基于胸部计算机断层扫描的放射组学与机器学习技术在分类由血液系统恶性肿瘤及转移性腹盆腔实体瘤引起的纵隔淋巴结病变中的应用

《Journal of Thoracic Imaging》：Chest Computed Tomography-Based Radiomics and Machine Learning for Classifying Mediastinal Lymphadenopathy Caused By Hematologic Malignancies and Metastatic Abdominopelvic Solid Cancers

通过整合定量CT和机器学习分析257例新冠出院患者影像特征，发现分为SAD、中间、年轻纤维化和老年纤维化四类影像表型，其中SAD表型显著关联肺功能异常，老年纤维化表型肺容量指标最低。

　　```section>

摘要 通俗语言总结

---

目的：

通过整合定量CT（QCT）和机器学习（ML）技术，研究出院后COVID-19患者的影像学特征，重点关注小气道疾病（SAD）及其与肺容量计测量的相关性。

材料与方法：

在这项单中心横断面回顾性研究中，对一个更大规模的前瞻性队列进行了亚组分析，研究对象为257名来自COVID-19高峰期的成年幸存者（平均年龄56±13岁，49%为男性）。这些患者于2020年3月30日至8月31日期间入住四级医院（中位住院时间为16[8-26]天），并在出院后6至12个月内接受了肺容量计测量以及吸气性和呼气性胸部CT检查。QCT参数数据由AI-Rad Companion Chest CT（西门子医疗）软件生成。

结果：

通过对QCT参数进行层次聚类分析，根据临床和影像学特征将幸存者分为4种类型：“SAD”、“中间型”、“年轻纤维化”和“老年纤维化”。其中，“SAD”组（n=37，14%）表现出较高的残余容积（RV）和RV/总肺容量（TLC）比值，以及肺容量计测量中较低的FEF_25-75/用力肺活量（FVC）比值。“老年纤维化”组（n=42，16%）的TLC和FVC值最低。“年轻纤维化”组（n=79，31%）的RV和RV/TLC比值较低，而FEF_25-75比值较高。“中间型”组（n=99，39%）的特征介于“SAD”组和“纤维化”组之间。

结论：

通过将吸气性和呼气性胸部CT与定量分析和机器学习相结合，可以识别出COVID-19长期患者的不同影像学类型，其中“SAD”组与特定的肺功能异常有显著关联。

通俗语言总结：本研究利用先进的成像技术和机器学习方法，分析了257名因COVID-19住院的成年患者的肺部状况。研究人员发现了四种不同的肺部类型：“SAD”、“中间型”、“年轻纤维化”和“老年纤维化”。其中，“SAD”组存在特定的肺功能问题，如残余容积较高、RV/总肺容量比值较高，以及FEF_25-75/用力肺活量比值较低。“老年纤维化”组的总肺容量和用力肺活量值最低，而“年轻纤维化”组的残余容积和RV/总肺容量比值较低，FEF_25-75比值较高。这种方法有助于了解COVID-19幸存者的长期肺部变化，强调了个性化康复护理的重要性。

```