骶骨肿瘤，包括原发性和转移性肿瘤，是罕见的。骶骨脊索瘤，骶骨巨细胞瘤，和骶骨转移性肿瘤是最常见的三种骶骨肿瘤，约占总肿瘤的大约75％。SC是最常见的原发性骶骨肿瘤，约占40％，其次是SGCT。SMT是最常见的骶骨肿瘤，可能起源于肺癌，乳腺癌，前列腺癌等恶性肿瘤。因此，当在体内其他地方存在没有恶性病史的单个骶骨肿瘤时，SMT和SC/SGCT之间可能存在诊断困境。SGCT通常出现在11-50岁的患者中，并在10-20岁时达到高峰。同时，最常见的SC和SMT偏好年龄超过40岁。对于传统的成像特征，SC的最常见位置低于S3，而SGCT倾向于位于S1-3。但是，SMT没有特色网站。实际上，在临床实践中，这些数据可能会导致错误的诊断结果，因为它们是重叠的。
　　 MRI在骶骨肿瘤的诊断中发挥重要作用，其中T2加权脂肪饱和度（T2wFS）快速恢复快速自旋回波和对比增强T1加权（CET1w）肝脏成像与体积加速-灵活（LAVA-Flex）经常使用序列。T2wFS图像对水组织含量敏感，CET1w可显示肿瘤内的增强区域并区分坏死和实体瘤。与传统的脂肪抑制T1加权图像相比，LAVA-Flex可以提供卓越的图像质量，更少的运动伪影和更均匀的脂肪抑制，如骨骼肿瘤所示。
　　 在海外医疗网临床实践中，SMT，SC和SGCT具有许多共同的成像特征.尽管大多数患者通过活组织检查进行诊断。活组织检查是侵入性的，并且结果可以在很大程度上取决于肿瘤异质性对肿瘤的哪个部分进行取样。
　　 放射组学可以表征肿瘤内异质性，以开发诊断，预测或预后放射学模型，以改善治疗选择。radiomics工作流包含五个步骤;数据选择，医学成像，特征提取，探索性分析和建模。与传统方法相比，放射学是基于先进的模式识别工具进行的，涉及从数字图像中提取大量的定量特征，以确定这些特征与潜在的病理生理学之间的关系，这已广泛应用于许多领域，尤其是在癌症。大多数研究侧重于区分两种肿瘤，很少进行三重分类。建立用于SC，SGCT和SMT鉴别的三分类放射学模型是非常重要的，因为它们占骶骨肿瘤的大约四分之三并且具有许多共同的成像特征。
　　 本研究的目的是开发和验证一种新的三重分类基于MRI的放射学模型，用于SC，SGCT和SMT的术前分化，这可以帮助医生精确地进行术前诊断和选择个性化治疗。
　　 本研究经本院伦理委员会批准，放弃了患者的知情同意。共分析了2006年1月至2017年10月期间收治的骶骨肿瘤和影像学检查的167例患者。ITK-SNAP软件用于手动分割。感兴趣区域被分别谁了5年，20年的经验，二肌肉骨骼放射科医师（NM和NH）概述了对肿瘤的每一片都T2加权FS和CET1W图像。使用帧内和类间相关系数（ICC）确定ROI描绘的观察者间和观察者内的再现性。研究人员最初选择40个随机图像进行ROI分割。为了评估观察者内部的再现性，每个读者在1周的时间内重复相同的手动程序两次。ICC大于0.75被认为是良好的协议。ROI覆盖整个肿瘤并排除周围可见的水肿。然后，探索了T2wFS和CET1w数字成像和通信医学图像的特征选择。
　　 为了减少研究人员的放射学模型中的过度拟合或选择偏差，使用方差分析（ANOVA）和最小绝对收缩选择算子（LASSO）回归来探索与组织病理学最佳相关的信息特征;定义Pearson相关性以减少特征的冗余，其中去除了具有高相关性的特征;随机森林（RF）用于根据特征对分类器的重要性对特征进行排序，这有助于研究人员选择最重要的特征。最后，研究了10个最重要的特征，在RF的基础上构建了放射模型。λ是LASSO回归的正则化参数，研究人员选择了交叉验证误差最小的λ（λ=0.01）。选择一些非零系数并相对于log（λ）绘图。RF建模的过程固有地使用自举来训练森林的多个决策树。为每个自举样本训练一个不同的决策树，并且由这些不同的决策树构建RF。RF方法有两个关键参数，mtry是在每个分割中尝试的预测变量的数量，ntree是生长的树的数量。在这项研究中，ntree=1000，mtry=10RF由这些不同的决策树构成。RF方法有两个关键参数，mtry是在每个分割中尝试的预测变量的数量，ntree是生长的树的数量。在这项研究中，ntree=1000，mtry=10RF由这些不同的决策树构成。RF方法有两个关键参数，mtry是在每个分割中尝试的预测变量的数量，ntree是生长的树的数量。在这项研究中，ntree=1000，mtry=10。
　　 总共分析了120名符合条件的骶骨肿瘤患者（平均年龄50.9岁;SD为15.8岁;年龄范围为15-81岁），其中包括63名男性和57名女性。在年龄，性别，肿瘤位置，肿瘤大小和组织学方面，训练和验证集之间没有发现显着差异（P?>0.05）。在转移性肿瘤的情况下，分别来自乳腺的5个转移，来自前列腺的6个转移，来自肺的4个转移，来自肾的3个转移，来自甲状腺的7个转移，来自子宫的4个转移，4个来自直肠，2个来自肝脏，1个来自黑素瘤。
　　 基于多参数MRI的放射免疫学模型，作为区分SC，SGCT和SMT的新方法，可以帮助医生精确地进行术前诊断和选择个性化治疗。该模型提供了在未来的工作中识别三种或更多种不同骶骨肿瘤的想法。从关节T2wFS和CET1w图像中提取的放射组学特征优于仅来自T2wFS或CET1w图像的放射组织特征。
　　 在临床实践中，放射科医师通常在病理诊断之前通过诸如年龄，性别，肿瘤大小，病变位置等综合信息来估计骶骨肿瘤类型。但是，这些数据可能会导致错误的诊断结果，因为它们可能会重叠。年龄被认为是区分SC，SGCT和SMT的重要指标。当在性别，肿瘤位置和这三种肿瘤的肿瘤大小方面进行比较时，未发现显着差异。这些结果表明，过度依赖这些传统数据可能会导致错误的结果。此外，当通过组合这些临床和成像数据建立模型时，发现比放射模型模型更低的AUC值和准确度。
　　 Radiomics是定量成像领域的一个新兴领域，它使用先进的成像功能来区分不同的肿瘤表型。的特征可以从不同的肿瘤，因为肿瘤的形态和生物学行为来显著变化。研究人员使用LASSO从T2wFS和CET1w图像中选择特征。LASSO旨在避免过度拟合，适用于分析具有相对较小样本量的大型放射组学特征。RF最早在1995年提出了通过何，并已被广泛地应用于机器学习用于具有高准确度和低的过拟合其优点multiclassification。在变量选择和分类中，它是一种相对有效的无模型方法。将不同的机器学习分类器用于晚期鼻咽癌的预后生物标志物。这些研究人员发现，选择方法RF+分类器RF的组合具有最高的性能和最低的测试误差。RF用于选择特征和构建模型，从而在区分SC，SGCT和SMT方面取得了很高的性能。评估了精神分裂症，双相情感障碍和健康控制患者的三级分类的判别力。他们比较了不同的机器学习方法，实现了多类别分类的平均准确度为0.51，低于研究人员的模型。
　　 分割是影响放射模型模型准确性的重要因素。之前的一些研究使用自动或半自动分割方法，因为手动分割是耗时的并且易受观察者间变异的影响。尽管如此，由有经验的放射科医师的肿瘤的手动圈定是标准临床常规，这已经在许多radiomics研究得到了应用。MRI具有更好的软组织分辨率，允许肿瘤边界比CT或PET/CT更精确地描绘。鉴于这个原因，研究人员手工制作了切片上的所有肿瘤切片，并获得了令人满意的观察者间和观察者内的重复性。结果表明，三维MRI特征可以识别SC，SGCT和SMT，适用于临床实践，分类精度高。
　　 MRI在诊断骶骨肿瘤中起重要作用。T2wFS图像对水组织含量敏感，可用于估计细胞密度。LAVA-Flex是一种3D快速破坏梯度回波成像技术，可在一次采集中获取纯水，仅脂肪，同相和异相回波，而无需增加扫描时间。发现LAVA-FLEX可以描绘骨转移具有高敏感性和特异性，提高图像质量和减少伪像。考虑到这些益处，CET1wLAVA-Flex可以产生盆腔肿瘤的高质量成像，例如显示肿瘤内的增强区域并区分坏死和实体瘤。从关节T2wFS和CET1w图像中提取的放射组学特征优于单独的T2wFS或CET1w图像，这与先前研究的结果一致。
　　 Quantile0.975和SurfaceVolumeRatio分别是从T2wFS和CET1w图像中提取的两个最重要的特征。Quantile0.975反映直方图分析的百分位数，其倾向于最大强度值。SurfaceVolumeRatio是表面积与体积的比率，它显示肿瘤外部大小与内部量之间的关系。高值对应于肿瘤的粗糙结合和细长形状。此外，源自T2wFS图像的特征在训练集和验证集中产生的AUC值高于从CET1w图像得到的AUC值。基于T2wFS图像构建的放射模型可以为在临床实践中不能进行MRI增强的患者提供良好的预测值，例如对造影剂过敏的患者。
　　 但是，研究人员的研究有一些局限性。首先，研究人员所有的成像数据都来自一个中心。因此，在进一步研究中需要进行具有大样本量的多中心研究。其次，在转移性肿瘤的情况下，考虑到由于样本量小而导致的形态差异，研究人员没有分析肿瘤亚型。第三，研究人员开发了基于多参数MRI的放射免疫学模型，以区分SC，SGCT和SMT，从而为将来鉴定三种或更多种不同的肿瘤提供了可能性。研究人员将在进一步研究中添加比本研究中使用的更多的肿瘤数据，以提高研究人员模型的精确度和临床价值。
　　 总之，研究人员开发并验证了第一个基于多参数MRI的放射免疫学模型，以区分SC，SGCT和SMT，从而为将来识别三种或更多种不同的肿瘤提供了可能性。此外，从T2wFS提取的放射组学特征优于CET1w图像，并且T2wFS和CET1w图像的组合优于仅来自T2wFS或CET1w图像的图像。