Abstract
Objectives
建立并验证放射组学列线图，用于术前鉴别无可见脂肪的肾血管平滑肌脂肪瘤（AML.wovf）与均质透明细胞肾细胞癌（hm-ccRCC）。Methods
将99例AML.wovf（n=36）和hm-ccRCC（n=63）患者分为训练集（n=80）和验证集（n=19）。放射组学特征是从皮髓质期和实质期CT图像中提取的。构建放射组学标签（radiomicssignature）并计算放射组学分数（radiomicsscore，Rad-score）。评估人口统计学和CT表现以建立临床因素模型。结合Rad-score和独立的临床因素，构建放射组学列线图。就校准度、区分度和临床实用性评估了列线图的性能。Results
十四个特征被用于建立放射组学标签。放射组学标签在训练集中（AUC[曲线下面积]，0.；95％置信区间[CI]，0.-0.）和验证集中（AUC，0.；95％CI，0.-1.）显示出良好的区分度。放射组学列线图在训练集（AUC，0.；95％CI，0.-0.）和验证集（AUC，0.;95％CI，0.-1.）中显示出良好的区分度和校准度，并显示出更好的区分能力（p＜0.05），与训练集中的临床因素模型（AUC，0.；95％CI，0.-0.）比较。决策曲线分析表明，就临床实用性而言，列线图优于临床因素模型和放射组学标签。Conclusions
基于CT的放射组学列线图是一种融合了Rad-score和临床因素的术前无创预测工具，显示出将AML.wovf与hm-ccRCC区分的良好预测效果，这可能有助于临床医生制定精准治疗。
KeyPoints
传统成像方式很难区分AML.wovf和hm-ccRCC。
结合放射线组学标签、人口统计学和CT检查结果的放射组学列线图有助于AML.wovf与hm-ccRCC的区分，并提高诊断效能。
基于CT的放射组学列线图可以避免AML.wovf不必要的手术。
Keywords血管平滑肌脂肪瘤；透明细胞肾细胞癌；体层摄影术，X线计算机；放射组学
Introduction
肾血管平滑肌脂肪瘤（AML）是从血管周围上皮样细胞（PEC）衍生最常见的间质性肾肿瘤。经典AML由不同比例的血管、平滑肌和脂肪组织组成。AML的影像学诊断取决于肿瘤内检测到肉眼可见脂肪组织。在大约5％的肾AML中，没有足够的脂肪可通过传统的影像学检查方法进行识别。这些AML被视为无可见脂肪AML（AMLs.wovf）。透明细胞肾细胞癌（ccRCC）是最常见的RCC类型，约占RCC的75％。AML.wovf与ccRCC具有许多重叠的影像特征，特别是与均质ccRCC（hm-ccRCC，被认为是没有明显坏死、囊肿或出血的ccRCC）。因此，术前区分良性AML.wovf和恶性ccRCC仍然是放射学诊断的挑战，这经常导致活检或手术以进行确诊。
在以前的研究中，各种影像学指标已用作AML.wovf的诊断特征，包括平扫CT密度、CT直方图分析、CT/MRI增强模式、化学位移MRI参数、T2信号强度比和对比增强超声造影参数。大多数AMLs.wovf表现为非增强CT上高衰减，T2WIMRI上低信号，均匀早期强化和廓清模式，其与丰富的血管和平滑肌有关。但是，大多数研究主要集中在影像特征定性分析上。定量分析可能是提高AML.wovf与ccRCC区别的诊断评估总体准确性的有益方法。
最近，放射组学的进步改进了高通量提取定量统计特征的过程，从而将图像转换为可挖掘的数据，对这些数据的分析有助于更好的临床决策，尤其是在肿瘤患者的护理中。在肾透明细胞癌Fuhrman分级的预测、判别RCC不同亚型、鉴别RCC与良性肾肿瘤、预测RCC患者的生存率等方面已报道了肾肿瘤放射组学的成功应用。然而，这些研究大多基于纹理分析，如今，具有更多统计特征的放射组学被用于提供对肿瘤的更全面描述。
在这项研究中，我们试图开发和验证放射组学列线图，其将结合放射组学标签和临床因素以进行AML.wovf和hm-ccRCC的术前区分。
MaterialsandmethodsPatients
在年1月至年2月之间，通过搜索病理数据库来选择患者，以手术切除的标本诊断为AML或ccRCC的诊断。共有99例AML.wovf（n?=36，10男性和26女性;平均年龄50.08±8.30岁）和hm-ccRCC（n?=63，42名男性和21名女性；平均年龄58.57±11.45岁）,按照以下纳入标准纳入研究：（1）明确病理诊断为AML或ccRCC的患者；（2）患者在手术前不到15天接受了非增强和对比增强CT检查，图像质量令人满意；（3）具有完整临床病理资料的患者。排除标准如下：（1）平扫CT图像上存在肉眼可见的病灶内脂肪的AML患者；（2）ccRCC患者存在明显的坏死、囊肿或出血；（3）患者在手术前接受化疗或放疗。根据TRIPOD（编者注：Transparentreportingofamultivariablepredictionmodelforindividualprognosisordiagnosis，即个体预后或诊断的多变量预测模型的透明报告）声明，用于划分训练和验证集的非随机划分方法（例如，按时间划分）是一种在评估模型性能方面比随机划分方法更强的设计，因为它允许两个数据集之间进行非随机变化。在本研究中，根据手术时间和4:1的比例将患者分配到训练和验证集中，在年1月至年11月之间治疗的80例患者构成训练集，而在年12月至年2月之间治疗的19例患者构成验证集。
包括年龄、性别、身高、体重和体重指数（BMI）在内的临床数据均来自医疗记录。
CTimageacquisition
CT扫描协议在表1中示出。用高压注射器以2.5mL/s的速度将90–mL非离子造影剂（碘普胺，优唯显；拜耳）注入肘静脉。首先获取腹部造影前CT，然后在皮髓质期（CMP，30s）和肾实质相（NP，90s）中进行两次造影后CT扫描。如果怀疑骨盆浸润，则扫描排泄期（EP，5-7分钟）。
Table1CTscanprotocols
CTfeatureevaluation
由两名放射科医师（分别具有5年和8年的腹部影像经验）分析CT图像。两位阅片者对临床病理数据一无所知，他们一致地解释了以下CT特征：轴位CT图像上的最大肿瘤直径；形状（圆形或非圆形）；位置（外生性或非外生性，外生性定义肾实质以外50％）；角界面（存在或不存在，“角界面”被认为是外生性肾脏病变，锥体界面逐渐变细，实质内可定义的顶端）；畸形血管（存在或不存在，“畸形血管”被视为肿瘤内或周围的突出或增大的血管）；以及快速进出增强模式（是否存在，“快进快出增强模式”被认为是在CMP间早期明显的过度增强，而在NP期则对比廓清）。Constructionoftheclinicalfactormodel
使用单因素分析比较两组之间的临床因素（包括临床数据和CT特征）的差异。应用单因素分析的显著变量作为输入，采用多元逻辑回归分析构建临床因素模型。计算每个独立因素的相对危险度比值（OR）和95％置信区间（CI）。Three-dimensionalsegmentationoftumorimagesandradiomicsfeatureextraction
使用ITK-SNAP软件（版本3.8，