多模态超声放射组学在浅表淋巴结结核诊断中的应用

《BMC Medical Imaging》：Application of multimodal ultrasound radiomics in the diagnosis of superficial lymph node tuberculosis

　　

摘要

研究目的

本研究旨在利用从多种超声成像技术（包括灰度超声（US）、超声弹性成像（UE）和对比增强超声（CEUS）中提取的放射组学特征，结合多种机器学习算法，开发用于诊断浅表淋巴结结核（LNTB）的术前诊断模型。

研究方法

对222名淋巴结病患者进行了回顾性研究。这些患者被随机分为训练组（n = 156）和验证组（n = 66），比例约为7:3。从每种成像技术获取的图像中提取了837个放射组学特征。通过假设检验进行初步筛选后，采用最小绝对值收缩和选择算法（LASSO）以及五折交叉验证方法对特征进行降维和选择。特征选择完成后，使用五种机器学习模型（逻辑回归、决策树、随机森林、支持向量机和AdaBoost）构建基于放射组学的诊断模型。生成接收者操作特征曲线（ROC曲线）并计算曲线下面积（AUC），以评估各模型在预测浅表淋巴结结核方面的性能。同时，还比较了超声医生的诊断表现与最佳性能的机器学习模型的诊断效果。

研究结果

在不同算法生成的模型中，决策树模型的表现最为优异，在训练组中的AUC为0.909（95%置信区间：0.789–0.949），在验证组中的AUC为0.866（95%置信区间：0.774–0.958）。超声医生的诊断结果表现为：AUC为0.693（95%置信区间：0.568–0.818），敏感性为0.698，特异性为0.689，阳性预测值（PPV）为0.722，阴性预测值（NPV）为0.664。Delong检验表明，决策树模型的诊断性能优于超声医生的诊断（Z = 2.98，p < 0.0029）。

结论

由灰度超声、超声弹性成像和对比增强超声数据构建的放射组学模型在诊断浅表淋巴结结核方面表现出强大的诊断能力，其中决策树模型取得了最佳效果。