临床资料和病理结果取自患者的病历。影像资料取自我们的图片存档和通讯系统。

研究对象

2013年1月开始接受腹部增强CT扫描并诊断为盆腔肿瘤的儿科患者共121例本研究纳入至 2021 年 1 月，根据病理结果将这些患者分为 RMS 组和非 RMS 组。非RMS组患者85例（男24例，女61例），年龄从1个月到15岁不等。非RMS组患有多种恶性肿瘤，其中卵黄囊瘤19例，恶性畸胎瘤18例。 , 神经母细胞

瘤

13 例, 淋巴瘤 9 例, 尤文肉瘤 5 例, 其他类型恶性生殖肿瘤 21 例。

e 提取

我们研究中的所有儿科患者都在 256 层螺旋 CT 系统（Philips Brilliance iCT，Philips，荷兰）上接受了 80-100kV 低管电压、100 kV 低管电流的骨盆平原和对比增强 CT 检查–200mA（电流在采集过程中根据孩子的体重变化），旋转时间0.4s，间距0.925，准直128*0.625mm，切片厚度5.0mm，重建层厚度1毫米。为了获得动脉和静脉期对比增强图像，在静脉注射对比剂（Omnipaque，350mg/mL，Amersham Healthcare，中国上海）后，分别在 30 和 65 秒进行双期动态对比增强 CT。造影剂的给药剂量为2mL/kg体重，最大为80mL。

在常规放射学诊断过程中，对于肿瘤病灶，我们主要需要关注其形态、密度、边缘、强化方式和转移情况。因此，我们的研究主要从这五个方面选择图像特征来探索两组（RMS组和非组）之间的差异。根据以往文献和诊断经验。评估了肿瘤的以下 CT 特征： (a) 形态学（多结节融合/分叶状/圆形/圆形）； (b) 密度（低于或高于正常肌肉密度/钙化/出血/坏死）； (c) 边距（清晰或不清晰）； (d) 对比增强模式（周围血管/均匀渐进向心增强/环形增强/葡萄簇增强）； (e) 转移（淋巴转移/骨侵蚀）。上述比较特殊的CT特征评价标准如下： (1)多结节融合：在CT图像中，盆腔内可见多个大小不等的结节。一些结节融合在一起并融合成分叶状肿块21； (2) 周围血管：CT增强扫描肿块内可见多发条状、点状血管影21； (3) 均匀渐进向心增强：在动态增强CT图像上，肿块可见动脉期周边环状不均匀强化，静脉期和延迟期逐渐向心不均匀强化21； （4）葡萄簇强化：当肿块处于中空结构（阴道或膀胱等）时，CT增强图像上会出现葡萄簇状肿块22； (5)淋巴结转移：颈部淋巴结Ⅰ、Ⅱ及腹股沟淋巴结短径≥1.5cm，其他颈部淋巴结短径≥1cm，或强化程度明显高于肌肉组织23。

两位具有 10-20 年经验的腹部放射科医师独立对每位患者的 CT 图像进行前瞻性评估。腹部放射科医师对患者特征和组织学结果不知情，并评估肿瘤的形态、密度、边缘、增强模式和转移情况。如果两位放射科医生之间存在分歧，则与第三名高级腹部放射科医生和另外两名腹部放射科医生达成共识。

统计学分析

根据病理结果将患者分为RMS组和非RMS组。对于定量变量，遵循正态分布的连续变量被描述为均值和标准差（SD），并使用参数t检验来确定两组之间的统计显着性。否则，变量被描述为中位数和四分位数间距 (IQR)，并且使用非参数 Mann-Whitney U 检验进行两组之间的比较。分类变量以患者数和各自的百分比表示，比较率采用χ2检验或Fisher精确检验

。LASSO逻辑回归从基础和CT形态学中选择诊断RMS的最佳特征特征优化惩罚参数λ，将模型中产生的非零系数变量作为诊断变量。该模型通过受试者工作特征（ROC）曲线进行评估。此外，分析了特征的累积诊断能力。

双尾 P < 0.05 被认为具有统计学意义。所有统计分析均使用 R 3.6 进行。 1 软件和 SPSS 23.0 软件 (IBM, Armonk, New York, USA)。

建立模型

FDA 是识别的经典方法确定变量的线性函数，以尽可能区分不同组的样本13。在我们的研究中，将有 RMS 和没有 RMS 的患者分为两组：\({G}_{1}\)（RMS 组）和 \({G}_{2}\)（非 RMS 组） .共6个CT特征(\({x}_{i}\))作为诊断变量，建立线性判别函数：

利用判别规则，发现检查结果属于\({ G}_{1}\) 或 \({G}_{2}\)。

(1) 原始数据矩阵：为\({G}_{1}\)和\({G }_{2}\)，以 CT 特征为列向量，以儿科患者为行向量。

\({G}_{1}\)

的数据矩阵： \({G}_{2}\) 的数据矩阵：

(2) 矩阵 W1 和 W2 的平均列分布如下：

(3)系数 \({c}_{i}\) 使用微积分方法计算。

(4) 判别函数定义为：

(5) 计算由\({G}_{1}\) 和\({G}_{2}\) 表示的判别值。

(6) 质心处Fisher判别函数的取值如下：

(7) 上述计算采用SPSS软件进行，判别规则如下： If \(\overline{{G}_{1}}\ )>\({G}_{0}\)，\(G\)的样本属于\({G}_{1}\)，表示样本属于RMS组。否则，样本属于\({G}_{2}\)；即样本属于非RMS组。

(8) 所得的分类判别函数也使用 SPSS 进行计算。

\({G}_{1}\) 和 \({G}_{2}\) 的值是通过将 CT 特征代入函数来计算的。通过比较 \({G}_{1}\) 和 \({G}_{2}\) 的值，根据以下原则对受试者进行分类：如果 \({G}_{1}\) > \({G}_{2}\)，被试归入RMS组；如果\({G}_{1}\)< \({G}_{2}\)，受试者被分为非 RMS 组。

符号：

\({G}_{i}\)：疾病人群，\(i=1, 2\)；

\({W}^{i}\)：\({G}_{i}\)的数据矩阵；

\({c}_{i}\)：Fisher判别函数的系数，\(i=0, 1, 2,\cdots , 6\)；

\({G}_{0}\)：值质心处的 Fisher 判别函数；

\({x}_{ij}\)：\(i\) 患者中 \(j\) CT 特征的内容。

模型验证

留一法交叉验证，在使用除该案例之外的所有案例对每个案例进行分类以得出分类公式，用于验证模型的准确性。曲线 (AUC) 介于 0.5 和 0.7 之间表示低诊断值，介于 0.7 和 0.9 之间表示中等诊断值，大于 0.9 表示高诊断值 24。

伦理声明

本研究根据赫尔辛基宣言（ 2013年修订）。本研究经重庆医科大学附属儿童医院伦理委员会批准，个人同意r 该回顾性分析被放弃。