研究背景:鞍区囊性及囊实性病变是一类重要的鞍区病变类型,其种类多样,这些病变在临床实践中发现比例较鞍区实质病变少,但流行病学研究显示这一比例可能被低估。研究目的:本研究希望通过术前影像学检查对鞍区囊性及囊实性病变病理类型加以区分并对不同病变的内分泌影响模式差异进行探究。本研究将以鞍区囊性及囊实性病变的钆对比增强磁共振影像为材料,使用影像组学及人工神经网络等方法,对鞍区常见囊性病变的病理类型进行影像鉴别;通过对其内分泌实验室检验结果的分析,探究常见的鞍区囊性病变对各垂体内分泌轴功能的影响。研究方法:本研究筛选出过去15年间就诊于北京协和医院的诊断明确、具有完整的术前使用钆对比剂增强磁共振原始影像数据的、患有鞍区含囊性成分的疾病的患者。图像经过配准、神经网络自动感兴趣区域分割、人工验证分割区域后,提取三维、二维最大层面的影像组学特征,使用统计及传统机器学习算法、全连接神经网络对病变的影像特征进行两种病变间的分类,评估各种算法模型表现,同时应用卷积神经网络对原始磁共振影像二维最大层面进行直接识别评估效果。本研究同时对拥有内分泌实验室检验数据的病例的生长激素轴、甲状腺轴、性腺轴损伤及其病变尺寸、类型间关系进行了探究。对于病例数过少的垂体脓肿、淋巴细胞性垂体炎、转移癌,本研究进行了描述。研究结果:本研究纳入399例患者,对垂体瘤卒中、囊性垂体腺瘤、Rathke裂囊肿、囊性颅咽管瘤进行两种病变间的影像鉴别。基于支持向量机的模型对囊性颅咽管瘤与Rathke裂囊肿和囊性垂体腺瘤鉴别度最佳,曲线下面积可达0.8522。囊性垂体腺瘤和垂体瘤卒中鉴别困难,在不同特征组、不同模型下均表现接近不可分类,这可能和其病理基础间的关联性有关系。逻辑斯蒂回归提示病变类型并非生长激素轴、甲状腺轴、性腺轴损伤与否的关联自变量,近似的体积-损伤分析提示随着垂体卒中病变体积增大,发生损伤的内分泌轴依次为性腺、生长激素、甲状腺。研究结论:通过影像组学、机器学习及神经网络方法能够对垂体瘤卒中、囊性垂体腺瘤、Rathke裂囊肿、囊性颅咽管瘤的增强磁共振成像的大部分影像进行鉴别,垂体瘤卒中和囊性垂体腺瘤不可鉴别,不同病变类型对生长激素轴、甲状腺轴、性腺轴的损伤无显著差异。