该文档属于类型a，即单篇原创研究的报告。以下是针对该研究的学术报告：
本研究由Yan Xu、Lin Lu、Shawn H. Sun、Lin-Ning E、Wei Lian、Hao Yang、Lawrence H. Schwartz、Zheng-Han Yang和Binsheng Zhao共同完成。研究团队来自多个机构，包括北京友谊医院（首都医科大学）、纽约长老会医院（哥伦比亚大学欧文医学中心）、山西大医院以及盐城市第三人民医院。该研究于2021年9月21日在线发表于《European Radiology》期刊。
本研究属于医学影像信息学与人工智能领域，特别是基于放射组学（radiomics）的肺结节（pulmonary nodules, PNs）良恶性预测研究。随着低剂量计算机断层扫描（low-dose computed tomography, LDCT）在肺癌筛查中的广泛应用，肺结节的检出率显著提高，但如何准确区分良恶性结节仍是一个挑战。传统活检方法存在局限性，尤其是对于小尺寸或位置不佳的结节。放射组学作为一种非侵入性方法，通过从医学影像中提取定量特征并结合机器学习技术，有望提供一种有效的解决方案。
然而，CT图像的采集参数（如切片厚度、重建核等）可能影响放射组学特征的提取和模型性能，且结节大小也可能对诊断性能产生影响。因此，本研究旨在探讨CT图像采集参数对不同大小肺结节放射组学模型诊断性能的影响，特别是切片厚度和卷积核的交互作用。
研究回顾性收集了2015年3月至2018年3月期间696例肺结节患者的CT影像数据。这些结节根据直径分为三组：T1a（直径≤1.0 cm）、T1b（1.0 cm < 直径≤2.0 cm）和T1c（2.0 cm < 直径≤3.0 cm）。CT图像根据切片厚度和卷积核分为四种设置：设置1（1.25 mm 锐利核）、设置2（5 mm 锐利核）、设置3（5 mm 平滑核）和随机设置。研究共创建了12个组别，结合了四种CT设置和三种结节大小分组。
由经验丰富的放射科医生使用半自动肺结节分割算法对每个结节进行分割，并从分割图像中提取1160个放射组学特征。特征提取使用基于MATLAB平台的自研软件，特征包括肿瘤的大小、边界锐度、形状和纹理模式等。
采用从粗到精的策略选择特征，首先通过层次聚类和最小冗余最大相关性（minimum redundancy maximum relevance, MRMR）算法进行粗选，然后使用增量前向搜索（incremental forward search, IFS）和随机森林（random forest, RF）算法进行精选。为了避免过拟合，研究采用了合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和参数正则化方法。
使用受试者工作特征曲线下面积（area under the receiver operating curve, AUC）、准确性、敏感性和特异性评估模型性能。采用五折交叉验证（fivefold cross-validation）和自助法（bootstrapping）估计AUC，并通过Youden指数确定最佳预测阈值。
在T1a组中，设置1（1.25 mm 锐利核）的模型AUC显著高于其他设置（AUC=0.841，p<0.001）。在T1b组中，设置3（5 mm 平滑核）的模型性能最佳（AUC=0.756），且显著高于随机设置和设置1。在T1c组中，各模型性能无显著差异。
从1160个特征中筛选出869个可重复性高的特征，并进一步精选出各组的优化特征。例如，T1a组的top特征包括log_x_uniformity和gtdm_contrast，T1b组的top特征包括intensity_minimum和gtdm_business，T1c组的top特征包括glcm_mcc和shape_si9。
研究表明，对于直径小于1 cm的肺结节，CT图像采集参数（特别是切片厚度和卷积核）对放射组学模型的诊断性能有显著影响，其中1.25 mm 锐利核的重建设置表现最佳。而对于直径大于1 cm的结节，CT重建参数对诊断性能的影响较小。这一发现为优化肺结节放射组学模型的图像采集策略提供了重要依据。
研究还讨论了部分体积效应（partial volume effect）对小尺寸结节成像质量的影响，并指出未来研究可以进一步验证深度学习算法在CT图像参数转换中的应用，以提高放射组学特征的可重复性和模型性能。
本研究通过系统性分析CT图像采集参数与结节大小的交互作用，为肺结节放射组学模型的优化提供了重要科学依据，具有显著的临床意义和应用前景。