European Radiology：CT平扫时低脂肾上腺腺瘤的放射组学特征

肾上腺偶发瘤是指在影像学检查中偶然发现的无症状肾上腺肿块。在大多数情况下，肾上腺偶发瘤最常见的为良性非功能性腺瘤，但也可能对应不同的情况，需要充分的临床关注和治疗干预 (例如肾上腺皮质癌、，嗜铬细胞瘤、激素腺瘤或转移瘤)。在过去的几-年中，由于先进的影像诊断技术在日常医疗实践中的迅速发展，临床上观察到肾上腺结节的意外发现率不断增加。

偶发性肾上腺肿块的诊断对放射科医生和临床医生来说都是一个挑战，特别是当最初的影像学特征不明确或无法诊断时。主要的挑战是正确识别罕见的恶性病变(或高功能腺瘤)，同时使绝大多数临床症状不明显的患者免于不必要的进一步检查。

诊断影像学在腹部肿块的分类中是至关重要的，部分病变可以灶计算机断层扫描 (CT)和磁共振成像 (MRI)上明确诊断，而无需进一步检查。放射组学是一门新兴的学科，其基础是从医学影像中提取极小的数据，已被用于多个领域以实现临床决策。

近日，发表在European Radiology杂志上的一篇研究开发了一种用于良性低脂腺瘤分类的放射组学特征，以协助临床医生在临床实践中限制不必要的检查次数。

本项研究将有组织病理学报告和非对比增强CT扫描的患者纳入研究。研究将肾上腺病灶轮廓化后进行放射组学特征提取，并使用最小绝对收缩和选择算子(LASSO)计算主要特征选择和预测性能分数。为了消除冗余，使用Pearson相关系数进一步检查表现最佳的特征，并创建新的预测模型。

本研究纳入了48例患者的50个病变。在基于LASSO的放射组学特征选择之后，测试数据集的30次逻辑回归模型迭代产生了0.72的平均性能。由13个放射组学特征组成的模型在训练阶段的AUC为0.99，在测试阶段的AUC为1.00，表现最佳。在执行Pearson相关以防止过拟合后，特征数量降低到5个。最终的放射性特征训练了许多机器学习分类器，平均AUC为0.93。

 表 纳入最终分析的患者和病变特点

本项研究开发了一种使用非增强CT扫描进行低脂腺瘤分类的放射学特征，潜在地减少了不必要的检查，最终准确率达到93%。

原文出处：

Giacomo Feliciani,Francesco Serra,Enrico Menghi,et al.Radiomics in the characterization of lipid-poor adrenal adenomas at unenhanced CT: time to look beyond usual density metrics.DOI:10.1007/s00330-023-10090-8