CT纹理分析技术鉴别良恶性孤立性肺结节

目的 探讨CT纹理分析技术鉴别诊断良恶性孤立性肺结节（SPN）的应用价值。方法 对97例SPN患者（恶性组54例,良性组43例）行胸部CT平扫,测量结节CT值及最大径。采用MaZda软件对肺结节进行CT纹理分析,获得纹理特征参数（熵、熵和、熵差、对比度、相关及均和）。比较2组CT值、最大径及各纹理特征参数。对差异有统计学意义的纹理参数及其不同组合建立ROC曲线,计算AUC,确定阈值,评价各参数及其不同组合鉴别诊断良恶性SPN的特异度及敏感度;比较各参数组合之间AUC的差异。结果 良恶性SPN最大径、CT值的差异均无统计学意义（t=-0.98、1.16,P=0.079、0.087）。良性组SPN纹理特征参数熵、熵和、熵差值均低于恶性组（P均<0.05）,2组对比度、相关、均和的差异均无统计学意义（P均>0.05）。纹理特征参数熵、熵和、熵差鉴别诊断良恶性SPN的效能均较高（AUC均>0.700）;熵、熵和、熵差的阈值分别为1.564、1.212、0.987时,敏感度分别为72.70%、88.40%、63.60%。上述纹理特征参数的不同组合鉴别诊断良恶性SPN的效能均较高（AUC均>0.800）,各组合间AUC的差异均无统计学意义（P均>0.05）。结论 基于CT平扫的纹理分析技术有助于鉴别良恶性SPN。     

基于CT影像组学模型预测肺原位腺癌及微浸润腺癌与浸润性腺癌

目的 探讨基于CT影像组学预测肺腺癌中的原位癌（AIS）和微浸润腺癌（MIA）以及浸润性腺癌（IAC）的价值。方法 回顾性分析542例经手术病理确诊且病理亚型明确的肺腺癌患者，将AIS及MIA归为第1组，IAC为第2组。比较2组患者性别和年龄差异。采用特征提取软件提取病灶三维纹理特征参数，分析组间差异明显的影像组学特征，筛选最佳影像组学特征构建预测模型。按2：1比例将数据分为训练集和验证集，采用6种机器学习算法对5倍交叉验证数据集进行分类，选择最佳分类器；以之分析5倍交叉验证数据集、训练集和验证集，获得模型预测肺腺癌病理分型的ROC曲线及相应AUC、特异度、敏感度及准确率。结果 第1组235例，第2组307例，组间性别和年龄差异均无统计学意义（χ²=0.56、t=-0.19，P=0.63、0.98）。共提取病灶1 766个三维纹理特征参数，其中988个影像组学特征存在明显组间差异，最终以10个最佳影像组学特征构建预测模型。以Perceptron分类器为最佳分类器。模型预测验证集病理分型的AUC为0.95，准确率、特异度、敏感度分别为0.88、0.87、0.84。结论 基于CT影像组学模型能有效预测肺腺癌中的AIS及MIA与IAC。     

CT图像纹理分析鉴别诊断磨玻璃密度肺腺癌的浸润性

目的 探讨CT图像纹理分析鉴别诊断表现为磨玻璃密度结节的肺腺癌浸润性的价值。方法 收集在我院接受肺部CT检查且手术病理证实为肺腺癌患者100例（浸润性腺癌56例,非浸润性腺癌44例）。随机选择69例为训练组,31例为验证组。使用A.K.（Analysis-Kinetics）分析软件进行影像特征提取;Kruskal-Wallis非参数检验和Spearman相关性分析进行特征降维;使用R语言软件包"GLM"函数,建立Logistic回归模型;以交叉验证方法对回归模型进行检验。采用ROC曲线评价独立预测因素的诊断效能。结果 影像特征提取得到396个影像组学特征,经降维最终得到与鉴别肺非浸润腺癌与浸润腺癌最相关的参数3个,建模后验证Logistic回归模型示其诊断准确率为83.30%,敏感度及特异度分别为77.80%、91.70%。结论 CT图像纹理分析可有效鉴别表现为磨玻璃密度结节肺腺癌的浸润性。     

CT平扫图像纹理分析鉴别浸润性肺腺癌与非钙化结核球

目的 探讨基于CT平扫图像纹理分析鉴别诊断浸润性肺腺癌与非钙化结核球的可行性。方法 回顾性分析52例经病理证实的单发肺结节患者的平扫CT资料，其中31例浸润性肺腺癌，21例非钙化结核球。采用MaZda软件于2种病灶各提取300个纹理特征，之后以费希尔参数法（Fisher）、最小分类误差与最小平均相关系数法（POE+ACC）、相关信息测度法（MI）分别筛选出10个最佳纹理特征，并将其合并得到3种方法联合的最佳纹理特征组合（MPF）。采用线性判别分析（LDA）和非线性判别分析（NDA）对4组最佳纹理特征进行分类，LDA及NDA分别以K-近邻分类器（K-NN）及人工神经网络（ANN）进行分类。分析4组纹理特征鉴别2种病变的最小错误率，比较2组病变间30个最佳纹理特征的差异，并绘制其鉴别2种病变的ROC曲线，计算AUC，评价其诊断效能。结果 对于单组最佳纹理特征，NDA/ANN-Fisher法的错误率最低，为7.69%（4/52）；对于MPF，NDA/ANN-MPF法的错误率最低，为5.77%（3/52）；而NDA/ANN-Fisher法的错误率与NDA/ANN-MPF法差异无统计学意义（χ²=0.15，P>0.05）。2种病变间存在10个纹理特征差异有统计学意义，其中差异熵S（1，1）、差方差S（1，1）及梯度方差的诊断效能较好（AUC=0.71、0.71、0.70），3者间AUC差异无统计学意义（P均>0.05）。结论 基于CT平扫图像纹理分析可较好地区分浸润性肺腺癌和非钙化肺结核球，为鉴别诊断提供可靠的客观依据。     

CT纹理分析鉴别诊断血液病并发侵袭性肺曲霉病或肺毛霉菌病

目的 观察CT纹理分析鉴别诊断血液病并发侵袭性肺曲霉菌病(IPA)或肺毛霉菌病(PM)的价值。方法 回顾性分析111例血液病患者的胸部CT,其中65例合并IPA(IPA组),46例合并PM(PM组)。采用IBEX软件分析CT图像,手动勾画病灶ROI,并提取纹理特征参数,计算特征值;比较组间纹理特征值差异,选取差异有统计意义的纹理特征参数,采用受试者工作特征(ROC)曲线分析其鉴别诊断IPA与PM的效能。结果 共于2组提取979个CT纹理特征参数,其中繁忙度(Busyness)、粗糙度(Coarseness)、纹理强度(TextureStrength)及表面密度(SurfaceAreaDensity)的特征值组间差异均有统计学意义。ROC曲线分析结果显示,TextureStrength的曲线下面积(AUC)最大(0.807),敏感度76.52%,特异度82.69%;多参数联合分析显示,联合应用4个参数的AUC最大(0.915),敏感度87.01%,特异度96.83%。结论 CT纹理分析可用于鉴别血液病并发IPA或PM,多参数联合可提高其诊断效能。     

CT纹理特征分析鉴别诊断表现为肺部亚实性结节的微浸润腺癌和浸润性腺癌

目的 评估CT纹理特征术前鉴别表现为亚实性肺结节的微浸润腺癌（MIA）和浸润腺癌（IAC）的价值。方法 回顾性收集胸部CT表现为亚实性肺结节、经手术病理证实为MIA或IAC的100例患者,包括43例MIA和57例IAC。选择4个CT主观征象（密度、大小、分叶、形态）构建诊断MIA与IAC的CT主观征象模型。提取896个CT纹理特征,并构建CT纹理特征模型。绘制ROC曲线评估纹理特征模型、CT主观征象模型鉴别诊断MIA和IAC的效能。结果 CT主观征象中,亚实性结节的密度和大小的一致性非常好,选择密度征象[优势比=8.177,95%CI（1.142,58.575）]为CT主观征象模型的独立预测因子;于896个纹理特征中,选择4个纹理特征构建模型。训练集中纹理特征模型诊断MIA与IAC的敏感度为0.85（33/39）,特异度为0.90（28/31）,AUC为0.94[95%CI（0.88,0.99）];验证集中纹理特征模型的敏感度为0.89（16/18）,特异度为1.00（12/12）,AUC为0.97[95%CI（0.92,1.00）]。结论 CT纹理特征有助于提高术前鉴别诊断表现为亚实性肺结节的MIA和IAC的效能。     

CT鉴别亚实性肺腺癌亚型

目的 观察CT鉴别亚实性肺腺癌亚型的价值。方法 纳入127例亚实性肺腺癌患者,根据病理结果分为浸润前病变(PL)组(n=33)、微小浸润性腺癌(MIA)组(n=67)及浸润性腺癌(IA)组(n=27),其中分别有23、47及14例存在胸膜下结节;比较3组临床资料及CT表现,对差异有统计学意义的参数行多元有序logistic回归分析,绘制受试者工作特征曲线,评估CT诊断IA的效能。结果 3组患者年龄、结节平均CT值、平均直径、类型、形状、边界特点、血管集束征及空泡征占比差异均有统计学意义(P均<0.05),胸膜下结节胸膜凹陷征占比差异亦有统计学意义(P=0.001)。结节平均CT值和平均直径是为亚实性肺腺癌浸润的独立危险因素[OR=1.009,95%CI(1.004,1.013),P<0.001;OR=1.330,95%CI(1.117,1.583),P=0.001],以结节平均CT值-645.50 HU及平均直径10.00 mm为截断值诊断IA的曲线下面积分别为0.743及0.817,敏感度分别为77.78%及74.07%,特异度分别为63.00%及75.00%。结论 CT可用于鉴别亚实性肺腺癌亚型。     

炎症型肺浸润性黏液腺癌CT表现

目的 观察炎症型肺浸润性黏液腺癌（PIMA）的CT表现。方法 回顾性分析经手术病理或穿刺活检证实的30例炎症型PIMA患者的临床、影像学（CT平扫+增强扫描）及病理学资料。结果 30例CT均见肺内实变灶，其中5例为单纯实变，25例实变伴多种改变；肺内实变平扫CT密度均低于同层面肌肉，增强后多呈轻度强化；26例实变灶内见血管造影征，12例见肺叶膨隆征。30例中，首次CT诊断肺癌9例，21例误诊为感染性病变或其他病变。结论 炎症型PIMA实变平扫CT密度低于同层面肌肉，增强后轻中度强化，可见血管造影征、肺叶膨隆征等；合并GGO、结节及囊状透亮影有助于鉴别诊断炎症型PIMA与炎症性病变及淋巴瘤。     

机器学习鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌

目的 探讨基于影像组学特征构建的机器学习模型鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌的可行性。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌患者，其中浸润性腺癌32例，非浸润性腺癌55例（原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾画ROI，A.K.软件提取影像组学特征。筛选有意义的特征参数，以Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数，分别构建支持向量机（SVM）、随机森林（RF）及逻辑回归（LR）3种机器学习模型，采用十折交叉验证法得到最优模型，绘制ROC曲线，评价3种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、LR 3种机器学习模型可有效鉴别浸润性腺癌与非浸润性腺癌，准确率分别为93.30%、86.70%和83.30%，AUC分别为0.94、0.92和0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，可于术前有效鉴别肺浸润性腺癌与非浸润性腺癌。     

基于CT机器学习模型预测肺腺癌气腔播散

目的 探讨基于胸部CT建立机器学习模型预测肺腺癌气腔播散（STAS）状态的价值。方法 回顾性分析462例经手术病理证实的原发性肺腺癌，90例STAS阳性（STAS阳性组），372例STAS阴性（STAS阴性组），比较组间一般资料及CT征象差异。按7 ：3比例将患者随机分为训练集（n=323）和验证集（n=139），采用随机森林算法针对差异有统计学意义的变量建立预测肺腺癌STAS的模型，对训练集进行训练，获得平均AUC最大的模型，以之对验证集进行预测，并计算AUC，评价其诊断效能。结果 组间年龄及12个CT征象差异均具有统计学意义（P均<0.05）。以上述13个变量建立的预测模型对训练集进行预测，获得最大AUC为0.80的模型，其预测训练集和验证集肺腺癌STAS的AUC、敏感度及特异度分别0.80、0.78及0.77和0.77、0.78及0.73。结论 基于胸部CT的机器学习模型可有效预测肺腺癌STAS状态。     

平扫CT特征联合纹理分析鉴别经治乳腺癌患者肺部单发转移癌与原发腺癌北大核心CSCD

目的评估基于平扫CT特征及纹理分析联合模型鉴别经治乳腺癌患者单发肺内病灶为乳腺癌孤立性肺转移(SPMBC)或原发性肺腺癌(PLA)的价值。方法回顾性分析111例经治乳腺癌伴术后病理证实的SPMBC(SPMBC组,n=54)或PLA(PLA组,n=57)患者,对比其肺内病灶CT表现。采用MaZda软件提取并筛选CT所示病灶最佳纹理参数,以集成算法为分类器,针对组间差异有统计学意义的CT表现、最佳纹理参数或联合二者分别构建CT特征模型、纹理特征模型及联合模型,以鉴别SPMBC与PLA;以5折交叉验证法及受试者工作特征(ROC)曲线评估各模型的诊断效能。结果CT特征模型、纹理特征模型及联合模型鉴别经治乳腺癌患者伴SPMBC与PLA的平均曲线下面积分别为0.64±0.08、0.82±0.07及0.85±0.05。CT特征模型的平均分类准确率(0.60±0.09)低于纹理特征模型及联合模型(0.78±0.09、0.82±0.08,t=-3.14、-4.06,P均<0.05),纹理特征模型平均分类准确率与联合模型差异无统计学意义(t=-0.66,P>0.05)。结论平扫CT特征联合纹理分析有助于鉴别诊断经治乳腺癌患者SPMBC与PLA。     

人工智能肺结节辅助诊断系统预测亚实性肺结节恶性概率

目的 评价人工智能（AI）肺结节辅助诊断系统预测肺亚实性结节（SN）恶性概率的效能。方法 将86例接受手术治疗SN患者分为3组：组1为浸润前病变，组2为微浸润腺癌，组3为浸润性腺癌。将术前胸部CT数据导入AI肺结节识别软件，记录其自动测量的SN的CT值、体积及恶性概率预测值。比较3组SN在CT平扫、增强动脉期及延迟期中的CT值、体积及恶性概率预测值，并对各组进行平扫与增强后配对样本检验。分析根据各期CT对各组SN恶性概率预测值与CT值及体积的相关性。结果 共纳入88个SN，组1、组2和组3分别含27、28及33个SN。AI系统检测SN的敏感度为100%（88/88）。AI系统检测根据CT平扫、增强后动脉期、延迟期对组1 SN的恶性概率预测值分别为[85.18（56.64，92.08）]%、[67.15（58.99，90.30）]%和[89.82（56.64，92.23）]%，组2分别为[93.10（85.72，95.75）]%、[89.61（74.44，95.35）]%和[92.21（86.74，95.59）]%，组3分别为[97.05（92.81，98.74）]%、[96.89（90.40，98.60）]%和[96.49（89.89，98.69）]%。3期CT扫描对3组SN恶性概率预测值差异均有统计学意义（P均<0.01），且3组SN间CT值、体积差异均有统计学意义（P均<0.01）。各组平扫与增强CT恶性概率预测值比较无统计学差异（P均>0.05），各期CT对SN的恶性概率预测值与其CT值及体积均呈正相关（P均<0.01）。结论 基于深度学习的AI肺结节辅助诊断系统可协助判定肺腺癌SN侵袭程度；平扫CT数据可用于辅助预测SN恶性概率，而增强CT对判断SN性质无明显帮助。     

能谱CT平扫多参数成像判断纯磨玻璃密度肺腺癌病理亚型

目的 探讨能谱CT平扫多参数成像判断纯磨玻璃密度结节（pGGN）肺腺癌病理亚型的价值。方法 回顾性分析45例接受能谱CT平扫并经病理证实的pGGN肺腺癌，将其分为A组[非IAC组，21例，包括9例原位腺癌（AIS）和12例微浸润腺癌（MIA）]和B组[浸润性腺癌（IAC）组，24例]。基于联合40%自适应统计迭代重建（ASIR-V）技术重建的70 keV单能水平图像评估pGGN的CT征象，包括分叶征、毛刺征、空泡征、空气支气管征及胸膜凹陷征和异常血管征；获取定量分析成像参数，包括40~140 keV单能量CT值、水基值（WC）、有效原子序数（Eff-Z）及能谱曲线斜率k1~k3（分别为40~70 keV、71~100 keV、101~140 keV段能谱曲线斜率）。结果 B组异常血管征出现率高于A组（P<0.05）。组间分叶征、毛刺征、空气支气管征、空泡征及胸膜凹陷征差异均无统计学意义（P均>0.05）。B组k1低于A组（P<0.05），而组间k2、k3差异均无统计学意义（P均>0.05）。B组WC高于A组（P<0.05），但2组间Eff-Z差异无统计学意义（P>0.05）。结论 能谱CT平扫多参数成像可在显示pGGN形态学表现的基础上提供多种定量参数和较常规CT更多的诊断信息，有助于判断pGGN肺腺癌的病理亚型。     

原发肺真菌性肉芽肿的CT表现

目的 探讨原发肺真菌性肉芽肿的CT表现。方法 回顾性分析经手术病理证实的21例原发肺真菌性肉芽肿患者的影像及临床资料。21例均接受CT平扫,17例接受增强扫描。结果 CT表现呈单发结节或肿块17例,多发4例(12个结节或肿块),共计29个病灶,均分布于肺叶外周带;24个病灶(24/29,82.76%)与胸膜紧密相邻,其中11个(11/29,37.93%)与胸膜呈宽基底相连。病灶呈软组织密度,1个病灶内部可见小片状低密度影,空洞、空气新月征各见于1个病灶,未见钙化、脂肪及空气支气管征。20个病灶边缘模糊,3个见分叶,16个见毛刺征,11个伴卫星灶。17例增强扫描中,6例病灶呈明显强化,其余为轻-中度强化。纵隔内未见明显肿大淋巴结。结论 原发肺真菌性肉芽肿CT表现具有一定特征性,结合临床排除其他病变,可做出诊断。     

中央型肺癌树芽征的CT影像分析

目的 探讨中央型肺癌树芽征的出现率、形成机制及与病理类型的关系。方法 收集接受胸部64层螺旋CT扫描且经病理证实的中央型肺癌304例,分析树芽征的出现率、伴随征象、出现范围及与病理类型的关系,对出现树芽征的病例采用MPR及 MIP进行图像后处理。结果 304例中央型肺癌中树芽征的出现率为17.76%（54/304）,其伴随征象为肺门区不规则结节或肿块影伴以远支气管阻塞性扩张及黏液栓塞,树芽征出现范围与阻塞支气管所属的肺叶肺段相一致,MPR及MIP示树芽征均位于阻塞肺组织次级肺小叶中央,且与阻塞支气管相连;54例伴树芽征的中央型肺癌中,鳞癌36例（36/54,66.67%）,腺癌6例（6/54,11.11%）,腺鳞癌6例（6/54,11.11%）,小细胞肺癌6例（6/54,11.11%）;54例中因树芽征误诊为结核18例,误诊率33.33%（18/54）。结论 树芽征可出现于中央型肺癌引起的阻塞性改变中,其形成机制可能系近端支气管狭窄程度加重继发远端细支气管阻塞性扩张及黏液栓塞;中央型肺癌树芽征的出现率与病理类型的关系还有待探讨。