一个基于多期增强计算机断层扫描（CECT）特征的可解释ML框架，旨在鉴别LPAs与PHEOs，并提高诊断决策的透明度。该研究发表于《Frontiers in Artificial Intelligence》。

研究人员回顾性纳入了2013年1月至2023年8月来自浙江省同德医院病理数据库的229例经病理确诊肾上腺肿瘤患者（132例LPAs，97例PHEOs）。根据绝对百分比廓清（APW）阈值60%，将病灶分为廓清组（APW?>?60%，n?=?60）和非廓清组（APW?≤?60%，n?=?169）。两名具有12年和15年经验的腹部放射科医生在不知病理诊断的情况下独立评估CT图像，测量了平扫、动脉期和静脉期衰减值，并记录形态特征（长径、短径、长径/短径比、位置）、增强参数（动脉期增强程度DE_AP、门静脉期增强程度DE_VP、增强潜力EP、APW、RPW）以及定性特征（囊性变、钙化、出血、瘤内血管等）。使用预定义的临床相关CT特征训练了决策树（DT）、支持向量机（SVM）和逻辑回归（LR）模型，采用分层5折交叉验证（70/30训练测试分割）评估性能，并计算曲线下面积（AUC）及95%置信区间。对本身就具可解释性的DT模型进行了进一步剖析，通过Gini重要性和分类与回归树（CART）分析提取特征重要性和决策规则。

患者特征与模型性能：通过比较LPAs与PHEOs的人口统计学和CT定量特征，发现两组在年龄、大小、衰减值、性别、形态、囊性变和瘤内血管等方面存在显著差异。在廓清组和非廓清组中，DT模型均取得了最高的AUC值：廓清组DT的AUC为0.977（95% CI: 0.934–1.000），准确率0.978，高于SVM（AUC 0.926，准确率0.870）和LR（AUC 0.915，准确率0.848）；非廓清组DT的AUC为0.983（95% CI: 0.962–1.000），准确率0.985，高于SVM（AUC 0.961，准确率0.927）和LR（AUC 0.968，准确率0.920）。尽管DT在数值上优于其他模型，但DeLong检验显示，在两组内三种模型之间的AUC差异均无统计学意义（p?>?0.05）。定性特征方面，PHEOs中的囊性变和瘤内血管出现频率显著高于LPAs，例如非廓清组中PHEOs囊性变占75.0%，而LPAs仅5.0%。

决策树的解释与特征重要性：通过比较廓清组和非廓清组的特征重要性得分，研究发现囊性变在非廓清组中具有最高的判别权重（Gini重要性为0.66），而在廓清组为0.36；EP和动脉期衰减（CT_a）在廓清组中更为重要（EP: 0.32，CT_a: 0.21），而在非廓清组中两者均为0.07；平扫衰减（CT_u）在非廓清组中的作用略大（0.16 vs 0.11）。基于这些模式，研究人员分别为两个组构建了临床评分系统：非廓清组评分纳入CT_u、CT_a、EP和囊性变，总分0–240；廓清组评分更侧重CT_a和EP，总分0–220。累积分值对应PHEO的预测概率，便于风险分层管理。DT结构显示，非廓清组以囊性变的存在作为根节点，无囊性变的病灶进一步通过CT_u阈值（≤18.8 HU强烈提示LPA）和CT_a进行分层；廓清组则以EP作为首要分割，结合囊性变和CT_a阈值进一步细化分类。

讨论部分指出，传统CT廓清标准对PHEO的诊断特异性有限，既往系统综述报告其汇总特异性仅67%，且约35%的PHEO符合腺瘤廓清标准。本研究DT模型的特异性超过0.95，提示多参数整合优于单一阈值规则。与其他ML研究相比，该模型使用临床熟悉的CT参数而非抽象影像组学特征，提供了透明、可验证的决策路径。新参数EP将最大强化程度归一化至基线衰减，反映肿瘤的血流动力学差异：LPA因基线衰减较低而呈现较高的相对增强比，而PHEO尽管绝对增强明显，但由于坏死、囊性变和血管异质性，其归一化EP反而较低。研究局限性包括回顾性单中心设计、缺乏外部验证、样本量尤其是廓清组相对较小、缺乏系统性生化数据（如血浆游离甲氧基肾上腺素）以及延迟期CT数据。尽管如此，无延迟期数据时模型仍达到高准确度，提示在ML框架下延迟期采集可能并非必需。结论部分可翻译为：准确区分LPAs与PHEOs对于指导适当的临床管理至关重要。该研究表明，基于多期CECT特征的可解释ML框架能够达到较高的诊断准确性。DT模型尤其实现了性能与可解释性的最佳结合。通过综合动态增强模式与基线形态学和衰减特征，并提供与临床推理一致的透明决策规则，该方法解决了传统CT解读的关键局限性，为鉴别这些具有挑战性的肾上腺肿瘤提供了临床可操作且值得信赖的工具。