临床放射学杂志

作者：徐文北, 刘晓涵, 孟令建, 王自豪, 张贺, 孙潇楠, 孟闫凯, 康海全, 茅一萍, 荣玉涛, 胡春峰, 徐凯

单位：221002 徐州医科大学附属医院医学影像科徐文北、刘晓涵、王自豪、张 贺、孙潇楠、孟闫凯、荣玉涛、胡春峰、徐 凯,儿科孟令建,检验科康海全,感染管理科茅一萍;221002 徐州医科大学医学影像学院徐文北、刘晓涵、王自豪、张 贺、孙潇楠、孟闫凯、荣玉涛、胡春峰、徐 凯;221002 江苏省医学影像与数字医学工程研究中心徐文北、刘晓涵、王自豪、张 贺、孙潇楠、孟闫凯、荣玉涛、胡春峰、徐 凯

关键词：肺炎支原体,胸部CT,支气管肺泡灌洗,影像组学,机器学习

基金：本研究系江苏省中医药科技发展计划项目(编号:MS2021100);江苏省卫生健康委老年健康科研项目(编号:LKM2022018)

<b>目的</b> 探讨构建基于胸部CT影像组学特征的机器学习模型区分儿童肺炎支原体(MP)、MP合并其他病原体感染(Co-MP)的可行性。<b>方法</b> 回顾性分析因肺炎入院,同时行支气管肺泡灌洗(BAL)术患儿的临床实验室、影像学资料。采用荧光定量PCR法检测支气管肺泡灌洗液(BALF)中14种病原体。采用大于64排探测器CT扫描仪进行胸部CT扫描。选取病灶最大层面用于图像分割。沿着病灶边缘进行图像手动分割。手动分割的特征分为三大类:(1)几何形状特征;(2)强度特征;(3)纹理特征。采用t检验、Mann-Whitney U检验、Spearman等级相关系数筛选特征,仅保留P值＜0.05的影像组学特征,任意两个影像组学特征相关系数＞0.9,仅保留其一。最小绝对收缩和选择算子(LASSO)回归、十折交叉验证用于特征降维,保留非零的相关系数特征用于回归模型拟合,构建影像组学标签。将LASSO回归筛选的影像组学特征输入到不同的机器学习模型中构建模型,采用5次交叉验证得到最终的影像组学标签。使用R软件[版本4.3.2,The Comprehensive R Archive Network (tsinghua.edu.cn)]、SPSS 26.0统计软件进行数据分析。定量资料比较采用t检验、Mann-Whitney U检验。计数资料采用χ²检验或Fisher确切概率法。相关分析采用Spearman等级相关检验。采用受试者工作特征(ROC)曲线评估机器学习模型的诊断效能。P＜0.05认为差异具有统计学意义。<b>结果</b> 共纳入134例MP感染患儿,按照8∶2的比例将其随机分为训练集(107例)、验证集(27例)。验证集中,两组患儿的住院时间分别为11.12和13.50天,差异具有统计学意义(P=0.040)。本研究共提取出1834个影像组学特征,其中360个一阶的强度特征、14个形态特征以及1460个纹理特征。根据影像组学特征间P值＜0.05、Spearman相关系数＞0.9,LASSO回归降维、十折交叉验证,共筛选出26个非零相关系数特征用于构建影像组学得分(radscore)。筛选出的26个非零相关系数特征用于不同的机器学习模型训练。训练集中所有机器学习模型区分两者的曲线下面积均超过0.75,多层感知器(MLP)区分MP、Co-MP的效能最高,预测的曲线下面积、阳性预测值、阴性预测值分别为0.924、87.5%和84.2%。决策曲线分析结果表明,应用MLP模型区分MP、Co-MP具有明显的临床增益。样本预测直方图结果表明,MLP模型训练的影像组学标签具有较高的预测准确性。<b>结论</b> 基于基线胸部CT影像组学特征的机器学习模型有助于区分儿童MP、Co-MP。

来源：2024年第11期

《临床放射学》期刊编辑部

查看临床放射学杂志2024年第11期