0 引言

       唾液腺肿瘤（salivary gland tumors, SGTs）是口腔颌面部常见的肿瘤之一，占头颈部肿瘤的3%~10%^[1]。其病理类型复杂多样，以多形性腺瘤（pleomorphic adenoma, PA）和腺淋巴瘤（Warthin tumor, WT）最为常见^{[2, 3]}。不同亚型治疗策略差异显著：PA多存在恶变和复发的风险^{[3, 4]}，常需腮腺切除或包膜外剥离^[5]；WT则多行保留功能的局部切除^[6]；而唾液腺恶性肿瘤（malignant tumor, MT）则需根治性切除并常辅以放疗^{[7, 8, 9]}。因此，术前准确鉴别各亚型对临床决策至关重要。

       MRI是SGTs重要的术前影像学手段。常规序列[T1加权成像（T1-weighted imaging, T1WI）、T2加权成像（T2-weighted imaging, T2WI）、扩散加权成像（diffusion-weighted imaging, DWI）]虽能提供肿瘤大小、位置及内部成分的信息，但往往缺乏足够的诊断特异性^[10]。定量MRI技术，如T1弛豫时间定量成像（T1 mapping）、T2弛豫时间定量成像（T2 mapping）和扩散峰度成像（diffusion kurtosis imaging, DKI），已在肿瘤特征分析中展现出潜力^{[11, 12, 13]}。T1 mapping值通过量化纵向弛豫时间，反映受大分子和顺磁性物质影响的组织微环境^{[14, 15]}。T2 mapping值通过量化横向弛豫时间，主要反映组织含水量^[14]。DKI通过非高斯扩散模型提供平均扩散峰度（mean kurtosis, MK）和平均扩散率（mean diffusivity, MD），更敏感地反映微结构复杂性^{[16, 17]}。

       近年来，部分学者已初步探索了上述定量技术在SGTs中的个体应用价值。WEN等分别报道T1 mapping^[18]与T2 mapping^[19]可有效反映腮腺常见肿瘤的组织成分差异；YU等^[20]则发现DKI参数（MK、MD）在区分唾液腺良性与恶性肿瘤中具有一定潜力。然而，上述研究多局限于单一或双序列技术在SGTs中的应用，且多为两两比较。

       目前将T1 mapping、T2 mapping与DKI联合应用于SGTs鉴别的研究在国内外尚未见报道。因此，本研究首次将T1 mapping、T2 mapping与DKI进行系统性整合，旨在从组织含水量、大分子环境及微结构复杂性三个维度互补表征肿瘤微观特征，以弥补既往单/双参数模型信息维度不足的局限，并评估多参数联合模型在PA、WT与MT鉴别中的实际增益价值。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，已获得济宁市第一人民医院伦理委员会批准（批准号：JNRM-2025-KY-012），并在国家卫生健康委医学研究登记备案信息系统完成备案（备案号：MR-37-26-035352），且免除受试者知情同意。

       回顾性纳入自2024年3月至2025年11月期间经济宁市第一人民医院术后病理证实的SGTs患者共78例，其中MT 16例、PA 35例、WT 27例。MT组病理类型包括：4例鳞状细胞癌、3例黏表皮样癌，以及腺样囊性癌、上皮-肌上皮癌、高分化腺泡细胞癌、梭形细胞恶性黑色素瘤、导管内癌、侵袭性癌、T细胞淋巴瘤、转移性透明细胞肾细胞癌及PA恶变各1例。鉴于各亚型样本量均过小，本研究未进行亚组分析，仅将MT作为整体进行探索性分析。

       纳入标准：（1）术前在同台扫描仪接受常规MRI及T1 mapping、T2 mapping、DKI检查；（2）MRI检查前未进行过任何侵入性操作或治疗；（3）病理确诊，肿瘤具充足实性成分，无显著囊变或坏死，以便进行感兴趣区（region of interest, ROI）勾画。

       排除标准：（1）图像存在严重运动伪影或畸变；（2）部分容积效应阻碍了对小病灶的精准测量。

1.2 仪器与方法

       采用3.0 T飞利浦Elition X MRI系统及头颈部专用线圈。扫描前需移除义齿等异物，患者在扫描期间应避免咳嗽或吞咽以减少运动伪影，包括以下成像方案。（1）T1 mapping：采用改良Look-Locker反转恢复（modified Look-Locker inversion recovery, MOLLI）序列，基于涡轮快速场回波（turbo fast field echo, TFE）技术，FA 20°，TR 2.5 ms，TE 1.19 ms，NSA 1，矩阵 100×80，FOV 200 mm×200 mm，层厚4 mm，层间距0.5 mm，层数13，扫描时间154 s。（2）T2 mapping：采用多回波自旋回波序列，共采集5个回波，回波间隔为20.0 ms，最短回波时间（TEmin）为20 ms，最长回波时间（TEmax）为100 ms，TR 864 ms，NSA 1，矩阵 256×160，FOV 230 mm×183 mm，层厚4 mm，层间距0.5 mm，层数 13，扫描时间 62 s。（3）DKI：采用单次激发自旋回波-回波平面成像（single-shot spin echo-echo planar imaging, SE-EPI）序列，b值分别为0、500、1000、1500和2000 s/mm²，采用飞利浦Elition X系统内置梯度过采样优化方案（gradient overplus），扩散梯度方向数为3个非共线方向。采用梯度反转脂肪抑制技术（Grad Rev Fat suppr）以减少头颈部脂肪组织对DKI扩散参数测量的干扰。扫描参数：TR 3558 ms，TE 80 ms，NSA 3，矩阵80×78，FOV 200 mm×200 mm，层厚4 mm，层间距0.4 mm，层数24，扫描时间 210 s。

1.3 图像分析与处理

       由两名放射科医师（5年及9年头颈部影像经验，设盲）独立完成ROI勾画与参数测量。对于多发肿瘤患者，选取最大病灶进行分析。

1.3.1 T1和T2分析

       在飞利浦后处理工作站自动生成的T1和T2参数图像上，手动于肿瘤实性区域最大、信号均匀处绘制ROI，参照同层面常规T1WI/T2WI避开囊变、坏死或出血区域。去除病变最上及最下层面后，于其余各层沿肿瘤边缘逐层勾画，取全部层面ROI平均值。

1.3.2 DKI分析

       原始 DKI 数据采用供应商提供的Advanced Diffusion Analysis（ADA）软件进行处理，以生成MD和MK的参数图[含涡流校正、刚性配准（rigid registration）及B0场不均匀性校正]。因DKI图像分辨率及信噪比低于T1/T2 mapping，为保证测量信噪比和可重复性，选取肿瘤实性成分最大、边界最清晰的连续3个层面勾画ROI并取平均值。绘制过程参考常规T1WI和T2WI图像进行，以确保与T1、T2图上ROI位置一致。

1.3.3 多参数图像空间对齐

       为保证各参数图ROI空间位置一致，所有ROI均参照同层面T2WI解剖图像进行定位。DKI参数图分辨率与T2WI存在较大差异，通过ADA软件内置刚性配准将DKI参数图与T2WI进行空间对齐，在融合图像上确认腺体轮廓、肿瘤边缘及周围解剖标志的对位情况。测量时将ROI映射回原始DKI参数图空间提取参数值。

1.3.4 一致性评估

       采用组内相关系数（intra-class correlation coefficient, ICC）进行一致性分析。具体方案为：两位阅片者独立完成全部78例患者的ROI勾画和参数测量；其中一位阅片者在间隔4周后对随机抽取的30例患者再次进行测量，用于评估观察者内一致性。ICC值<0.50表示一致性较差，0.50~0.75表示一致性中等，>0.75~0.90表示一致性良好，>0.90表示一致性优秀。

1.4 样本量估算

       本研究为回顾性分析，采用事后检验效能法对样本量进行估算。使用PASS 2026软件（NCSS, LLC, USA）中“Tests for One ROC Curve”模块计算样本量，设定检验水准α=0.05，检验效能1-β=0.80，原假设 AUC0=0.50，备择假设 AUC1=0.993（来源于本研究鉴别PA与WT的联合模型），按阴性组（PA）与阳性组（WT）1.3∶1比例（基于实际样本量配比35∶27）估算，采用连续数据模型，计算曲线下全AUC。计算结果显示，当总样本量达到7例（阳性组3例，阴性组4例）时即可满足最低统计要求（检验把握度>0.80）。本研究实际纳入PA组35例、WT组27例（共计62例），显著超过估算所需的最小样本量，表明PA与WT组间比较具有充分的统计学把握度。

       含MT的组间对比（PA vs. MT 51例，WT vs. MT 43例）因MT临床相对罕见，样本量未达到对应AUC（0.936及0.900）所需的最低要求，属探索性分析，需在后续多中心研究中进一步验证。

1.5 统计学分析

       使用SPSS 25.0软件进行统计分析。正态性检验采用Shapiro-Wilk法，方差齐性检验采用Levene检验。正态分布且方差齐性的数据采用两独立样本t检验；正态分布但方差不齐的数据采用Welch校正t检验；非正态分布数据采用Mann-Whitney U检验。上述多次两两比较采用Bonferroni法进行多重比较校正，校正后检验水准α'=0.05/3≈0.017，P<0.017（校正后）视为差异具有统计学意义。性别构成比较采用χ²检验。ICC用于评估一致性。

       通过绘制受试者工作特征（receiver operating characteristic, ROC）曲线分析计算相应曲线下面积（area under the curve, AUC）评价多参数MRI对PA、WT和MT的诊断效能，通过最大约登指数（最大约登指数=敏感度+特异度-1）确定诊断阈值。多参数联合模型的构建采用以下策略：将AUC≥0.700且组间比较P<0.05的定量参数纳入候选变量池，按AUC值从高到低依次累加，通过二项式logistic回归（Enter法）构建双参数、三参数及四参数模型。模型拟合前对纳入变量进行多重共线性检验，以方差膨胀因子（variance inflation factor, VIF）<10及容忍度>0.1为无严重共线性的判断标准。

       针对性别和年龄潜在混杂，组间比较中采用多因素logistic回归校正。因PA与WT、PA与MT组间T2存在完全分离，多因素模型无法收敛，故仅报告单因素结果；WT与MT组间均能正常收敛，报告校正后结果。采用Bootstrap自举法（重复抽样1000次，BCa法）对各联合模型进行内部验证。

2 结果

2.1 临床特征与样本量验证

       三组患者中，WT患者年龄[（63.7±9.3）岁]高于PA患者[（46.4±14.7）岁]，差异具有统计学意义（P<0.017，校正后检验水准α'=0.017）；而PA与MT组[（56.5±12.3）岁]、WT与MT组的年龄差异均无统计学意义（P=0.020、P=0.036）。性别分布方面，WT组男性占96.3%（26/27），与PA组（14/35）及MT组（9/16）差异均有统计学意义（P<0.017）；PA组与MT组组间性别构成差异无统计学意义（P=0.279）。上述年龄及性别分布数据详见表1。基于PASS 2026软件的样本量估算显示（详见1.1.1节），PA与WT组间比较所需最低样本量为7例，本研究实际纳入62例，为最低需求的8.9倍。含MT的组间对比（PA vs. MT，n=51；WT vs. MT，n=43）样本量未达到对应AUC（0.936及0.900）所需的最低样本量要求。

点击查看表格

表1  PA、WT和MT患者的临床特征比较
Tab. 1  Comparison of clinical characteristics among PA, WT, and MT patients

2.2 各SGTs组间定量参数值的分析

       两位阅片者之间及阅片者内部对T1、T2、MD、MK四个定量参数测量值的ICC值范围分别为0.977~0.992和0.979~0.997（表2），各定量参数的测量可重复性优秀。需指出，该高可重复性是在本研究严格的ROI质控条件下获得，在结构异质性更显著或伴有明显囊变、坏死的肿瘤中，测量一致性有待进一步验证。PA、WT和MT的代表性病例及其对应的T1 mapping、T2 mapping、MD和MK参数图见图1, 图2, 图3。

2.2.1 PA组和WT组的定量参数及联合模型表现

       PA组的T1、T2和MD值均高于WT组，而PA组的MK值低于WT组，差异均具有统计学意义（T1：P=0.002；T2、MD及MK：均P<0.001）（表3）。ROC曲线分析显示，在鉴别PA与WT时，各定量参数均展现出一定的鉴别能力，其中T2的AUC最高（0.958），MK次之（0.909）；单一T1值的鉴别效能较低（AUC=0.732）（表4，图4A）。

       通过logistic回归分析，将AUC≥0.700的参数依次从高到低进行联合，T2_MK、T2_MD_MK和T1_T2_MD_MK模型在鉴别PA与WT的AUC值分别为0.970、0.979和0.993，其中T1_T2_MD_MK模型表现最优（AUC=0.993，敏感度96.3%，特异度97.1%）（表4，图4A）。DeLong 检验结果（表5）显示，各联合模型的AUC均显著高于单一T1、T2及MD（均P<0.001）；T2_MK、T2_MD_MK与MK的差异无统计学意义（P=0.107~0.126），而T1_T2_MD_MK与MK的差异具有统计学意义（P=0.045）。三种联合模型之间的AUC差异均无统计学意义（P=0.245、0.160、0.388）。

点击查看大图

图4  ROC 曲线分析。4A：T1、T2、MD、MK及其联合模型对PA与WT 的诊断价值；4B：T2、MD、MK及其联合模型对PA与MT 的诊断价值；4C：T1、T2 对WT 与MT的诊断价值。T1 mapping：T1 弛豫时间定量成像；T2 mapping：T2 弛豫时间定量成像；MD：平均扩散率；MK：平均扩散峰度；ROC：受试者工作特征；PA：多形性腺瘤；WT：腺淋巴瘤；MT：恶性唾液腺肿瘤。
Fig. 4  ROC curve analysis. 4A: Diagnostic value of T1, T2, MD, MK and their combination for PA and WT; 4B: Diagnostic value of T2, MD, MK, and their combination for PA and MT; 4C: Diagnostic value of T1, T2 for WT and MT. T1 mapping: T1 relaxation time mapping; T2 mapping: T2 relaxation time mapping; MD: mean diffusivity; MK: mean kurtosis coefficient; ROC: receiver operating characteristic; PA: pleomorphic adenoma; WT: Warthin tumor; MT: malignant salivary gland tumor.

点击查看表格

表3  PA、WT、MT的T1 mapping及T2 mapping定量参数比较
Tab. 3  Comparison of quantitative parameters for T1 mapping ang T2 mapping in PA, WT, and MT

点击查看表格

表4  T1 mapping、T2 mapping和DKI定量参数及联合模型对三组SGTs 的诊断性能
Tab. 4  Diagnostic performance of T1 mapping, T2 mapping, and DKI quantitative parameters and combined models for three groups of SGTs

点击查看表格

表5  不同唾液腺肿瘤组间鉴别模型的DeLong检验结果比较
Tab. 5  Comparison of DeLong test results for discriminant models across different salivary gland tumor groups

2.2.2 PA和MT的定量参数及联合模型表现

       PA的 T2 和 MD 值均高于MT，但PA的 MK 值低于MT，差异均具有统计学意义（T2、MK：P<0.001；MD：P=0.002）；PA与MT间T1值的差异无统计学意义（P=0.920）（表3）。ROC曲线分析显示，T2（AUC=0.879）和MK（AUC=0.872）的鉴别效能相近，MD的效能相对较低（AUC=0.779）（表4，图4B）。

       通过logistic回归分析，将AUC≥0.700的参数依次从高到低进行联合，T2_MK和T2_MD_MK模型在鉴别PA与MT的AUC值分别为0.923和0.936（表4、图4B）。DeLong检验结果显示，联合模型的AUC均显著高于单一T2和MD（均P<0.001），但与单一MK的差异无统计学意义（P=0.101~0.156）；T2_MD_MK与T2_MK模型间的差异亦无统计学意义（P=0.309）（表5）。

2.2.3 WT和MT的定量参数及联合模型表现

       WT的T1和T2值均低于MT（T1：P<0.001；T2：P=0.001），而MD、MK值的差异无统计学意义（MD：P=0.372；MK：P=0.213）（表3）。ROC曲线分析显示，T1鉴别WT与MT的AUC为0.884，T2的AUC为0.803（表4，图4C）。

       通过logistic回归分析，将AUC≥0.700的参数依次从高到低进行联合。T1_T2模型在鉴别WT与MT的AUC值为0.900（表4、图4C）。DeLong检验结果显示，T1、T2及T1_T2模型之间的AUC差异均无统计学意义（P=0.428、0.551、0.237）（表5）。

点击查看大图

图1  男，13岁，右侧腮腺多形性腺瘤（箭）。T1 mapping（1A）、T2 mapping（1B）、平均扩散率（MD；1C）、平均扩散峰度（MK；1D）所示定量参数值分别为1 847.81 ms、149.47 ms、1.99×10^-3 mm²/s和 0.54。色值条分别表示对应的定量参数，冷色代表降低，暖色代表升高。
Fig. 1  13-year-old male patient with a pleomorphic adenoma in the right parotid gland (arrow). T1 mapping (1A), T2 mapping (1B), mean diffusivity (MD; 1C), and mean kurtosis (MK; 1D) demonstrate quantitative parameter values of 1 847.81 ms, 149.47 ms, 1.99 × 10^-3 mm²/s, and 0.54, respectively. The color bars represent the corresponding quantitative parameters; cool colors indicate decrease, while warm colors indicate increase.

点击查看大图

图2  男，67岁，左侧腮腺沃辛瘤（箭）。T1 mapping（2A）、T2 mapping（2B）、平均扩散率（MD；2C）、平均扩散峰度（MK；2D）所示定量参数值分别为992.40 ms、63.82 ms、1.04×10^-3 mm²/s和1.19。色值条分别表示对应的定量参数，冷色代表降低，暖色代表升高。
Fig. 2  67-year-old male patient with a Warthin tumor in the left parotid gland (arrow). T1 mapping (2A), T2 mapping (2B), mean diffusivity (MD; 2C), and mean kurtosis (MK; 2D) demonstrate quantitative parameter values of 992.40 ms, 63.82 ms, 1.04 × 10^-3 mm²/s, and 1.19, respectively. The color bars represent the corresponding quantitative parameters; cool colors indicate decrease, while warm colors indicate increase.

点击查看大图

图3  男，44岁，右侧腮腺高分化腺泡细胞癌（箭）。T1 mapping（3A）、T2 mapping（3B）、平均扩散率（MD；3C）、平均扩散峰度（MK；3D）所示定量参数值分别为1 299.77 ms、76.74 ms、0.75×10^-3 mm²/s和0.91。色值条分别表示对应的定量参数，冷色代表降低，暖色代表升高。
Fig. 3  44-year-old male with a malignant tumor in the right parotid gland (arrow). T1 mapping (3A), T2 mapping (3B), mean diffusivity (MD; 3C), and mean kurtosis (MK; 3D) demonstrate quantitative parameter values of 1 299.77 ms, 76.74 ms, 0.75 × 10^-3 mm²/s, and 0.91, respectively. The color bars represent the corresponding quantitative parameters; cool colors indicate decrease, while warm colors indicate increase.

点击查看表格

表2  T1 mapping、T2 mapping和DKI定量参数测量的组间与组内一致性
Tab. 2  Inter- and intra-class consistency of quantitative parameter measurements for T1 mapping, T2 mapping, and DKI

2.3 不同SGTs组间显著差异的参数汇总

       在四个定量参数中，仅T2 mapping能同时区分PA、WT与MT三组间的任意两两比较（均P≤0.001）；T1 mapping可区分PA与WT及WT与MT，但无法区分PA与MT（P=0.920）；MD和MK虽能有效鉴别PA与WT、PA与MT，但对WT与MT的鉴别无统计学意义（P=0.372、0.213）（表6）。因此，不存在能普遍有效区分所有肿瘤类型的单一参数，各参数在不同组间比较中存在互补与盲区，需通过多参数联合以实现全面鉴别。

点击查看表格

表6  不同肿瘤类型间定量参数显著性差异汇总
Tab. 6  Summary of significant differences for quantitative parameters across tumor type comparisons

2.4 模型内部验证

       采用Bootstrap自举法对各联合模型进行内部验证。在PA vs. WT和PA vs. MT的鉴别中，T2均存在完全分离，导致任何包含T2的logistic回归模型均无法收敛，Bootstrap校正随之失效。在此条件下，logistic回归的最大似然估计不存在（回归系数趋向于无穷大），基于回归系数的预测概率及模型校准度评估均无法进行，Bootstrap重抽样亦因每次子样本的分离模式不同而无法产生差异有统计学意义的置信区间。因此，本研究在PA vs. WT和PA vs. MT的比较中直接报告原始AUC，不进行Bootstrap校正。

       在WT vs. MT的鉴别中，多因素logistic回归（Enter法，纳入T1、T2、性别、年龄）成功收敛。该模型的回归方程为：Logit(P)=-14.641+0.009×T1+0.112×T2+3.603×Gender-0.095×Age（Gender：男性=1，女性=0；P为预测为MT的概率）。校正性别和年龄后T1（B=0.009，OR=1.009，95% CI：1.002~1.017，P=0.016）、T2（B=0.112，OR=1.119，95% CI：1.013~1.236，P=0.027）及性别（男性vs.女性：B=3.603，OR=36.704，95% CI：1.589~847.806，P=0.025）的差异均有统计学意义，年龄差异无统计学意义（B=-0.095，OR=0.909，95% CI：0.794~1.040，P=0.166）。Bootstrap校正后P值分别为T1：0.004，T2：0.017。该模型的多重共线性诊断显示T1与T2的VIF均为1.143，容忍度（Tolerance）均为0.875。

3 讨论

       本研究首次将T1 mapping、T2 mapping与DKI三者系统整合，从组织含水量、大分子环境及微结构复杂性三个维度分析SGTs的定量参数特征。结果显示，联合模型在PA与WT鉴别中效能优异（AUC=0.993），为术前无创鉴别治疗策略迥异的这两种肿瘤提供了影像学依据。

3.1 T1 mapping定量参数的诊断意义

       T1值受自由水含量、大分子浓度、顺磁性物质及脂肪等多种因素共同影响^{[21, 22]}。在本研究中，WT组的T1值低于PA组和MT组，与文宝红等^[18] 报道一致。WT通常由致密的淋巴组织和上皮成分组成，细胞密度高、细胞外间隙小且自由水含量相对较低^[23]；而PA富含黏液和软骨样基质^[24]，MT 细胞异型性高且常伴坏死^[25]，两者组织含水量和大分子环境可能更为相似，T1值均较高。PA与MT之间T1值差异无统计学意义，鉴于MT组包含多种病理亚型，各亚型的组织学构成差异显著，仅凭T1值无法推断具体亚型的组织学特征，亦不能排除亚型间T1值存在差异的可能。因此，PA与MT的T1值重叠应谨慎解读，未来需针对各恶性亚型开展分层分析。

       PA组T1值变异系数（coefficient of variation, CV=29.6%）显著高于WT组（22.4%）和MT组（20.0%），提示PA组织学构成的高度异质性——黏液样基质丰富时T1显著延长，细胞成分丰富时T1缩短，部分PA病例的T1值甚至落入WT区间，这是T1鉴别特异度低下（57.1%）的组织学基础。

3.2 T2 mapping定量参数的诊断意义

       T2值主要受组织含水量及其与胶原纤维相互作用的影响^[26]，本研究中PA的T2值最高，WT的T2值最低，而MT的T2值居中，各组间差异均具有统计学意义。PA的高T2值^[19]与其富含亲水性黏液和软骨样基质的病理特征完全吻合；WT的低T2值主要与其低含水量及高细胞密度、高蛋白含量的淋巴样基质有关。T2弛豫时间主要受组织含水量及水分子与大分子（如蛋白质）相互作用的影响；细胞密度越高、大分子浓度越高，水分子与周围环境的能量交换越频繁，横向弛豫越快，T2值越短。MT的T2值虽高于WT，但显著低于PA，这可能反映了其细胞结构较为致密，同时伴有不同程度的细胞外间隙水肿。MT的中间T2值可归因于高细胞密度（限制水扩散并缩短T2值）与坏死、炎症或间质水肿（延长T2）的混合表现。这些病理特征会导致细胞外间隙出现不同程度的扩张，从而使T2弛豫时间较纯细胞性肿瘤（如WT）显著延长^{[27, 28]}。在本研究中，T2在区分不同肿瘤类型时展现出卓越的诊断价值（例如区分PA与WT的AUC为0.958），表明其可作为评估SGTs组织成分的关键定量指标。此外，T2在PA与WT、PA与MT组间均存在完全分离（PA最低值107.38 ms，WT最高值75.39 ms，MT最高值95.07 ms），这一现象一方面印证了T2值在不同肿瘤类型间的显著分布差异，提示T2具有极强的鉴别潜力；另一方面，完全分离也可能受限于当前样本量及抽样变异，在更大样本的总体人群中两组T2值可能存在重叠，因此不宜将T2视为绝对独立的'金标准'指标，仍需外部验证队列加以确认。

3.3 DKI定量参数的诊断意义

       本研究中，PA呈现“低MK、高MD”的特征，符合其富含疏松黏液样基质、微结构相对均质的病理学基础。MK升高可由细胞密度增高、间质纤维化及微结构多相界面等多种因素共同导致，而非单纯等同于“扩散受限”（后者主要由MD反映）。PA微结构均质，水分子扩散偏离高斯分布的程度低，故MK低而MD高。

       与之相对，WT呈现“高MK、低MD”的特征，其高MK值并非单纯源于细胞密度，而更可能与其独特的组织构型相关——WT由淋巴样基质与双层上皮成分交错排列，淋巴滤泡与上皮结构形成多相微观界面^[29]，这种空间有序但微观结构特性迥异的多相环境使水分子扩散显著偏离高斯分布。MD与MK可在不同肿瘤类型间出现解离，PA与WT即为例证：前者MD高而MK低，后者MD低而MK高，二者MD差异具有统计学意义，而MK亦呈反向分布。

       然而，MT的DKI参数与WT的参数差异无统计学意义。这并不与上述机制矛盾：MK的高低不仅取决于细胞密度，更取决于微结构的空间异质性模式。WT的淋巴滤泡-上皮交替结构虽绝对细胞密度可能不及某些恶性肿瘤，但其规则的多相界面可产生显著的非高斯扩散特征；而MT虽总体细胞密度更高，但不同恶性亚型的微结构模式差异显著——鳞状细胞癌的巢状排列、腺样囊性癌的筛状结构、黏液表皮样癌的囊实性混合等均可产生各异的非高斯扩散特征^[20]，加之部分亚型伴有微坏死、间质水肿或黏液变性（这些区域水分子扩散更接近高斯分布），导致MT组内MK变异较大，组内异质性稀释了均值效应，使其与WT重叠。此外，本研究MT组包含11种不同亚型，各亚型样本量均过小（最大亚型仅4例），可能掩盖了特定亚型与WT之间的真实差异。综上，WT与MT的DKI参数差异无统计学意义，并不否定WT高MK的组织学基础，而更提示MK对MT的鉴别可能受限于病理亚型的多样性，该结论属探索性发现，有待更大样本的亚组分析加以验证。

3.4 整合T1 mapping、T2 mapping及DKI定量参数的联合模型的鉴别意义

       相较于单一参数仅能反映肿瘤的单一或有限方面，多参数模型整合了多样化的生物学信息，从而提供更全面的诊断依据。本研究通过logistic回归构建的联合模型，其诊断效能（AUC）均显著高于大部分单一参数（DeLong检验，与T1、T2及MD比较均P<0.001）。T1_T2_MD_MK模型在PA与WT的鉴别中表现优异（AUC=0.993，约登指数0.934）。需审慎指出，这一极高的AUC值在很大程度上归因于T2在两组间的完全分离（PA最低值107.38 ms，WT最高值75.39 ms），该条件使logistic模型在当前数据中可实现完美区分，但也预示了过拟合风险。因此，AUC=0.993应被理解为“回顾性单中心数据集中的效能上限”，其实际泛化能力需在独立外部队列中加以验证。

       值得关注的是，单一T1值在鉴别PA与WT时特异度仅为57.1%，意味着超过四成（42.9%）的WT被误判为PA。这进一步印证了PA组织学构成的高度异质性：黏液样基质较少、细胞成分相对丰富的PA亚型，其T1弛豫特征接近WT，导致部分WT被误判为PA。上述单一参数的固有短板进一步提示，任何单一指标均难以全面反映肿瘤的复杂病理生理特征，唯有通过多参数联合才能兼顾多维信息，整合T1 mapping、T2 mapping及DKI的参数可能产生协同效应，有助于提高鉴别诊断的准确性，尤其适用于WT与PA等易混淆病例的分析。

       然而，在解读上述结果时需注意WT固有的临床流行病学特征——WT好发于老年男性（本研究96.3%为男性，平均年龄63.7岁）。多因素分析显示，在WT与MT的鉴别中，调整性别和年龄后T1和T2仍具独立诊断价值，而性别本身与WT显著相关。OR=36.704提示性别与WT的关联强度极高，且该效应独立于T1/T2弛豫参数，说明性别本身蕴涵独立的生物学信息，而非单纯通过影响T1/T2参数间接发挥作用。WT的男性优势比在控制弛豫参数后仍高达36.7，这一效应可能与雄激素受体信号通路在WT发生发展中的潜在作用有关^[30]，但具体分子机制尚待进一步研究。性别作为常规采集的临床基线信息，可与MRI定量参数联合用于WT的风险评估和鉴别决策。然而，本组WT中女性仅1例（3.7%），意味着当前联合模型在女性患者中的适用性尚不明确，需纳入足够女性WT样本的独立队列加以验证。未来研究可通过分别构建男性与女性亚组的诊断模型并比较其参数特征，以进一步明确性别对模型结构和诊断阈值的影响。

       在WT与MT的鉴别中，多因素logistic回归模型经Bootstrap内部验证显示回归系数稳定（T1校正后P=0.004，T2校正后P=0.017），提示该模型在当前数据集中具有一定的结构稳定性。此外，在PA与WT的鉴别中，T2_MD_MK模型虽较T2_MK模型纳入了更多参数（增加了MD），但其AUC差异无统计学意义（P=0.245），表明在当前样本量下增加MD参数未能带来显著的诊断增益。

3.5 局限性

       本研究存在若干局限性。首先，MT组的样本量较小（n=16）且病理构成高度异质，共涵盖11种不同亚型，各亚型样本量均过小，无法进行亚组分析以评估不同恶性亚型间定量参数的差异。不同病理类型的MT在T1、T2弛豫时间及DKI参数上可能存在本质性差异，将其合并为单一MT类别进行分析可能掩盖亚型间异质性并导致结果混杂。因此，当前涉及MT的组间比较（PA vs. MT、WT vs. MT）结果仅代表MT的总体趋势，不能推广至任一特定恶性亚型。

       此外，手动ROI勾画具有一定主观性，且T1/T2 mapping与DKI的ROI勾画策略存在差异（前者逐层全肿瘤勾画取均值，后者因图像分辨率限制仅取连续3个层面取均值），可能对参数间比较产生一定影响。DKI参数图虽通过刚性配准与T2WI图像进行空间对齐，但配准过程中的图像插值偏差及邻近解剖结构运动可能对ROI定位的精确性产生一定干扰。

       本研究联合模型基于预设阈值筛选参数，可能存在模型选择偏倚，后续外部验证中可考虑全子集回归或最小绝对收缩与选择算子等方法加以审视和优化。

       另外，T2在PA与WT、PA与MT组间存在完全分离，导致logistic回归模型参数估计及Bootstrap内部验证失效，AUC=0.993和AUC=0.936的联合模型可能严重高估了真实判别能力。完全分离本质上是样本量不足与组间差异过大共同作用的结果，在独立验证队列中几乎必然出现性能衰减。Firth's penalized likelihood或贝叶斯logistic回归是处理完全分离的常用替代方法，但其在样本量有限的条件下仍可能产生保守的估计结果。因此，未来研究应通过多中心协作显著扩大样本量，尤其是增加PA组中T2值偏低及WT/MT组中T2值偏高的病例，以从根本上打破完全分离状态，获得可靠的回归系数和校准良好的预测模型。

       最后，本研究为单中心回顾性设计，未进行外部验证，联合模型的泛化能力需在独立多中心队列中进一步评估。WT vs. MT中T1_T2模型虽高于T1和T2，但DeLong检验差异无统计学意义，这可能与WT vs. MT组样本量较小（n=43）导致的检验效能不足有关，需在更大样本中验证T1_T2模型的增量价值。此外，WT组女性仅1例（3.7%），这反映了WT固有的男性倾向流行病学特征。在多因素logistic回归中调整性别和年龄后，T1和T2仍保持统计学显著性且效应方向未变，提示性别未对核心MRI参数与肿瘤类型之间的关联产生实质性扭曲，进一步支持性别作为WT独立预测因子（而非混杂因素）的定位。然而，由于WT组女性样本极少（仅1例），该结论的稳健性尚需在纳入足够女性WT病例的独立队列中加以验证。同时，缺乏增强扫描影像，实体肿瘤成分的界定仅依赖常规T1WI/T2WI形态学特征，可能影响ROI勾画的准确性。上述局限性提示，本研究的结论应被视为探索性发现，联合模型的泛化能力及临床实用性有待多中心、前瞻性、大样本研究进一步验证。

3.6 未来研究方向

       针对上述局限性，未来研究可从以下方向进一步深化：首先，多中心、前瞻性大样本验证是本研究结论推广应用的关键前提，多中心协作是短期内扩大恶性样本量、提高亚组分析效能的有效途径。其次，ROI勾画策略有待进一步优化，未来可采用更高空间分辨率的DKI序列或基于三维容积ROI的全肿瘤勾画方法，以减少不同参数间ROI策略差异对测量结果的影响。第三，多参数MRI序列的进一步整合是重要发展方向，后续研究可将DKI与动态对比增强磁共振成像（dynamic contrast-enhanced MRI, DCE-MRI）、动脉自旋标记（arterial spin labeling, ASL）等灌注参数^[31]及常规DWI序列进行系统比较，明确各技术的互补价值；同时，引入增强前后的T1/T2 mapping对比分析，有望进一步揭示肿瘤的血流动力学及微环境动态变化特征。最后，影像组学与人工智能的融合可作为未来的探索方向，通过提取高通量影像特征构建更为稳健的预测模型。

4 结论

       综上所述，T1 mapping、T2 mapping以及DKI的定量参数在PA与WT的鉴别中展现出较好的诊断价值。整合三者的联合模型（T1_T2_MD_MK）在鉴别PA与WT时效能最优（AUC=0.993），可为临床术前鉴别这两类治疗策略迥异的肿瘤提供影像学依据。然而，该联合模型因T2完全分离导致logistic回归系数估计不稳定，目前尚无可供临床直接使用的预测方程，未来需通过扩大样本量解决完全分离问题后，进一步开发为列线图或网页计算器等可视化工具，方可实现床旁临床应用。涉及MT的鉴别结论（AUC 0.779~0.936）受限于MT组样本量小、病理亚型高度异质，属探索性发现。此外，本研究为单中心回顾性分析，整体样本量有限，上述所有结论均有待多中心、前瞻性、大样本研究进一步验证其泛化能力。