一项基于45-keV虚拟单能量影像的影像组学模型用于鉴别乏脂肪型血管平滑肌脂肪瘤与肾透明细胞癌的开发与验证研究
研究作者与发表信息
本研究由南方医科大学深圳医院的Siqing Jing、Jinhua Wang、Xinzhu Zhao、Bin Zeng、Jiali Luo、Zhongxian Yang及Yubao Liu等学者共同完成，其中Yubao Liu和Zhongxian Yang为共同通讯作者。该研究发表于AME出版社旗下的学术期刊《Translational Andrology and Urology》，并于2026年4月24日在线发表。
学术背景与研究目的
该研究聚焦于泌尿系统肿瘤的影像诊断领域。在临床实践中，术前准确鉴别乏脂肪型血管平滑肌脂肪瘤（fat-poor angiomyolipoma, fp-AML）与肾透明细胞癌（clear cell renal cell carcinoma, ccRCC）一直是一个重大挑战。虽然典型的血管平滑肌脂肪瘤可通过CT检测到宏观脂肪而确诊，但约有5%的fp-AML在影像上缺乏可见脂肪，导致其与ccRCC的鉴别极为困难。两者在常规CT增强扫描中常表现出重叠的强化模式，例如，fp-AML在皮髓质期显著强化后迅速廓清，极易模仿ccRCC的典型强化特征，这往往导致对良性病变进行不必要的手术切除。现有数据显示，超过30%的肾脏部分切除术后的病理结果为良性，其中fp-AML约占这些良性病变的20%。因此，提高小肾肿块的术前定性诊断能力，不仅是诊断问题，更是减少过度治疗、保留肾功能的关键手段。
传统的影像学方法，如常规CT、MRI等，虽能提供一定的鉴别线索，但特异性有限。既往的影像组学研究虽已展现出潜力，但多基于常规CT图像或单期相扫描，其普适性受限。在此背景下，本研究旨在探索一种新的非侵入性诊断方法：利用双层光谱探测器CT（dual-layer spectral detector computed tomography, DLCT）获取的45-keV虚拟单能量影像（virtual monoenergetic images, VMIs），开发并验证一个基于机器学习影像组学的模型，用于区分≤4厘米的小肾肿块中的fp-AML与ccRCC。研究者认为，低keV重建能够增强碘对比度及病灶显著性，可能有助于提升影像组学特征对瘤内异质性的捕捉能力。
研究流程与详细方法
该研究为一项回顾性研究，纳入了108例连续患者，其中病理证实为fp-AML的患者50例，ccRCC患者58例。所有病灶均为最大径≤4厘米且在平扫CT上无可见脂肪的小肾肿块。研究严格按照TRIPOD报告规范进行，并获得了南方医科大学深圳医院医学伦理委员会的批准。
研究流程包括以下几个关键步骤： 1. CT图像采集与处理：所有患者均使用飞利浦双层光谱CT进行三期的肾脏扫描，包括平扫期、皮髓质期（corticomedullary phase, CMP）和肾实质期（nephrographic phase, NP）。影像组学分析的核心是基于CMP和NP重建出的45-keV VMIs。图像预处理包括将体素重采样至各向同性的1×1×1 mm³，并以25的箱宽进行灰度离散化，以减少采集参数差异对特征稳定性的影响。
肿瘤分割与特征提取：由两名分别具有5年和3年腹部影像诊断经验的放射科医师，在对病理结果不知情的情况下，于45-keV的CMP和NP图像上以全病灶策略手动勾画感兴趣区（region of interest, ROI），并生成三维容积感兴趣区（volume of interest, VOI）。分割过程中纳入了坏死和囊变区域以保留瘤内异质性。使用基于PyRadiomics的达尔文科研平台，从原始图像及经指数、平方、平方根、对数、高斯拉普拉斯滤波和小波变换等预处理后的图像中，共提取了1781个放射组学特征。通过组内相关系数（intraclass correlation coefficient, ICC）评估分割的可重复性，仅保留ICC大于0.80的特征用于后续分析。所有后续的特征筛选和建模步骤均在训练集中进行，以避免信息泄露。
特征筛选与模型构建：特征筛选首先采用最小冗余最大相关（minimum redundancy maximum relevance, mRMR）方法进行降维，随后使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归进行特征选择。之后，研究者构建并比较了五种机器学习分类器的性能，包括随机森林（random forest, RF）、极端梯度提升（extreme gradient boosting, XGBoost）、逻辑回归（logistic regression, LR）、支持向量机（support vector machine, SVM）和K-近邻（k-nearest neighbors, K-NN）。患者以7:3的比例随机分为训练集（75例）和验证集（33例）。模型训练采用10折交叉验证以降低过拟合风险。模型性能通过受试者工作特征曲线下面积（area under the curve, AUC）、准确度、灵敏度等指标评估，并使用SHAP（Shapley Additive Explanations）值增强模型可解释性。
主要研究结果
研究结果显示，fp-AML与ccRCC在性别、最大径、平扫CT值、假包膜征及囊变方面存在显著差异（p<0.05）。fp-AML病灶更小、平扫密度更高且女性更多见，而ccRCC则表现出更高的囊变和假包膜征发生率。
在模型性能方面，跨越所有五种分类器，结合了CMP和NP的双期相影像组学模型均表现出比单一期相模型更高的诊断效能。其中，SVM双期相模型在验证集中取得了最佳性能，其AUC达到0.915（95%置信区间：0.819-1.000），准确度为84.8%，灵敏度为86.7%，特异度为83.3%。相比之下，单一的CMP模型验证集AUC为0.844，单一的NP模型AUC仅为0.756。在训练集中，双期相SVM模型的AUC更是高达0.941。虽然不同模型间的AUC经DeLong检验未显示统计学差异，但双期相模型在所有分类器中表现出的总体优势趋势，强有力地证明了多期相特征互补的价值。
SHAP分析进一步揭示了模型内部的运作机制。在最佳的双期相SVM模型中，最重要的十个鉴别特征中有六个来自CMP，四个来自NP。其中，来自NP的“exponential_glrlm_runentropy”特征（一种反映瘤内纹理异质性的高阶特征）被识别为最具影响力的单一预测因子。ccRCC通常表现出更高的游程熵值，这可能与其内部存在坏死、不规则血管等复杂组织结构有关；而fp-AML则显示出更均匀的强化模式，其特征值较低。这一发现从定量角度印证了肿瘤异质性在鉴别良恶性中的核心价值，并突显了高阶纹理特征在捕捉微观结构差异方面的能力。
结论与研究价值
本研究的结论指出，基于45-keV虚拟单能量影像和机器学习影像组学的双期相光谱CT模型，在鉴别小肾肿块的fp-AML与ccRCC方面展现出良好的诊断性能。该方法为非侵入性区分这两种影像学表现重叠的病变提供了一种有前景的定量工具，有望在术前减少对良性病变的不必要手术干预，具有重要的临床转化价值。其科学价值在于，它将低keV成像增强对比度的优势与影像组学量化异质性的能力有机结合，探索了光谱CT影像组学在该特定鉴别诊断任务中的应用潜力。
研究亮点与创新性
本研究的主要亮点在于其方法学的新颖性和系统性。首先，它是较早专门应用双层光谱CT的45-keV VMIs进行影像组学分析以鉴别fp-AML与ccRCC的研究，填补了该领域的知识空白。其次，研究证实了双期相特征融合策略相对于单期相的显著优势，为未来该领域的研究提供了重要的方法学参考。再者，研究不仅局限于模型构建，还通过SHAP分析实现了模型的可解释性，明确了高阶纹理特征（如游程熵）在肿瘤鉴别中的主导作用，为影像学发现提供了更深层次的生物学解释。
局限性与未来展望
尽管结果令人鼓舞，研究也坦诚地指出了其局限性，包括单中心回顾性设计、样本量有限、缺乏独立外部验证集、手动分割的潜在变异性以及双期相扫描增加的辐射剂量。因此，研究者强调，该模型目前仍需审慎解读，其临床推广和普遍应用仍有赖于未来多中心、前瞻性研究的进一步外部验证和影像分析流程的标准化。