目的:四肢软组织肿瘤亚型众多,不同亚型的肿瘤生物学行为及患者预后情况不尽相同,对肿瘤良恶性的判断一直是临床工作关注点和难点之一。术前对肿瘤性质的准确判断将指导临床治疗策略。但四肢软组织肿瘤,特别是部分中间性肿瘤在磁共振成像（Magnetic Resonance Imaging,MR）中表现缺乏特异性,术前对病变性质评估的准确性难以令人满意。因此临床上需要一种可以在手术前准确区分四肢软组织肿瘤良恶性的方法,以便选择更适合患者的治疗方法以及更全面的评估疾病预后。目前对四肢软组织肉瘤术后复发情况的评估不同研究尚缺乏统一的认知,对复发情况评估的差异会直接导致不同的辅助治疗及监测手段,对患者的生存状态和生存质量有重要影响,因此临床需要综合评估四肢软组织肉瘤患者术后复发可能性,为个体化及精准治疗提供更加全面的信息。脂肪细胞肿瘤作为四肢软组织肿瘤重要的亚组,其组织学类型有一定的特异性,肿瘤内脂肪成分是该类肿瘤的共有和特征性的成分,脂肪细胞肿瘤中的脂肪瘤及高分化脂肪肉瘤/非典型性脂肪瘤性肿瘤生物学行为及治疗方法不同,但两者相似的组织学成分及影像学特点使目前对两者的鉴别缺乏有效途径。此前有研究表明MR鉴别这两种肿瘤的准确率为70%。目前尚未报道过两者间脂肪含量差异与组织学类型是否有关。MR脂肪定量序列的出现使对瘤内脂肪含量定量研究成为可能。免疫组化因子KI-67表达程度是反应细胞增殖程度的指标,对肿瘤内脂肪含量及KI-67表达程度联合研究,将有助于对脂肪细胞肿瘤有更加深入的认知。随着技术的发展,影像组学这种新兴的图像分析技术越来越受到临床青睐。影像组学通过自动化数据特征化算法获得高通量信息,识别及描述众多肉眼无法辨别的图像特征,实现对疾病精准判断及预测。目前影像组学在多个器官和组织中都有应用,但鉴于软组织肿瘤种类繁杂、生物学行为各异,部分治疗标准尚不统一,目前影像组学在四肢软组织肿瘤中的应用研究仍然较少。本研究第一部分通过MR影像组学方法构建区分四肢良性、中间性及恶性软组织肿瘤的三分类模型,探讨利用常规MR图像构建的影像组学模型用于肿瘤性质鉴别的可行性及效能,并将影像组学模型与临床模型效能进行对比,评价影像组学模型的作用。在本研究第二部分中构建评估四肢软组织肉瘤术后两年内复发风险的影像组学模型,对患者复发风险进行分层分析;联合影响软组织肉瘤患者术后复发的危险因素构建列线图,预测四肢软组织肉瘤患者术后两年内复发发生概率,量化复发情况,为患者制定个体化随访策略。本研究第三部分基于磁共振定量非对称回波的最小二乘估算法迭代水脂分离序列（Irativede Composition of Water and Fat with Echo Asymmetry and Least-squares Estimation Quantitation Sequence,IDEAL-IQ）脂肪定量序列,分析四肢脂肪细胞肿瘤内脂肪含量占比的差异,并据此鉴别脂肪瘤与高分化脂肪肉瘤/非典型性脂肪瘤性肿瘤,为区分此两种常规检查难以鉴别的肿瘤提供方法和思路;另外根据脂肪含量差异鉴别良性及非良性四肢脂肪细胞肿瘤,为临床选择不同治疗策略提供依据。研究肿瘤FF值与免疫组化因子KI-67表达程度的相关性,进而评价脂肪含量占比的差异与细胞增殖程度的关系。基于IDEAL-IQ序列构建影像组学模型预测肿瘤KI-67表达情况,联合脂肪含量信息、免疫组化指标及影像组学方法定量研究四肢脂肪细胞肿瘤。方法:回顾性收集2015～2019年于我院行MR扫描、术后病理证实的四肢软组织肿瘤患者285例。基于T1WI、FS T2WI及T1＆T2WI联合序列提取和选择影像组学特征,选择三种分类器分别构建不同MR序列的三分类（良性、中间性及恶性）影像组学模型。受试者特征曲线（Receiver Operating Characteristic Curve,ROC）、曲线下面积（Area Under Curve,AUC）、准确度、精确度、Recall及F1-score指标评估模型性能;Delong test用于评估不同种分类器、不同种MR序列模型的性能差异,P＜0.05时认为差异有统计学意义。联合患者临床信息与MR图像特点建立判断肿瘤性质的临床模型,比较影像组学模型与临床模型效能差别,评估影像组学模型鉴别软组织肿瘤性质的能力。回顾性收集2015～2019年于我院行MR扫描、术后病理证实的四肢软组织肉瘤肿瘤患者155例。选择五种分类器分别构建评估肿瘤术后2年复发风险的影像组学模型,选择诊断效能最优的影像组学模型,以RADSCORE的最佳截断值为依据进行生存分析,对患者术后2年内复发风险分层分析。将患者年龄、性别、肿瘤发生位置、肿瘤大小、术后治疗、KI-67及RADSCORE进行Cox单因素分析,选择与复发相关的独立预测因素,构建Cox比例风险回归模型及列线图预测肉瘤术后2年内复发概率。Harrell一致性指数（C-Index）和校准曲线评估列线图的效能,平均绝对误差（Mean Absolute Error,MAE）评价校准曲线校准能力。净重新分类指数（Net Reclassification Index,NRI）及决策曲线（Decision Curve Analysis,DCA）评估列线图的临床应用价值。收集2018～2021年于我院就诊、术后经病理证实的四肢脂肪细胞肿瘤患者55例。术前行MR扫描IDEAL-IQ序列,FatFrac图像用于测量肿瘤脂肪分数（Fat Fraction,FF）。单因素方差分析比较良性、中间性及恶性脂肪细胞肿瘤组间FF值的差异;根据脂肪分数差异区分脂肪瘤及高分化脂肪肉瘤/非典型性脂肪瘤性肿瘤并获得ROC曲线,通过寻找ROC曲线最佳截断值评价利用脂肪分数鉴别两种肿瘤的能力（包括准确性、敏感性、特异性、阳性预测值及阴性预测值）;利用同样方法区分良性及非良性脂肪细胞肿瘤。Pearson相关性分析评估FF值与KI-67指标表达的相关性;基于FatFrac图进行影像组学特征提取,利用两种分类器分别构建影像组学模型预测脂肪细胞肿瘤KI-67表达情况。结果:在对四肢良性、中间性及恶性软组织肿瘤鉴别的三分类影像组学模型中,支持向量机（Support Vector Machine,SVM）分类器构建的影像组学模型诊断效能优于随机森林（Random Forest,RF）及多层感知机（Multilayer Perceptron,MLP）分类器构建的模型;SVM基于T1WI、FST2WI及T1＆T2WI联合序列构建的影像组学模型在测试集AUC分别为0.85、0.81及0.85,准确性分别为0.64,0.61及0.72,精确性分别为 0.71、0.63、0.64,Recall 分别为 0.71、0.61、0.64,F1-score 分别为0.71、0.61、0.64;Delongtest表明SVM分类器利用不同序列构建的影像组学模型间效能没有显著性差异（P＞0.05）。临床模型鉴别四肢软组织肿瘤的诊断效能较弱,AUC为0.8。Chi-Square Test结果表明影像组学模型与临床模型诊断效能差异有统计学意义。在对中间性肿瘤的鉴别中,SVM模型效能AUC可达到0.8,展现了影像组学模型在鉴别临床不易区分的肿瘤性质的能力。临床模型鉴别中间性肿瘤的能力弱,AUC只有0.74,低于影像组学模型效能。SVM分类器利用T1＆T2WI联合序列构建的评估四肢软组织肉瘤术后2年复发风险的影像组学模型在5折交叉验证中效能最优（测试集AUC0.92;准确性0.87,敏感性0.89,特异性0.85）,因此选用此模型RADSCORE的最佳截断值0.47将训练集及测试集划分为肿瘤复发高风险组（RADSCORE＞0.47）及低风险组（RADSCORE＜0.47）。通过Kaplan-Meier生存分析实现对患者复发风险的分层分析。与低风险组相比,高风险组患者术后复发的风险明显升高。分别将患者年龄、性别、肿瘤大小、肿瘤位置、术后治疗方法、KI-67指标、RADSCORE进行Cox单因素分析,KI-67和RADSCORE两个变量成为预测肉瘤2年内复发情况的独立预测因子,根据这两个变量构建联合Cox风险比例回归模型及列线图、单独的RADSCORE模型及单独的KI-67模型,分别预测肿瘤术后2年内复发概率,结果显示联合列线图预测效能较好,模型测试集C-Index为0.851。模型的校准曲线表现出良好的贴合度,MAE为0.04。NRI指数及DCA表明联合模型的临床效能优异、临床净收益最大。联合模型效能较单独RADSCORE模型及单独KI-67模型效能分别提高16.7%及62.5%;此外,单独RADSCORE模型较KI-67模型效能提高54.2%。单因素方差分析表明良性、中间性及恶性脂肪细胞肿瘤组间FF值不同,其差异有统计学意义;根据ROC曲线获得的最佳截断值84.9%在鉴别脂肪瘤与高分化脂肪肉瘤/非典型性脂肪瘤性肿瘤时AUC达0.87,准确度为0.86,特异性为0.9,敏感性为0.8;同时84.9%也是鉴别良性与非良性脂肪细胞肿瘤的临界值,在该最佳截断值下ROC曲线的AUC为0.94,准确度为0.91,敏感性为0.91,特异性为0.9。脂肪分数FF值与KI-67表达呈明显负相关关系;基于IDEAL-IQ序列的影像组学特征构建的回归模型可以预测脂肪细胞肿瘤KI-67表达情况,测试集可释方差得分（Explained Variance Score,EVS）为0.91,平均绝对误差（Mean Absolute Error,MAE）为1.92,均方误差（Mean Square Error,MSE）为14.21,判定系数R2 score为0.9。结论:本研究利用常规MR图像建立影像组学三分类模型,据此可以用来区分四肢良性、中间性及恶性软组织肿瘤,特别是对中间性肿瘤性质的判断进行了单独的描述。SVM分类器构建的影像组学模型在T1WI、FS T2WI及联合序列中效能相仿,因此在临床中可以根据实际情况单独采用其中一种序列构建模型即可;影像组学构建的模型诊断效能高于临床模型。因此影像组学模型可以在临床中可以更好的协助医生做出诊断,特别是对中间性肿瘤的诊断将辅助临床医生对肿瘤性质全面评估,为患者正确制定治疗方案提供依据。SVM基于T1＆T2WI联合序列构建评估肉瘤患者术后2年内复发风险的影像组学模型效能较高;通过RADSCORE最佳截断值成功实现对复发风险分层分析;将RADSCORE与KI-67相结合构建的联合列线图可以对肉瘤复发概率进行预测,对复发情况进行量化;联合模型临床净收益大。影像组学模型及列线图信息可以帮助患者制定个体化随访策略,复发高风险患者据此在术后加强监控,为精准医疗提供更多信息。本研究使用磁共振脂肪定量序列对脂肪细胞肿瘤内脂肪含量进行定量描述,不同性质脂肪细胞肿瘤脂肪含量占比有差异,脂肪含量的差异可以反映肿瘤组织成分的差异;本研究首次使用ROC曲线临界值鉴别脂肪瘤与高分化脂肪肉瘤/非典型性脂肪瘤性肿瘤,该方法为临床上区分此两类肿瘤提供多元化信息;同样根据ROC曲线的最佳临界值鉴别良性及非良性脂肪细胞肿瘤,为临床不同治疗方法的选择提供依据。FF值与KI-67表达程度呈明显负相关关系,说明瘤内脂肪含量差异可能反映了肿瘤细胞增殖程度的差异,进而从一定程度反映了肿瘤恶性程度的差异;本研究是首个基于MR定量图像、利用影像组学的方法预测四肢脂肪细胞肿瘤KI-67表达程度的研究,本研究结果表明影像组学模型可以预测肿瘤KI-67指数表达,瘤内脂肪含量占比情况及肿瘤KI-67表达情况的联合研究为全面评价病变生物学行为提供更多信息。