垂体腺瘤是鞍区最常见的肿瘤，占颅内肿瘤的10-20%。根据2017年世界卫生组织（WHO）对垂体瘤的分类，临床上将不出现激素分泌过多症状的垂体腺瘤称为无功能垂体腺瘤（NFPA）。在这些肿瘤中，沉默的皮质腺瘤（SCAs）仅次于沉默的性腺激素腺瘤，占NFPA的20%。与其他类型的NFPA相比，SCA更多表现为肿瘤体积较大，且常伴有海绵窦侵犯。此外，SCA的预后比性腺激素腺瘤差，5年无复发生存率较低。

目前，手术切除是无功能垂体大腺瘤的首选手术方式。鉴于SCA的疾病病程较为凶险，术前识别NFPA中的SCA在临床上至关重要，这有助于医生确定适当的治疗方法和管理策略。影像学检查结果显示，高达85%的皮质大腺瘤在T2加权磁共振成像（MRI）上表现为多个微囊；然而，80%的性腺大腺瘤也有微囊。与NFPA相比，一些SCA更常出现瘤内出血。然而，用于确定SCA的术前MRI特征十分有限的，多数征象有所重叠。

影像组学是一个临床上的新兴领域，通过数据特征化算法提取高通量的定量特征，将影像图像转化为可挖掘的高维数据。对于垂体腺瘤，影像组学在预测肿瘤亚型、海绵窦侵犯和药物反应方面比临床决策更准确。然而，还没有使用影像组学方法预测SCA的研究报道。

近日，发表在European Radiology杂志的一项研究结合MRI影像组学特征和临床风险因素建立了一个影像组学列线图，用于SCA的术前无创性预测。

本研究共有302名患者入选，包括146名被诊断为SCA的患者和156名非SCA的患者（训练集：n = 242；测试集：n = 60）。肿瘤分割是使用ITK-SNAP手动生成的。从T1加权成像（T1WI）、T2加权成像（T2WI）和对比增强T1WI图像中，使用Pyradiomics提取了2550个放射组学特征。计算了皮尔逊相关系数值以排除多余的特征。本研究开发了几种机器学习算法来预测SCA，其中包括放射组学和语义特征，包括临床、实验室和放射学相关的特征。模型的性能是通过AUC来评估的。 

与非SCA组相比，SCA组的患者年龄更低（49.5岁 vs 55.2岁）、女性患者更多（85.6% vs 37.2%）（p < 0.001）。在SCA患者中侵袭性（p = 0.011）以及囊性和微囊性改变（p < 0.001）更多。在测试集训练的所有算法中，集合算法的AUC最大，为0.927，预测SCA的准确性、特异性和敏感性均为0.867（截断值为0.5时）。整体模型的表现优于仅使用临床上的语义特征。放射性组学预测是最重要的特征，性别排名第二，年龄排名第三。在预测SCA方面，T2WI的放射组学特征优于其他MR模式的特征。 

图 特征生成的整体研究设计。(a)收集垂体腺瘤的多模态MRI；(b)人工分割；(c)放射组学特征提取和特征过滤；(d)结合语义特征。

总之，本研究训练并验证了一个集合机器学习模型，利用无创放射组学和容易获得的语义特征来区分SCA和非SCA患者。该模型的表现优于目前的临床实践，这将有助于临床医生为患者制定个性化的治疗策略。

 

原文出处：

Wenting Rui,Nidan Qiao,Yue Wu,et al.Radiomics analysis allows for precise prediction of silent corticotroph adenoma among non-functioning pituitary adenomas.DOI:10.1007/s00330-021-08361-3.