欧洲泌尿外科学会（European Association of Urology, EAU）将最大径≤4 cm的肾细胞癌（renal cell carcinoma, RCC）定义为小肾癌（small RCC, sRCC）。sRCC发病率约占肾癌的28.4%，多为进展缓慢且复发、转移率较低的早期局限性肾癌；患者常无明显临床症状，而在体检中被发现，及早治疗后生存率较高^[1-2]。肾血管平滑肌脂肪瘤（angiomyolipoma, AML）是最常见的肾脏良性肿瘤，主要由血管、平滑肌及脂肪组织组成，当脂肪组织含量＜20%时被称为乏脂肪肾AML（fat-poor renal AML, fp-AML）。由于fp-AML与sRCC具有相似的影像学表现，因此术前鉴别二者较为困难，误诊率为1.7%~22.0%^[3-4]。而术前准确的定性诊断对于临床治疗方案的选择具有重要意义，可以避免不必要的手术。

影像组学可从影像学检查图像中高通量提取人眼无法观测到的特征，对肿瘤的异质性进行更全面的定量分析^[5]。本研究旨在探讨基于多期相MRI影像组学特征联合机器学习模型对sRCC与最大径≤4 cm的fp-AML的鉴别效能。

1 资料与方法 1.1 一般资料

回顾性分析2009年7月至2021年12月于复旦大学附属中山医院诊治并经术后病理证实的114例最大径≤4 cm的肾脏肿瘤患者的MRI图像，其中sRCC 79例（包括肾透明细胞癌40例、乳头状细胞癌21例、嫌色细胞癌18例）及fp-AML 35例。纳入标准：（1）术后病理证实为肾脏单发sRCC或fp-AML；（2）术前均接受T₂WI（T₂）、增强前（UP）与增强后T₁WI[皮髓质期（CMP）、实质期（NP）]扫描；（3）肿瘤最大径≤4 cm；（4）患者于MRI扫描后3个月内接受手术治疗。排除标准：（1）MRI图像上有明显伪影；（2）患者在行MRI检查前接受过肾脏手术或其他治疗；（3）存在以囊性成分为主的肿瘤。本研究通过复旦大学附属中山医院伦理委员会批准（B2020-214R），患者知情同意。

1.2 图像采集

采用德国Siemens Magnetom Aera 1.5T或Magnetom Verio 3.0T MRI扫描仪检查，平扫序列包括脂肪抑制快速自旋回波（turbo spin-echo，TSE）T₂WI、平面回波成像（echo planar imaging，EPI）的扩散加权成像（diffusion weighted imaging，DWI；b为500 s/mm²或800 s/mm²）；化学位移成像采用梯度自旋回波序列；T₁WI平扫及多期增强扫描采用三维容积式内插法屏气检查（3D-volumetric interpolated breath-hold examination, 3D-VIBE）成像。层厚3~5 mm，间距1 mm。对比剂采用钆喷酸葡胺注射液（Gd-DTPA），剂量为0.1 mmol/kg，总量30 mL，经肘静脉以2 mL/s流率注射。分别于对比剂注射后25~30 s、75~90 s、120~180 s行CMP、NP及排泄期扫描。

1.3 MRI图像分析及特征提取

从图像储存与传输系统（PACS）中以DICOM格式导出纳入研究患者术前肾脏MRI图像并进行匿名化处理，将获得的4期MRI图像（T₂、UP、CMP、NP）导入3D-slicer软件（v4.11）。由1名具有2年腹部影像诊断经验的放射科医生沿病灶内侧1~2 mm逐层人工勾画全肿瘤感兴趣区（VOI，图 1），勾画过程中尽量避免将肾脏正常组织画入其中；由1名具有10年腹部影像诊断经验的放射科医师检查勾画结果，最后将获取的VOI图像以NRRD格式保存。使用Python语言软件（v3.7.7）的Pyradiomics软件包分析每例患者的VOI图像，分别提取T₂、UP、CMP、NP期特征，包括7种类型：一阶特征（first order statistics）、形状特征（shape）、灰度共生矩阵（gray level co-occurrence matrix, GLCM）、灰度区域大小矩阵（gray level size zone matrix, GLSZM）、灰度游程矩阵（gray level run length matrix, GLRLM）、邻域灰度差分矩阵（neighbouring gray tone difference matrix, NGTDM）和灰度依赖矩阵（gray level dependence matrix, GLDM）。其中，原始图像特征共104个，经过24种滤波器处理后得到2 496个高维影像组学特征。

1.4 特征筛选与机器学习分类模型建立

采用分层随机抽样法将入组患者以7∶3分为训练集（n＝86）和测试集（n＝28）。训练集数据用来进行特征筛选与模型构建；测试集数据用来验证模型的泛化能力。为了避免MRI影像组学特征值差异较大的影响，在特征筛选之前进行Z-score归一化处理，将特征值转化到标准正态分布范围之内（均值为0，标准差为1）。通过t检验、最大相关最小冗余（maximal relevance and minimal redundancy, mRMR）算法、最小绝对收缩和选择算子方法（the least absolute shrinkage and selection operator, LASSO）进行特征降维，剔除不相关或冗余特征，最终筛选出鉴别sRCC和fp-AML的最优特征子集。将筛选出的特征建立逻辑回归（logistic regression, LR）与支持向量机（support vector machine, SVM）2种机器学习模型。其中SVM分类器核函数为径向基函数，采用十折交叉验证法来寻找SVM的最佳参数C与gamma。通过测试集验证模型效能。

1.5 统计学处理

采用SPSS 26.0软件对患者临床资料进行统计学分析，计数资料以n(%)表示，采用χ²检验或Fisher精确检验比较两组之间的差异。采用R语言软件和Python语言软件（v3.7.7）scikit-learn包（1.0.2）进行特征选择、模型建立，并评估模型效能。采用受试者工作特征（ROC）曲线评价模型分类性能，进行Delong检验。检验水准（α）为0.05。

2 结果 2.1 人口学资料

结果（表 1）显示：sRCC组与fp-AML组患者性别、年龄差异均有统计学意义（P＜0.01）。

2.2 影像组学特征分析T₂、UP、CMP、NP每个期相分别提取2

600个特征，首先采用t检验去除相关性差的特征，再采用mRMR去除冗余特征，剩余20个特征，然后采用十折交叉验证法获得使LASSO模型误差达最小的λ值，并筛选出相关系数不为0的特征（最优子集特征），T₂、UP、CMP、NP、4期相整合分别有4、12、3、11、15个（图 2）。

2.3 影像组学分类模型的构建与评估

分别将T₂、UP、CMP、NP和4期相整合的最优子集特征与LR和SVM联合构建影像组学分类模型，ROC曲线分析结果（图 3、表 2）表明：在测试集中，基于NP或4期相联合LR模型鉴别sRCC与fp-AML的AUC最大，均为0.881。Delong检验显示各影像组学分类模型间的AUC差异无统计学意义。

3 讨论

对于sRCC患者，一般可以进行保留肾单位治疗，即仅切除肿瘤组织而非切除整个肾脏，从而保留患者肾功能，降低急性肾功能衰竭等术后并发症风险，提高患者生存质量和生存率^[6-7]。若不及时进行手术干预，sRCC会持续生长并突破肾包膜，形成静脉癌栓，发生腹膜后转移^[8]。脂肪含量＜20%的AML称为fp-AML。对于最大径≤4 cm且没有明显临床症状的fp-AML患者，可进行保守治疗，避免手术带来的痛苦和经济负担。因此，术前准确的定性诊断对于sRCC与fp-AML患者的临床治疗及预后具有重要意义。

由于最大径≤4 cm的肾脏肿瘤体积较小、生长缓慢，坏死及明显强化少见，CT和MRI图像中缺乏特征性表现，因此术前较难鉴别sRCC和fp-AML，导致fp-AML较高误诊率^[9]。随着人工智能的发展，通过计算机软件高通量提取传统影像图像中的灰度变化、体素关系等影像组学特征，利用高级数据模型算法对这些人眼无法捕捉到的特征进行全面、定量分析，实现了对疾病进行非侵入性、客观、精准定性诊断及预后评估^[10]。

既往一些研究已证实基于CT影像组学机器学习模型鉴别sRCC和fp-AML的可行性。向玲玲等^[9]基于125例患者的CMP、NP、排泄期图像提取VOI影像组学特征，通过迭代特征筛选与LASSO进行特征降维，筛选出19个最具鉴别价值的特征，采用SVM和LR进行建模，建立的6个模型均具有较好的鉴别能力，其中基于CMP构建的SVM模型鉴别效能最佳（训练集AUC＝0.961；测试集AUC＝0.825）。Yang等^[11]基于163例sRCC和fp-AML患者的4期CT平扫和增强图像提取二维ROI影像组学特征，采用8种分类器和28种特征筛选方法建立分类模型，其中基于UP的影像组学模型获得最高的鉴别效能，分类模型“ SVM + T-score ”和“ SVM + relief ”同时获得最高AUC（0.900）。Feng等^[12]基于58例sRCC和fp-AML患者的3期CT增强图像提取纹理特征，并结合SVM分类器构建分类模型，最终获得模型的AUC为0.955。

由于MRI具有较高的软组织分辨力，并且可以进行多参数功能成像，同时不具有辐射性，因此较CT在肾脏肿瘤诊断方面具有更高的价值。目前基于MRI影像组学特征构建分类模型，以鉴别sRCC和fp-AML的研究较少^[13]。Jian等^[14]基于69例RCC和fp-AML患者的T2WI图像提取影像组学特征，采用随机森林分类器建立分类模型，得到的AUC值为0.883。

虽然上述影像组学模型均具有较高的AUC值，但研究样本量较小，且选取肿瘤轴位最大截面勾画二维感兴趣区进行影像组学分析，无法反映肿瘤的全部信息。本研究基于肿瘤的多期相MRI图像提取影像组学特征，且不同于以往研究，对肿瘤进行三维分析，可更全面反映肿瘤整体异质性信息。本研究结果显示：在UP与NP得到的最优子集特征数更多，提示这两期图像中有更多有价值的信息；ROC曲线分析结果表明，所有模型均具有良好的鉴别能力，其中NP与4期相整合影像组学特征联合LR模型的AUC最高，但与其他模型鉴别效能差异无统计学意义，说明各模型性能相当，将多期相特征整合并不一定会提高模型的鉴别效能，与鲍远照等^[15]及Yang等^[11]的结论一致。

本研究存在以下局限性：（1）为单中心回顾性研究，可能存在选择偏移，未来需要更多前瞻性、多中心研究来验证模型的泛化能力；（2）样本量较小，易出现模型过拟合问题，使模型在训练集上的AUC值偏高；（3）样本中各亚型数据欠均衡，可能存在偏倚；（4）人工勾画病灶三维VOI工作量大，且无法保证病灶在每个期相的形状、大小完全一致，需要发展半自动或全自动勾画技术以提高效率与准确度；（5）使用的分类器较少，未来需要更多的分类器来构建模型并进行比较。

综上所述，基于多期相MRI影像组学特征构建的机器学习模型对于鉴别sRCC和fp-AML具有一定的临床价值，可以为术前临床诊断提供参考。此外，MRI其他扫描序列的影像组学特征有待继续挖掘，影像组学特征与肿瘤病理的相关性也有待进一步探讨，以获得更成熟的鉴别模型，提高术前诊断准确性，进而避免过度治疗。

利益冲突：  所有作者声明不存在利益冲突。