骶骨肿瘤是罕见的，但骶骨的（骨，软骨，骨髓，脊索残留物，等）的所有部件可以以良性或恶性肿瘤引起。骶骨脊索瘤（SC）和骶骨巨细胞瘤（SGCT）是骶骨最常见的两种原发性肿瘤，分别占所有原发性骶骨肿瘤的约40％和13％。它们具有许多共同的临床和影像学特征，然而，SC和SGCT的治疗方法却截然不同。由于SC复发率高，腰椎肿瘤切除是降低局部复发率的首选方法。SGCT位于上骶骨并代表良性肿瘤;通常进行病灶内刮除术。在SGCT治疗的最大挑战和关键的一点是术中大出血的，因为血供丰富，在这方面往往在操作过程中会导致更多的出血。因此，准确的术前诊断对指导临床方法具有重要意义。
　　 计算机断层扫描（CT）扫描是描绘骶骨肿瘤的成像方法的首选。CT扫描和CT增强（CTE）扫描，特别是具有二维（2D）和三维（3D）重建的薄切片螺旋采集，在显示特殊钙化，骨残留和入侵等骨性细节方面具有优势。椎管。CTE还可以改善对囊性或坏死组织的区分，表现为减少衰减区域，而血管化肿瘤区域显示为比其他区域更亮的增强异质区域。在临床实践中，由于罕见或非特异性症状，SC和SGCT很少在早期诊断，而是在晚期。SC和SGCT的术前识别对于放射科医师来说很困难，因为它们在CT上表现为异质性肿块，伴有坏死，出血，钙化或残留骨。活组织检查是手术前对肿瘤组织学进行分类的最常用方法，但它是侵入性的，仅评估小样本，可能会产生并发症，抽样误差和效率低。
　　 Radiomics是提取的成像特征的高维集用于构建合适的模型用于评估临床诊断，预后和治疗效果的能力，基于表征肿瘤内异质性一个新出现的非侵入性的方法。CT放射组学分析在病变表征，治疗前肿瘤评估和许多肿瘤类型的反应评估方面显示出前景。计算并从整个肿瘤病灶层提取3DCT放射组学特征，并在许多研究中进行了探索。CTE特征可以反映肿瘤的血管和血流，与肿瘤的代谢活动相关。大多数已发表的研究评估了放射组学特征的预测能力;最近只有少数的研究已经表明，radiomics模型的性能可以通过不同功能选择和分类方法受到很大影响。然而，仍然不知道特征选择和分类方法是否影响用于区分骶骨肿瘤的放射组学特征的性能。
　　 本海外医疗网研究的目的是确定基于3DCT和CTE特征的SC和SGCT术前分化的最佳机器学习方法。研究人员研究了三种常用特征选择方法和三种分类方法的九种交叉组合，以区分SC和SGCT，从而提高术前诊断和个性化治疗的准确性。
　　 回顾性分析了2006年1月至2017年10月期间接受病理证实的骶骨肿瘤的143例患者的数据库。所有患者均符合以下入选标准：术前CT和CTE报告中提到骶骨肿瘤;CT和CTE图像完整;病理报告证实SC或SGCT。排除标准：质量差的图像，包括明显的人工制品;没有增强图像的患者。最后，分析了由53个SC和42个SGCT组成的95名患者。
　　 所有CT和CTE图像均来自我院的图片存档和通信系统（PACS）。对于普通CT扫描，使用多排CT（MDCT）系统对每位患者采集图像，具有以下采集参数：120kV，685mAs，256×0.625准直器配置，切片厚度=5毫米，矩阵=320×224毫米，视场（FOV）=350×350毫米。静脉注射1.5ml/kg碘化造影剂和20ml盐水，以2.5ml/s的速率静脉注射70秒后进行CTE自动泵注射器。
　　 研究人员从PACS出口了所有CT，CTE数字成像和医学通信图像，用于肿瘤分割。itk-SNAP软件用于手动分割。所有感兴趣的区域（ROI）均由两名具有10年以上经验的肌肉骨骼放射科医师在每个切片上的CT和CTE图像上手工制作。内部和类间相关系数（ICC）用于评估观察者间和观察者内ROI描绘的再现性。研究人员最初选择30个随机图像进行ROI分割，由两名放射科医师独立完成。为了评估观察者内部的再现性，每个读者在1周后重复相同的手动程序。大于0.75的ICC被认为是良好的一致性。
　　 在目前的研究中，研究人员开发并验证了基于3DCT和CTE的放射学模型作为区分SC和SGCT的新方法，提供了一种以低成本改善骶骨肿瘤决策支持的最佳方法。在选择方法LASSO+分类器GLM的组合中发现了最高性能。此外，从CTE图像中提取的放射组学特征在SC和SGCT的分化方面明显优于CT图像。
　　 为了提高放射学模型的稳定性和分类性能，比较了四种不同的特征选择和分类方法，用于肺癌的CT生存预测。评估了14种特征选择方法和12种分类方法来预测肺癌患者的总体生存，然后选择13种特征选择方法和11种分类方法来预测头颈癌患者的总体生存。然而，这些先前的研究分别比较了不同的特征选择和分类方法;6种特征选择方法和9种分类方法的54种交叉组合，用于预测晚期鼻咽癌的局部和远端衰竭。此外，这些研究主要集中在临床结果的预测上，比较了24种特征选择和三种分类方法来预测肺癌组织学（腺癌和鳞状细胞癌）。与以前的研究不同，研究人员研究了三种特征选择方法和三种分类方法的九种交叉组合，因为它们通常被使用并且在先前的研究中实现了更高的性能。此外，研究人员分别比较了它们基于CT和CTE图像区分SC和SGCT的性能。据研究人员所知，这是第一项使用3DCT特征研究SC和SGCT分化的研究。
　　 综合考虑AUC和ACC，选择方法LASSO+分类器GLM，Relief+GLM和RF+SVM在区分SC和SGCT方面具有相对较高的性能。对于三种特征选择方法的性能，LASSO实现了比RF和Relief更高的AUC和ACC。对于三种分类方法的性能，SVM比GLM和RF表现更好。然而，在三种特征选择方法或三种分类方法中没有发现显着差异。LASSO是一种出色的特征选择方法，它保留了子集选择和岭回归的良好特征。它适用于分析具有相对较小样本量的大型放射性模型特征，并且旨在避免过度拟合。GLM是一种经典的线性分类方法;发现GLM在预测11种分类方法中头颈癌的总体存活率方面具有最高的预后表现。浮雕可以检测的上下文信息的特征之间以及与其中依赖性是现状从而更准确地涉及，但不能检测到冗余特征。通常报告SVM提供更好的分类，因为它使用可用信息获得最佳结果，并且显示出对看不见的数据更好的泛化能力。RF在变量选择和分类中都是一种非常有效的无模型方法，由一组决策树组成。它具有较强的抗噪声和异常值，并能快速地处理高维空间，但是有一个过拟合问题。研究人员的研究结果表明，LASSO+分类GLM在CT和CTE特征上均表现最佳，表明特征选择LASSO+分类GLM是SC和SGCT分化的首选和稳定的机器学习方法。
　　 在本研究中，研究人员使用3DCT和CTE功能构建模型，并在区分SC和SGCT方面取得了很高的性能。研究人员的结果表明，CTE特征可以为SC和SGCT的识别提供比CT特征更有用的信息。
　　 这项研究有一些局限性。首先，图像是在几年的时间内获得的，研究人员所有的成像数据都来自一个中心;需要进行一项大样本量的多中心研究以供进一步研究。其次，研究人员只比较了三种常用的特征选择方法和三种分类方法在区分SC和SGCT方面的表现;研究人员不知道其他机器学习方法的结果。最后，如果研究人员在未来的研究中纳入更多的临床和遗传特征，可以增强该模型。
　　 总之，研究人员的放射学研究确定了SC和SGCT术前分化的最佳机器学习方法，这可以增强放射组学方法在骶骨肿瘤诊断精度中的应用。