原发性腹膜后肿瘤(PRT)是一组多样化的罕见实体肿瘤，发生于腹膜后，但不源于任何内脏。大范围的手术切除一般用于处理恶性肿瘤和提高患者的生存率，而以影像学为重点的连续监测或次全切除则用于处理偶然发现的良性肿瘤。因此，术前准确区分良性和恶性PRT对于确定合适的治疗方法和预测疾病的预后至关重要。

一般通过活检进行病理诊断以确定PRT状态。然而，在大型和复杂的PRT病例中，由于取样错误，图像引导下的活检通常是不确定的或与手术病理结果相冲突。此外，在腹膜后间隙有重要器官梗阻和邻近血管的情况下，活检可能难以进行。因此，需要一种能可靠区分良性和恶性PRT的无创方式以避免不必要的活检，以减少患者的情绪负担。

术前的常规放射学方法，如CT和MRI，对PRT的评估起着至关重要的作用，可以对肿瘤特征进行无创定位和定性。在影像学评估中，多种形态学特征被分析为区分良性和恶性PRT的能力。放射科医生对CT和MRI结果的视觉评估产生了77.2-79.2%的诊断敏感性。以前的一篇文章证明，根据脂肪的存在，将FDG PET-CT的最大标准化摄取值和肿瘤的大小结合起来可以产生较高的敏感性（90.4%）和特异性（95.5%）以区分良性和恶性PRT。然而，高技术要求和高成本限制了其在常规临床实践中的应用。

放射组学的出现扩大了常规医学成像的范围，已被应用于各种疾病的诊断。通过从数字医学图像中提取定量和可挖掘的特征，放射组学为肿瘤学的决策提供了重要的见解。现阶段，放射学已成功区分了唾液腺、软组织和骨骼的良性和恶性肿块。据我们所知，应用放射组学来区分良性和恶性的PRT还没有被探索过。

近日，发表在European Radiology杂志上的一篇研究探讨了放射组学在术前区分良性和恶性PRT方面的诊断性能。

本项研究将来自340名病理证实的PRT患者的图像和数据被随机放入训练集（n = 239）和验证集（n = 101）。两位放射科医生独立分析了所有的CT图像并进行了测量。通过最小绝对收缩率选择，结合四种机器学习分类器（支持向量机、广义线性模型、随机森林和人工神经网络反向传播）确定关键特征以创建放射组学特征。对人口统计学数据和CECT特征进行了分析制定了一个临床-放射学模型，并将独立的临床变量与表现最好的放射组学特征合并形成放射组学列线图。通过接受者操作特征（AUC）下的面积、准确性和决策曲线分析，量化了三种模型的分辨能力和临床价值。 

在训练和验证数据集中，放射组学列线图能够持续区分良性和恶性PRT，AUCs分别为0.923和0.907。决策曲线分析表明，与单独使用放射组学特征和临床放射学模型相比，列线图取得了更高的临床准确性。 

图  在动脉、静脉和延迟阶段的图像上手动进行良性肿瘤的三维划线；b 恶性去分化脂肪肉瘤的三维划线是在动脉、静脉和延迟阶段的图像上手动进行的

本项研究表明，研究所提出的列线图模型对于区分良性和恶性PRT很有价值，还可以协助临床制定治疗计划。

原文出处：

Jun Xu,Jia Guo,Hai-Qiang Yang,et al.Preoperative contrast-enhanced CT-based radiomics nomogram for differentiating benign and malignant primary retroperitoneal tumors.DOI:10.1007/s00330-023-09686-x