超聲影像特征Logistic回歸模型對腮腺良惡性病變的預測價值*

陳開良， 黃利， 劉玉， 袁振亞， 吳文婷

(1.海南醫學院第一附屬醫院 超聲科， 海南 海口 570102； 2.海南醫學院第一附屬醫院 乳腺胸部腫瘤外科， 海南 海口 570102； 3.海南醫學院第一附屬醫院 病理科， 海南 海口 570102)

腮腺局灶性病變組織病理類型較多，大體分為良性與惡性。正確區分腮腺良惡性病變，對處理十分重要[1-2]。外科手術切除是腮腺病變的主要治療手段， 術前對腮腺良惡性腫瘤的鑒別對臨床治療方案的選擇至關重要。腮腺腫瘤位置表淺，影像學診斷對腮腺腫瘤的定位和定性有較高價值，其中彩色多普勒超聲是診斷腮腺腫瘤的重要手段之一，但對良惡性鑒別診斷的效能還不夠理想[3-4]。文獻報道通過超聲彈性成像和超聲造影鑒別腮腺良、惡性腫瘤有很高的準確率，敏感性和特異性分別為80.0%與 91.8%，84.6%與96.0%[5-6]。然而，超聲造影與彈性成像成本較高或耗時，而且還有相當一部分醫院還未常規開展，因此，常規彩色多普勒超聲影像仍然是基本的檢查方法。本研究擬對腮腺局灶性病變的超聲表現特征進行篩選，建立二分類Logistic回歸模型，探索一種科學的方法用于腮腺病變評估，進一步提高彩色多普勒超聲影像對腮腺良惡性病變的診斷水平。

1 資料與方法

1.1 資料

1.1.1對象 選取2015年1月—2020年11月行超聲檢查發現腮腺結節的患者231例(共231個病灶)，男150例、女81例，年齡8～85歲、平均(48.83±15.54)歲，瘤體長徑0.8～6.4cm、平均(2.67±1.06)cm，瘤體垂直徑0.5～3.9 cm、平均(1.66±0.65)cm。

1.1.2儀器 采用儀器為美國GE公司的 LOGIQ E9、德國SIEMENS公司的 Acuson S2000、中國邁瑞公司DC-8彩色多普勒超聲診斷儀，線陣探頭頻率3～12 MHz、5～12 MHz或6～15 MHz。

1.2 檢查方法

檢查時，患者取仰臥位、頭部偏向健側，將探頭直接接觸皮膚對腺體進行掃查，確定病灶位置后，通過縱、橫、斜多切面觀察并記錄病灶的邊界、形態、內部回聲及其分布、液化、鈣化、后方回聲、血流分級及血流模式。由2名工作10年以上的超聲醫師通過盲法回顧性分析入選患者的超聲影像資料，當意見不一致時，經2人討論達成共識。超聲影像特征診斷認定標準：病灶的邊界分為清晰、不清晰，形態分規則(類圓形或橢圓形)、不規則(成角、分葉或毛刺)；病灶內部回聲參考Kim[7]等主張的回聲進行分級，Ⅰ為極低回聲(低于鄰近頸前肌肉回聲)、Ⅱ為低回聲(高于頸前肌肉但低于腮腺病灶周圍正常腺體回聲)、Ⅲ為等回聲、Ⅳ為高回聲，回聲分布分為均勻、不均勻，將病灶內的強回聲定義為鈣化、病灶內的無回聲定義為液化，后方回聲分增強及非增強(無改變或衰減)；病灶內血流信號參考文獻[8]進行分級(0級為未見血流信號，Ⅰ級為少量、星點狀血流或1支血管，Ⅱ級為較豐富血流、短棒狀或條狀血流2～3支，Ⅲ級為豐富血流、可見4支或以上血管向病灶內延伸、或交織成網)，0～Ⅰ級定為血流信號不豐富、Ⅱ～Ⅲ級定義為血流信號豐富；血流模式參考文獻[9]分為邊緣型、中央型、混合型及缺失型。

1.3 觀察指標

231個病灶按照經病理結果分為良性組和惡性組，比較2組病灶的腮腺腫塊超聲特征(邊界、形態、內部回聲、回聲分布、液化、鈣化、后方回聲、血流分級及血流模式)；用有統計學差異的指標建立Logistic回歸模型，繪制受試者工作特征(ROC)曲線，以ROC曲線下面積(AUC) 評估模型相關指標評價對腮腺病變良惡性預測價值。

1.4 統計學方法

2 結果

2.1 腮腺良惡性病變術后病理分型

231個腮腺局灶性病變術后組織病理結果顯示，良性175個，惡性56個。見表2。

表2 231個腮腺局灶性病變良惡性病理分型

2.2 腮腺病灶的超聲特征

本組56例惡性病變和175例良性病變的邊界、形態、內部回聲、回聲分布、液化、鈣化、后方回聲等指標進行比較，差異均有統計學意義(P<0.05)；兩組的血流分級和血流模式比較，差異無統計學意義(P>0.05)。見表3。兩組腮腺病灶的二維超聲圖見圖1。

表3 兩組腫塊的超聲特征指標比較[n(%)]

2.3 Logistic回歸模型

以差異有統計學意義的自變量(邊界、形態及鈣化)進行二分類Logistic回歸分析結果顯示，幾個變量P<0.05(表4)，進一步構建的回歸模型為Logit(P)=-2.784+1.959X1+1.166X2+1.937X6，P<0.001(表4)。模型中各自變量的OR值從高到低的排列順序：邊界(X1)>鈣化(X6)>形態(X2)。利用該模型對上述231例病灶進行預測，如果回歸值>0.5、預報為腮腺惡性病變，回歸值≤0.5、預報為腮腺良性病變，則模型預測腮腺病變的敏感性為73.9%，特異性為88.1%，準確性為85.3%，陽性預測值為60.7%，陰性預測值為93.1%。

2.4 ROC曲線及AUC

以模型預測腮腺惡性病變的概率值繪制ROC曲線(圖2)，AUC為0.835、標準誤為0.035、95%CI為0.767～0.903 ，P<0.05，提示以邊界、形態和鈣化三項超聲特征建立的Logistic回歸模型對預測腮腺惡性病變具有較高價值。

圖2 對Logistic回歸模型預測腮腺惡性病變的ROC曲線

3 討論

腮腺良惡性病變的治療需要根據具體情況而定。腮腺慢性炎癥病變和良性腫瘤中較小者可以保守治療和觀察，不需要手術，較大者一般將瘤體及部分腺體切除即可；腮腺惡性腫瘤則常需進行根治術[10-12]。雖然腮腺病變位置表淺可以用手觸及，但定性診斷還是困難。目前不主張術前行組織學穿刺活檢術進行腮腺病變診斷[13-15]，影像學評估是必然的選擇。之前研究顯示，彩色多普勒超聲分辨率高、可重復性好、無輻射、無創，對腮腺良惡性病變鑒別診斷有較高價值[16-18]，但也有研究持相反意見，認為腮腺良惡性病變的彩色多普勒超聲表現復雜、多樣，有較多重疊性，鑒別診斷價值有限[19-21]。

本研究通過二元Logistic回歸分析，篩選出邊界、形態及鈣化3個特征自變量，其回歸系數均>1，P<0.05，提示這3個特征變量在鑒別腮腺良惡性病變中最有價值，即邊界不清，形態不規則(成角、分葉或毛刺)及鈣化灶這3項超聲特征，在一個腮腺病變出現越多，則病變惡性可能性越大。本研究中, 以模型預測腮腺惡性病變的概率值繪制ROC曲線，AUC為0.835，95%CI為0.767～0.903，表明使用該模型預測腮腺惡性病變的準確性較高，雖然還不夠理想，但數學模型預測具有方便、快捷，能明顯增加檢查者鑒別腮腺良惡性病變的信心。

本研究通過Logistic回歸模型得出3個超聲特征自變量的OR值，從大到小排列順序為邊界(7.090)>鈣化(6.936)>形態(3.211)，提示邊界不清在診斷腮腺惡性病變的超聲特征中價值最高。此征象可能與大部分的惡性病變的生長方式相關，通常惡性病變呈浸潤性生長，侵犯鄰近正常組織，另外，與絕大部分腮腺良性病變存在包膜不同，腮腺惡性病變絕大多數并無包膜，這才導致瘤體與周圍組織邊界的不清。本研究結果中關于病變邊界的診斷價值與王麗華等[22]研究報道結果一致。

從本研究的單因素分析結果來看，腮腺良性病變中出現鈣化占10.7%(19/176)，多為粗大斑片狀強回聲；而腮腺惡性病變中出現鈣化占51.8%(29/56)，多呈細小點狀強回聲斑。腮腺良、惡性病變鈣化在形狀上的差別，主要原因是前者為一種退化性鈣化，后者則是腫瘤局部存在鈣磷代謝異常的結果[10、15]。本回歸模型各自變量的OR值排列中，顯示診斷腮腺惡性腫瘤鈣化是僅次于邊界的第二敏感因素。本研究結果中關于腫瘤內鈣化的診斷價值與Fenesan等[23]研究報道結果一致。

本回歸模型提示，形態也是鑒別腮腺良、惡性病變的一個重要指標。在單因素分析中，腮腺良性病變中形態多規則，占67.6%(119/176)，呈類圓形或橢圓形；而腮腺惡性病變中形態多不規則，占64.3%(36/56)，呈分葉、成角或毛刺狀。本研究發現與David等[24]報道的認為通過超聲的形態不規則來判斷腮腺病變良惡性有較高的準確性的結果一致。腮腺良、惡性病變在形態上的區別，可能與它們不同的生物學行為有關。腮腺惡性病變，多呈浸潤性生長，分化失衡，侵犯其周圍組織結構，致使其形態不規則；而腮腺良性病變呈膨脹性生長，形態往往規則，多表現為圓形或橢圓形。但王曉榮等[25]等也指出，多形性腺瘤很多時候形態不規則，呈分葉狀，其原因是瘤體內局部密度不均，周圍對其擠壓不均衡造成的。

綜上所述，本研究通過建立二元Logistic回歸模型，得出邊界、形態和鈣化三項超聲表現特征對腮腺病變良惡性診斷有較高價值。當腮腺病變的常規超聲呈現邊界不清，形態不規則及鈣化時，應高度懷疑為惡性。應用腮腺超聲特征Logistic回歸模型分析腮腺病變以提高惡性病變的檢出率具有更好的客觀性和科學性。但本研究的不足之處在于，惡性病變樣本量偏少，研究結果可能會產生偏移。因此，該研究仍需多中心、更大樣本量進一步驗證回歸模型的預報能力和價值。