杂志：European Radiology （IF=5.315）

目的：术前使用无创影像组学技术预测无功能垂体腺瘤中的静默型促肾上腺皮质激素型腺瘤（SCAs）。

方法：从金垂体数据库中筛选纳入 302 例无功能垂体瘤患者，其中诊断为 SCA 的患者 146 例，非 SCA 的患者 156 例（进一步划分为训练集242例，测试集60例）。采集 T1 加权成像 (T1WI)、T2 加权成像 (T2WI) 和T1对比增强成像 (T1 C+)，并使用 ITK-SNAP 程序手动分割肿瘤。使用 Pyradiomics 程序提取 2550 个放射组学特征。构建几种机器学习算法来预测SCA，纳入的特征包含影像组学特征和语义特征，后者包括临床、实验室和影像报告相关特征。通过 AUC 比较了基于不同算法和特征组合的性能。

结果：SCA 组患者更年轻（49.5 岁 vs 55.2 岁），女性占比更多（85.6% vs 37.2%，p < 0.001）。 SCA 组中的肿瘤更具有侵袭性 (p = 0.011)，并且其囊性和微囊性变化更多 (p < 0.001)。

所有算法中，集成算法的最大 AUC 为 0.927，预测 SCA 的准确性、特异性和敏感性均为 0.867。整合影像组学特征和语义特征的模型比仅使用语义特征的模型表现更好。

集成算法中，影像组学预测值是最重要的特征，性别与年龄分别排名第二与第三。

结论：集成算法模型在区分 SCA 和非 SCA 患者方面优于目前的临床实践，使用无创放射组学结合易于获得的语义特征可能有助于制定适当的治疗策略。

European Radiology 编辑评论：本文中，集成模型采用了超级学习者算法，其结合了几种机器学习算法，任何一个不准确的预测可能被另一种算法使用投票机制所纠正。因此集成模型的预测准确率通常更高，本文中所提出的集成模型取得了非常好的结果，测试队列中的 60 名患者中只有 8 名患者被错误分类。该模型似乎有望用于 SCA 的术前检测，但有待进一步验证，如前瞻性和多中心验证，以评估此类算法在临床使用中的实用性以及对中心变异性（不同的 MRI 扫描以及分割方法）的稳健性。