European Radiology：机器学习和放射组学在空洞性肺结核定性中的应用

肺结核（TB）是全世界范围内的主要死因之一，也是冠状病毒（COVID- 19）大流行之前全球单一传染病的首要死因，排名高于HIV/AIDS。多重耐药结核病（MDR-TB）的存在是对全球健康安全的重大挑战，、是唯一的主要空气传播耐药性流行病。过去5年中，全球确诊的MDR-TB病例数几乎翻了一番。因此，早期识别MDR-TB患者可增加治疗成功的可能性并阻断传播。
胸部计算机断层扫描（CT）作为一种分诊工具，在监测影像学变化和评估肺结核的严重程度方面显示出良好的性能。一些研究表明，多发空洞、肿块、支气管扩张和淋巴结在MDR-TB中十分常见。肺实质中的空洞是诊断肺结核的一个重要影像学特征，在CT上可以准确显示及诊断。此外，空洞也可见于原发性肺癌、肺转移和肺炎。研究表明，空洞的存在与结核分枝杆菌的高负荷密切相关，代表疾病的晚期状态。然而，之前的研究中大多数影像学特征都是异质性且非定量的，很少有定量研究将研究重点放在空洞性结核。
放射组学的基础是将医学影像转换为高维定量信息，从而为病理生理学提供重要的见解，主要应用于各种肿瘤，包括脑癌、鼻咽癌和肺癌。然而据我们所知，很少有研究发表用于预测MDR-TB的放射组学分析。
近日，发表在European Radiology杂志的一项研究评估了基于CT的放射组学特征鉴别MDR-TB与药物敏感性TB（DS-TB）以及预测MDR-TB的能力，为临床早期、快速的评估TB的存在及分类提供了技术支持。

本项回顾性研究包括257名连续的活动性空洞性TB患者（训练队列：187名患者来自北京胸科医院；测试队列：70名患者来自黑龙江省传染病医院）。从分割的空洞中提取了放射组学特征，并使用随机森林分类器构建了一个放射组学模型来预测MDR。使用有意义的临床特征和主观的CT结果构成了临床模型，并将放射性组学和临床模型结合起来建立综合模型。使用ROC曲线验证模型在训练和测试队列中的能力。 

21个放射组学特征被选为最佳预测因子，用于建立预测MDR-TB的模型。在训练队列（0.844对0.589，P＜0.05）或测试队列（0.829对0.500，P＜0.05）中，放射组学模型的AUC都明显高于临床模型。在训练队列（0.844对0.881，p>0.05）和测试队列（0.829对0.834，p>0.05）中，放射组学模型的AUCs略低于联合模型，但没有明显差异。 

图 a树芽征和中心性小结节；b单个大结节和周围的卫星病变；c实变；d纤维条索；e结节与钙化

本项研究表明，基于空洞TB的放射组学特征对区分MDR-TB和DS-TB具有重要的临床价值。本项研究通过整合目前基于临床和主观CT结果以及放射组学的多学科方法来协助临床实现早期肺结核的定性，从而为临床提供了一种无创且便捷的影像学诊断工具。

原文出处：

Ye Li,Bing Wang,Limin Wen,et al.Machine learning and radiomics for the prediction of multidrug resistance in cavitary pulmonary tuberculosis: a multicentre study.DOI:10.1007/s00330-022-08997-9