临床放射学杂志

作者：则乃提古丽·克比尔, 周诚, 周永

单位：830011 乌鲁木齐,新疆医科大学附属肿瘤医院影像中心

关键词：影像组学,机器学习,肺结核,耐药

基金：本研究系新疆维吾尔自治区自然科学基金资助项目（2022D01A319）

<b>目的</b> 对肺结核患者胸部CT中的肺部空洞的CT影像组学特征进行分析,通过空洞的不同特征,分别构建肺结核是否耐药及耐药类型的预测模型。<b>方法</b> 回顾性搜集2019年1月至2022年12月于新疆喀什地区结核病医院治疗的282例肺结核患者的影像学资料及临床资料,其中胸部CT显示共有肺部空洞412个,经药物敏感试验确诊的99例药物敏感性肺结核（DS-TB）患者（135个空洞）与183例耐药性肺结核（DR-TB）患者（277个空洞）,其中包含102例利福平单耐药的肺结核（RMR-TB）患者（149个空洞）和81例耐多药的肺结核MDR-TB）患者（128个空洞）。使用达尔文科研平台处理患者的CT肺窗图像,手动勾画出病灶区域及提取影像组学特征。通过组内相关系数（ICC）、<em>Mann-Whitney U</em>检验后,最后使用LASSO回归进一步筛选和降维处理影像组学特征。采用逻辑回归（LR）、 支持向量机（SVM）、决策树（DT)三种分类器对两组患者的相关资料进行模型构建和训练,并利用受试者工作特征曲线评估各个模型的表现。共提取了1781个影像组学特征,通过特征筛选和降维后DS-TB组及DR-TB组获得了12个重要特征,RMR-TB组与MDR-TB组获得了5个重要特征。在3种机器学习模型比较下,在DS-TB组与DR-TB组中LR模型效能最优,其在训练集与测试集中的受试者工作特征曲线曲线下面积（AUC）分别为0.860、0.870;在RMR-TB组和MDR-TB组中SVM模型效能最优,其在训练集与测试集中的AUC分别为0.702、0.625。<b>结果</b> 根据模型选择,DS-TB组与DR-TB组中的LR模型与SVM模型之间无统计学差异;RMR-TB组和MDR-TB组中的LR模型与SVM模型之间无统计学差异。LR模型与SVM模型均具有较好的预测性能。<b>结论</b> 基于空洞的CT 影像组学特征构建耐药性肺结核的预测模型,在DS-TB组与DR-TB组以及在RMR-TB组与MDR-TB组中有较好的预测性能,对临床的诊断工作提供较大帮助。

来源：2025年第9期

《临床放射学》期刊编辑部

查看临床放射学杂志2025年第9期