眼部附件淋巴瘤（OAL）和特发性眼眶炎（IOI）是两种典型的眼眶淋巴增生性疾病（OLPD）。OAL是最常见的原发性眼眶恶性肿瘤，约占所有非霍奇金淋巴瘤的1-2%，占结外淋巴瘤的8%。IOI也被称为眼眶炎性假瘤，是眼眶炎症的第三大常见疾病，约占所有眼眶肿块的10%。OAL和IOI在临床和影像学表现上有相当大的重叠，但治疗方案和预后却有很大不同。OAL的一线治疗是低剂量放射治疗，而IOI对皮质类固醇治疗敏感。活检的病理诊断是区分OAL和IOI的金标准，但由于其为侵入性检查，因此可能引起许多并发症，如疼痛、出血、感染和肿瘤扩散。

磁共振成像（MRI）为OLPD的非侵入性诊断提供了一种无创选择。一些研究报告了成像结果，其中同质性、T1加权图像（T1WI）和T2加权图像（T2WI）的信号强度、肿瘤边界、"流空征"和增强模式对眼眶疾病的鉴别诊断有一定价值。由体外非相干运动弥散加权成像（IVIM-DWI）得出的弥散和灌注参数进一步提高了不同OLPDs之间的诊断性能。然而，从这些研究结果得到的结论并不完全一致，有时甚至相互矛盾。

放射组学是一种基于图像的计算机辅助诊断技术，可将放射科医生的视觉评估转变为机器对医学图像的高通量定量特征的挖掘，并在多种疾病的诊断、预后和预测中显示出巨大的潜力。迄今为止，包括一阶统计（或强度直方图）、形状特征、纹理特征和基于特征袋（BOF）的特征在内的放射组学特征已被用于区分良性和恶性OLPDs，其结果优于或可与经验丰富的放射科医生的视觉评估相媲美。

此外，大多数放射组学特征是从多个MR序列中提取的，包括T1WI、T2WI和对比度增强的T1WI（T1WI+C）与以及扩散加权成像（DWI），这初步证明了多模态在提高OLPD诊断准确性方面的前景。

深度学习（DL）有能力直接从医学图像中学习有效的表征，并通过端到端学习将特征提取、特征选择和预测模型建立耦合到一个神经网络模型中，从而大大简化了放射组学分析的过程。目前，DL模型在各种基于医学图像的诊断任务中表现出专家级的性能。然而，据我们所知，DL模型的性能在OLPDs的鉴别诊断中还没有被评估过。

近日，发表在European Radiology杂志的一项研究建立了一个用于区分OAL和IOI的结合多模态放射组学和临床及影像学特征的DL模型，并评估了其准确区分良性和恶性OLPDs的诊断性能，为临床无创、快速、准确评估眼眶病变的防线分层提供了技术支持。

本研究将89名经组织病理学证实的OAL（n = 39）和IOI（n = 50）患者分为训练组和验证组。卷积神经网络和多模态融合层被用来从T1加权图像（T1WI）、T2加权图像和增强T1WI中提取多模态放射组学特征，然后将这些多模态放射组学特征与临床和影像学特征相结合，共同用于区分OAL和IOI。曲线下面积（AUC）被用来评估五倍交叉验证下不同特征的DL模型。学生t检验、卡方检验或Fisher精确检验用于不同组别的比较。 

在验证组中，使用组合特征的DL模型的诊断AUC为0.953（95% CI，0.895-1.000），高于使用多模态放射组学特征的DL模型（0.843，95% CI，0.786-0.898，p < 0.01）或仅使用临床和影像特征的DL模型（0.882，95% CI，0.782-0.982，p = 0.13）。建立在多模态放射组学特征上的DL模型优于建立在大多数双模态和单模态上的模型（p < 0.05）。此外，基于眼眶锥体区域（包括眼眶肿块和周围组织）的DL分析优于仅包括肿块区域的感兴趣区域（ROI）的分析，尽管差异并不明显（p = 0.33）。 

图 两个不同的兴趣区，包括眶锥区（包括OLPD肿块和周围组织）和OLPD肿块区

本研究结果表明，本研究所开发的基于DL的结合多模态放射组学和临床及成像特征的诊断模型，可为临床提供一个鉴别OAL和IOI的有效诊断工具。

原文出处：

Xiaoyang Xie,Lijuan Yang,Fengjun Zhao,et al.A deep learning model combining multimodal radiomics, clinical and imaging features for differentiating ocular adnexal lymphoma from idiopathic orbital inflammation.DOI:10.1007/s00330-022-08857-6