【摘要】目的：评估 MRI 手工提取放射组学特征结合深度迁移学习（DTL）特征对鼻腔鼻窦鳞状细胞癌（SCC）、腺样囊性癌（ACC） 和非霍奇金淋巴瘤（NHL）的诊断价值。方法：回顾性分析2016年4月—2022年5月就诊于复旦大学附属眼耳鼻喉科医院的 50 例鼻腔鼻窦 SCC 患者、42 例 NHL 患者和 40 例 ACC 患者的影像资料。将患者按 8∶2 的比例随机分为训练集（105 例）和验证集（27 例）。 从 T2WI、表观扩散系数和对比度增强 T1 加权图像中手工提取特征和 DTL 特征。采用 ResNet50 卷积神经网络（CNN）预训练模型进行 DTL 特征提取。最小绝对收缩和选择算子回归应用于特征选择和放射特征（Radscore）构建。比较 7 种机器学习模型在鼻腔鼻窦 SCC、 ACC 和 NHL 鉴别诊断中的性能。结果：Radscore 包括 24 个手工提取特征和 8 个 DTL 特征。支持向量机（SVM）模型在测试队列中表现 最好，准确率最高（92.6%）。受试者工作特征曲线（ROC）分析表明，SVM 的宏观平均曲线下面积（AUC）和微观平均 AUC 分别为 0.98 和 0.99，诊断 ACC 和非 ACC、NHL 和非 NHL、SCC 和非 SCC 的 AUC 分别为 0.99、0.97 和 1.00。结论：基于多参数 MRI 手工提取和 DTL 特征结合 SVM 机器学习模型可有效鉴别鼻腔鼻窦 SCC、NHL 和 ACC。
【关键词】鼻腔鼻窦；鳞状细胞癌；磁共振成像；放射组学；深度迁移学习