《Diagnostics》：Can 3D T1 Post-Contrast T1 MRI Radiomics-Machine Learning Model to Distinguish Infective from Neoplastic Ring-Enhancing Brain Lesions: An Exploratory Study
Edwin Chong Yu Sng,
Minh Bao Kha,
Min Jia Wong,
Nicholas Kuan Hsien Lee,
Jonathan Cheng Yao Goh,
So Jeong Park,
Darren Cheng Han Teo,
Wei Ming Chua,
May Yi Shan Lim and
Ling Ling Chan
+ 4 authors
编辑推荐：
本推荐介绍一项旨在解决环形强化脑病灶（REBLs）快速准确鉴别难题的探索性研究。研究者运用高分辨率3D T1增强（T1+C）MRI数据，构建了基于影像组学-机器学习（ML）的模型，以区分感染性与肿瘤性REBLs。研究在内外验证集中均展现稳定的诊断性能，AUC达0.80以上，表明其辅助临床决策的潜力，有望优化患者分诊与诊疗路径。
在神经影像学的世界里，有一种棘手的“环形迷踪”——它们被称为环形强化脑病灶（Ring-Enhancing Brain Lesions, REBLs）。在增强T1加权磁共振成像上，它们表现为中心低信号、边缘亮环的影像学异常。这些“迷踪”背后隐藏的，可能是凶险的感染（如脑脓肿、诺卡菌病），也可能是致命的肿瘤（如转移瘤、胶质母细胞瘤）。对于免疫力低下、重症监护室或肿瘤科的患者，这常常意味着生死时速的诊断抉择。因为感染（如脑脓肿）患者可能迅速恶化，而针对感染和肿瘤的治疗路径（是紧急使用抗生素、穿刺引流，还是进行高风险的脑活检）截然不同。遗憾的是，现有的临床和影像学鉴别手段存在诸多局限：典型的“头痛、发热、神经系统定位体征”三联征并不常见；血液炎症指标在两者间有显著重叠；经典的弥散加权成像（DWI）信号特征也存在不少例外。影像科医生的主观评估，也受经验、工作负荷等因素影响。因此，临床亟需一种客观、自动化、基于影像的工具，来帮助区分这两种“形似神异”的病变，从而指导精准的分诊和决策。
为了应对这一临床挑战，研究人员开展了一项探索性研究，旨在探究一个大胆的设想：能否仅凭单一序列的高分辨率三维（3D）T1增强（T1+C）磁共振成像数据，通过影像组学（Radiomics）结合机器学习（Machine Learning, ML）的分析方法，有效区分感染性与肿瘤性的环形强化脑病灶？这项研究发表在专业期刊《Diagnostics》上。
为了回答核心问题，研究人员开展了一项回顾性研究，其技术方法的关键步骤包括：1. 构建数据集：从两家大型三级医院（一家用于训练/验证，另一家作为外部验证集）回顾性收集了确诊为感染（如细菌性脑脓肿、结核、诺卡菌病）或肿瘤（如转移瘤、胶质瘤）的REBLs患者的3D T1+C MRI扫描数据。2. 图像注释与处理：在神经放射科医生监督下，对图像中的病灶进行手动边界框标注。3. 影像组学特征提取：使用PyRadiomics软件包，从标注区域自动化提取了包括形态、强度直方图、纹理（如GLCM, GLRLM, GLSZM, GLDM, NGTDM）在内的多维特征，并辅以拉普拉斯-高斯滤波（LoG）和小波变换（Wavelet）进行特征空间增强。4. 特征选择与建模：采用互信息（Mutual Information, MI）进行特征选择，并应用了包括多层感知机（Multi-layer Perceptron, MLP）在内的9种机器学习分类器构建预测模型，以进行患者层面的分类（感染 vs. 肿瘤）。
结果部分的主要发现如下：
模型性能表现
- •
在交叉验证中，使用原始+LoG+小波特征组合的多层感知机（MLP）模型表现最优，其平均曲线下面积（AUC）为0.80 ± 0.02，敏感度为0.83 ± 0.09，特异度为0.77 ± 0.08，平衡准确度为0.80 ± 0.02。
- •
在来自另一家医院的独立外部验证集上，该模型配置展现出稳定且可持续的性能，AUC为0.84，敏感度为0.84，特异度为0.75，平衡准确度为0.80。
与基准模型的对比
- •
研究还评估了端到端的二维卷积神经网络（2D CNN）基线模型以及影像组学与CNN的混合配置。在相同的实验协议下，本研究提出的基于影像组学-ML的模型（特别是MLP）表现优于或与这些基准模型相当，证明了所提方法的有效性。
结论和讨论部分对此项研究的意义进行了归纳和展望。本研究成功构建并验证了一个基于单一序列高分辨率3D T1+C MRI的影像组学-机器学习模型。该模型在区分感染性与肿瘤性环形强化脑病灶方面展现出可靠的诊断性能，并且在独立的外部数据集中保持了稳定表现。这表明，仅利用常规MRI检查中已广泛采集的3D T1+C数据，就有可能开发出辅助鉴别诊断的自动化工具。这对于临床实践具有重要意义，尤其是在资源有限或亟需快速决策的场景下，该模型有望成为影像科医生和临床医生的有力辅助，帮助优化患者的分诊流程，减少不必要的经验性抗生素使用或高风险脑活检，从而改善患者预后。当然，研究作者也指出，这仍是一项探索性研究。未来的工作方向包括纳入更多的MRI序列（如DWI, FLAIR）和临床数据，构建多模态影像组学-机器学习模型，以进一步提升模型的鉴别能力和临床适用性。此外，在更大规模、更多中心的前瞻性数据中进行验证，是推动此类人工智能辅助诊断工具走向临床应用的关键步骤。
