快报 | 基于机器学习和影像组学的空洞性肺结核耐药性预测的多中心研究

2022

08/15

中国防痨杂志期刊社

A-

A+

本研究系首次将机器学习和影像组学应用于空洞性肺结核的耐药性预测，创新性地构建了基于空洞影像组学特征的鉴别模型。经测试该模型效能良好，可有效鉴别DS-TB和MDR-TB，有望成为初筛MDR-TB的一种诊断方法，这将进一步促进结核病精准影像诊断的发展。

作者：李晔，王冰，温立旻，李恒星，何芳，吴键，高珊，侯代伦

第一作者及单位：李晔，首都医科大学附属北京胸科医院医学影像科

通信作者及单位：侯代伦，首都医科大学附属北京胸科医院医学影像科

Machine learning and radiomics for the prediction of multidrug resistance in cavitary pulmonary tuberculosis: a multicentre study.

Li Y, Wang B, Wen L, Li H, He F, Wu J, Gao S, Hou D.

研究背景

结核病是一种对全人类生命健康造成重大威胁的慢性传染病，也是当下仅次于新型冠状病毒肺炎的第二大单一感染的致死性传染病。耐多药结核病（multidrug-resistant tuberculosis, MDR-TB）是至少对异烟肼和利福平同时耐药的结核病，已成为重要的全球公共卫生问题，也是唯一一种主要通过空气传播的耐药流行病。

目前，MDR-TB的确诊仍需通过痰培养和药物敏感性试验（简称“药敏试验”）、支气管肺泡灌洗液或肺组织的培养和药敏试验。CT检查的普及大大提高了肺结核的诊断效能，已成为肺结核诊断和随访的重要影像学检查方法。MDR-TB患者常见的CT表现包括多发或单发结节、树芽征、斑片状影、空洞以及支气管扩张。空洞是诊断结核病的重要影像学特征，但既往有关空洞征象的研究多为定性分析，其在MDR-TB中的诊断价值仍需进一步探讨。影像组学在医学成像领域已成为研究热点，是应用基于医学影像大数据的分析方法从医学图像中提取高通量和定量图像特征的一种技术，目前在肿瘤学领域中应用广泛，但在结核空洞方面尚缺乏相关研究。因此，本研究的主要目的是评估基于空洞的影像组学特征是否能够鉴别MDR-TB和药物敏感结核病（drug-sensitive tuberculosis, DS-TB），以实现空洞性MDR-TB的诊断。

研究方法

1．病例收集：
本课题前期回顾性收集了257例空洞性肺结核患者资料，将来自首都医科大学附属北京胸科医院的187例患者作为训练集（包括115例DS-TB患者和72例MDR-TB患者），将来自黑龙江省传染病医院的70例患者作为测试集（包括35例DS-TB患者、35例MDR-TB患者）。

入组标准：（1）经痰涂片、培养或聚合酶链反应试验确诊为活动性肺结核的患者；（2）能够通过药敏试验区分DS-TB和MDR-TB的患者；（3）在结核病确诊之前行CT扫描以排除药物影响的患者；（4）胸部CT可见空洞者。

排除标准：（1）有胸腹部创伤史或合并其他胸部疾病者；（2）合并有艾滋病或糖尿病患者；（3）CT图像质量不佳或临床信息不完整者。

2．CT数据采集：
采用Light Speed VCT和Optima CT 680（GE Healthcare）进行CT扫描。患者取平卧位，扫描范围为患者肺尖至肺底；相关参数设置：管电压为120 kV，电流采用自动调节技术，层厚为1.25 mm，层间距为1.25 mm，螺距为1.0。

3．常规CT图像分析：
由两名具有10年以上胸部CT诊断经验的影像科医师对所有患者的CT图像进行分析，主要征象包括树芽征（小叶中心结节）、结节、实变、纤维条索和钙化结节。

4．空洞分割及影像组学特征提取：
空洞分割在3D Slicer软件上进行。首先对窗宽、窗位进行统一化处理，基于ROI层面进行手动标注，包括病灶周围的卫星灶，由对胸部影像诊断丰富的一名医生进行勾画，并由另一名具有10年以上胸部CT诊断经验的医生进行确认。两位医生并不知该例结核病患者的最终诊断。通过PyRadiomics软件从医学影像数据中提取标准化的影像组学特征进行特征提取。

5．影像组学特征筛选及模型构建：
本研究先通过最大信息系数进行特征筛选，筛选出前300个特征，之后通过嵌入式随机森林算法进行进一步特征筛选。将筛选出的特征通过随机森林算法构建影像组学模型，并在测试集上进行测试。将具有统计学意义的临床基本资料和常规CT图像通过逻辑回归算法构建临床预测模型，最后将其和影像组学特征联合，构建临床-影像预测模型。

6．统计学分析：
通过SPSS和Python软件进行数据的统计分析。两组间计数资料差异的比较采用卡方检验，计量资料的差异比较采用Mann-Whitney U检验，模型效能通过ROC曲线进行评价。

研究结果

1．基本临床资料和常规CT图像的分析：
在训练集和测试集上，MDR-TB和DS-TB患者在年龄、结节和钙化结节这3个特征上的差异均有统计学意义（P值均＜0.05），其他特征的差异均无统计学意义。

2．影像组学特征筛选及模型效能：
研究最终筛选出21个影像组学特征（图1）以构建模型。影像组学模型在训练集和测试集上表现良好， AUC值分别为0.844和0.829；临床预测模型效果不佳，AUC值分别为0.589和0.500，两者间差异均有统计学意义（P值均＜0.05）；临床-影像组学模型表现最好，AUC值分别为0.881和0.834，但与影像组学模型之间的差异无统计学意义（P=0.165、0.861）（图2）。

35031660363550120