本研究由滨州医学院附属医院放射科的张强、张虎、崔运福、许昌、崔文举，以及山东中医药大学附属医院的杨浩然共同完成。通讯作者为崔文举。该研究以《基于能谱CT增强图像的支持向量机模型在鉴别肺实性结节良恶性的价值》为题，发表于《临床放射学杂志》2024年第43卷第10期。
学术背景 本研究属于医学影像学与人工智能交叉领域，具体聚焦于利用影像组学（Radiomics）和机器学习方法辅助肺部疾病的诊断。肺癌是全球范围内发病率和死亡率均居高不下的恶性肿瘤，早期准确鉴别肺结节的良恶性对于临床治疗决策和患者预后至关重要。肺实性结节因其良恶性病变在常规CT影像上征象重叠较多，鉴别诊断一直是临床难点。
传统的CT诊断依赖于放射科医生对结节形态、边界、强化程度等主观视觉特征的评估，存在一定局限性和不确定性。能谱CT（Spectral CT）作为一种先进的成像技术，能够提供常规混合能量图像之外的单能量图像（如40-140 keV）和物质分离信息，为病变分析提供了更丰富、更定量的数据基础。影像组学则是一种新兴技术，它通过高通量地从医学图像中提取大量定量特征，将图像信息转化为可挖掘的数据空间，从而揭示人眼无法识别的肿瘤异质性信息。
基于此背景，本研究旨在探索将能谱CT的优势与影像组学分析相结合，并利用支持向量机（Support Vector Machine, SVM）这一机器学习算法构建预测模型，以期开发一种客观、定量的新方法来提高肺实性结节良恶性鉴别的准确率。研究的具体目的是探讨基于能谱CT增强图像的SVM模型在鉴别肺内实性结节良恶性中的价值。
详细研究流程 本研究为一项回顾性分析，流程严谨，主要包括以下几个步骤：
1. 研究对象纳入与临床资料收集： 研究团队搜集了2021年3月至2023年6月期间，在滨州医学院附属医院经手术或穿刺病理证实的肺实性结节患者共234例。根据病理结果，将其分为恶性组（140例，包括腺癌、鳞癌、小细胞肺癌等）和良性组（94例，包括炎性结节和良性肿瘤）。所有患者均在术前一周内接受了胸部能谱CT双期增强扫描。研究制定了明确的纳入和排除标准，例如结节直径需≤3 cm、检查前未接受过抗肿瘤治疗等，以确保研究对象的同质性和数据的可靠性。研究详细记录了患者的年龄、性别、病灶部位等临床信息，并进行组间比较分析。
2. CT图像采集与处理： 所有患者均使用GE Revolution CT能谱扫描仪进行检查。采用能谱扫描模式，管电压在80 kVp和140 kVp之间瞬时切换。使用双筒高压注射器经肘静脉注射碘对比剂，采用阈值触发法（胸主动脉CT值达180 HU后延迟10秒）扫描获得动脉期图像，并于动脉期扫描结束后30秒进行静脉期扫描。本研究后续分析主要基于动脉期图像。
3. 图像分割与特征提取： 这是影像组学分析的核心步骤。由一名具有7年以上经验的放射科医师使用专业的开源医学图像处理软件3D Slicer（version 4.10.2），在动脉期的70 keV单能量薄层图像（层厚0.625 mm）上，逐层手动勾画整个结节的感兴趣区（Region of Interest, ROI），并避开空洞、钙化及大血管区域。选择70 keV图像是因为其视觉效果与常规CT图像最为接近，便于准确勾画。随后，由另一名更高年资（10年以上经验）的医师进行审核，确保ROI勾画的准确性。在勾画好的三维ROI基础上，利用3D Slicer软件内置的Radiomics模块，提取了包括一阶统计特征（First-order）、形状特征（Shape）、灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）、灰度游程矩阵（Gray Level Run Length Matrix, GLRLM）、灰度大小区域矩阵（Gray Level Size Zone Matrix, GLSZM）、灰度依赖矩阵（Gray Level Dependence Matrix, GLDM）和邻域灰度差矩阵（Neighboring Gray Tone Difference Matrix, NGTDM）等在内的多类特征。此外，还对图像进行了小波变换（Wavelet-based），以捕捉不同频率下的纹理信息。最终，从每个结节中总共提取出1168个高维影像组学特征。
4. 特征筛选与降维： 面对海量的特征数据，必须进行降维以去除冗余和噪声，筛选出最具鉴别力的特征子集。本研究采用了两种特征选择方法相结合的策略。首先，使用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）回归算法进行初步降维。LASSO通过引入L1正则化惩罚项，能够将不重要特征的系数压缩至零，从而自动进行特征选择。通过10折交叉验证确定最优的正则化参数λ，最终从1168个特征中筛选出19个非零系数特征。随后，为进一步精炼特征集，研究采用了互信息法（Mutual Information），从这19个特征中最终提取出对模型预测目标（良恶性）影响最大的15个关键影像组学特征。
5. 模型构建与验证： 研究将234例患者的数据按照7:3的比例随机分为训练集（163例）和内部验证集（71例）。在训练集上，利用筛选出的15个特征，采用支持向量机（SVM）算法构建肺实性结节良恶性的分类预测模型。SVM是一种适用于小样本、高维度数据的强大分类器，其目标是找到一个最优超平面，最大化不同类别（良性与恶性）样本之间的间隔。模型构建完成后，将其应用于独立的内部验证集，以评估其泛化能力。
6. 统计学分析与模型评估： 对于临床资料，使用SPSS软件进行统计分析，计量资料采用t检验，计数资料采用卡方检验。对于影像组学模型，主要使用受试者工作特征（Receiver Operating Characteristic, ROC）曲线来评估其诊断效能。计算ROC曲线下面积（Area Under Curve, AUC）、准确率、灵敏度、特异度、精确率、召回率、F1分数等指标。同时，采用DeLong检验比较训练集和验证集模型性能的差异是否具有统计学意义。显著性水平设定为P<0.05。
主要研究结果 1. 临床资料分析结果： 单因素分析显示，恶性结节患者的平均年龄（63.64±9.78岁）显著高于良性结节患者（59.78±15.2岁），差异具有统计学意义（P=0.031）。在性别分布上，恶性组中男性比例（70.1%）显著高于良性组（53.2%）（P=0.006）。在病变部位上，恶性结节多见于右肺下叶（26.4%），而良性结节多见于右肺中叶（22.3%），分布差异具有统计学意义（P=0.044）。这些结果与既往临床认知一致，也为模型构建提供了一定的临床背景支持。
2. 特征筛选结果： 经过LASSO和互信息法两级筛选，最终确定了15个最具价值的影像组学特征。这些特征包括：5个灰度依赖矩阵（GLDM）特征、1个灰度共生矩阵（GLCM）特征、2个灰度级大小区域矩阵（GLSZM）特征、1个邻域灰度差矩阵（NGTDM）特征以及6个一阶统计（Firstorder）特征。特征名称具体如原文所列，例如gldm_largedependencelowgraylevelemphasis（GLDM大依赖低灰度强调）、firstorder_skewness（一阶偏度）等。这些特征主要反映了结节内部的纹理异质性、灰度分布的不均匀性及不对称性。
3. 模型性能结果： 基于这15个特征构建的SVM预测模型表现出了良好的鉴别性能。在训练集上，模型的诊断准确率达到87.73%，ROC曲线的AUC值高达0.932（95% CI: 0.891–0.973）。在独立的内部验证集上，模型的准确率为74.65%，AUC值为0.810（95% CI: 0.703–0.916）。其他评估指标如灵敏度、特异度等在两个数据集中也均有详细报告（训练集灵敏度0.862，特异度0.767；验证集灵敏度0.918，特异度0.780）。这些数据表明，该模型具有较高的区分能力，且在训练集上表现出色，在验证集上保持了较好的泛化性能，未出现严重的过拟合。
结论与价值 本研究得出结论：基于能谱CT动脉期增强图像影像组学特征构建的支持向量机模型，在鉴别肺实性结节良恶性方面具有较高的价值。 该模型提供了一种客观、定量的辅助诊断工具，能够从常规视觉评估难以捕捉的图像细节中挖掘出有效的鉴别信息。
其科学价值在于：成功地将先进的能谱CT成像技术与影像组学、机器学习方法相结合，为肺结节的无创性诊断研究提供了一个新的、有效的技术路径。它证实了从能谱CT单能量图像中提取的纹理和统计学特征，能够有效表征良恶性结节在微观结构上的差异。
其应用价值在于：该模型有望辅助放射科医生提高诊断信心和准确性，减少不必要的穿刺活检或手术，尤其是对于那些表现不典型、诊断存在困难的实性结节。它为开发临床可用的计算机辅助诊断（CAD）系统提供了重要的方法学参考和数据支持。
研究亮点 1. 技术融合创新： 本研究的核心亮点在于将能谱CT 的定量成像优势与影像组学 的高通量特征分析能力，以及支持向量机（SVM） 的稳健分类能力三者有机结合，探索了一条多技术融合解决临床难题的新思路。 2. 方法学严谨性： 研究流程规范，涵盖了从患者入组、图像采集、精准分割、大量特征提取、严格的二级特征降维（LASSO+互信息法）、到模型构建与内部验证的全过程。采用手动勾画结合高级医师审核的方式保证ROI质量，使用独立的验证集评估模型泛化能力，增强了结果的可信度。 3. 良好的预测性能： 所构建的模型在训练集和验证集上均取得了较高的AUC值（分别为0.932和0.810），表明该方法具有较好的鉴别潜力和一定的临床转化前景。 4. 聚焦临床难点： 研究明确针对了临床上鉴别诊断困难的肺实性结节，而非相对容易的磨玻璃结节，其研究成果对解决实际临床问题更具针对性和意义。
其他有价值内容与局限性 研究在讨论部分也客观指出了其局限性：首先，良性结节组中炎性结节占比较高，可能对模型的特异性产生一定影响，未来需要更多样化的良性病例进行验证。其次，目前仅为单中心回顾性研究，模型性能有待通过多中心、前瞻性的外部数据进一步验证。最后，作者展望了未来的优化方向，例如可以进一步整合患者的临床资料、能谱CT的定量参数（如碘浓度、有效原子序数等）以及静脉期的影像组学特征，构建融合多维度信息的预测模型，有望获得更优的诊断性能。
这项研究为人工智能在肺部影像精准诊断中的应用提供了扎实的实证案例，展示了基于能谱CT影像组学的机器学习模型在辅助肺实性结节良恶性鉴别方面的巨大潜力。