《Diagnostics》：Radiomics-Based Differential Diagnosis of Radicular Cysts and Apical Granulomas on CBCT Images Using RadC-CNN Architecture
Bilgün ?etin,
Derya ???z,
Kevser Din? and
?smail Kayadibi
编辑推荐：
背景/目的：本研究旨在评估锥形束计算机断层扫描（CBCT）图像提取的影像组学特征对根尖囊肿（RC）与根尖肉芽肿（PG）的鉴别诊断效能，并比较传统机器学习（ML）算法与新型深度学习（DL）模型RadC-CNN的性能差异。方法：回顾性分析98例经组织病理学确诊患者
背景/目的：本研究旨在评估锥形束计算机断层扫描（CBCT）图像提取的影像组学特征对根尖囊肿（RC）与根尖肉芽肿（PG）的鉴别诊断效能，并比较传统机器学习（ML）算法与新型深度学习（DL）模型RadC-CNN的性能差异。方法：回顾性分析98例经组织病理学确诊患者的CBCT图像（RC 55例，PG 43例）。在3D Slicer软件中对病灶进行半自动三维分割，提取48项影像组学特征，仅纳入观察者间一致性良好（组内相关系数ICC ≥ 0.80）的特征进行分析。采用统计检验及决策树、K近邻、支持向量机分类模型，并将性能与RadC-CNN架构进行比较。结果：34项可靠性达标特征中，18项在RC与PG组间存在统计学差异（p < 0.05），涵盖形状特征、一阶特征及基于灰度共生矩阵（GLCM）、灰度游程长度矩阵（GLRLM）、灰度尺寸区域矩阵（GLSZM）、邻近灰度色调差异矩阵（NGTDM）的纹理特征。RadC-CNN模型分类性能最优，准确率达90%，灵敏度为90%，精确率为91.3%，优于所有传统ML算法。结论：基于CBCT的影像组学分析，尤其结合RadC-CNN等DL技术，可为RC与PG的区分提供有前景的无创方案。
论文解读
研究背景与意义
根尖周病变是根管内微生物感染引发的宿主免疫反应，常见类型包括根尖囊肿（RC）、根尖肉芽肿（PG）等，二者临床表现相似但治疗方案差异显著：PG多可通过根管治疗控制，RC常需手术切除。目前组织病理学检查是鉴别二者的金标准，但属于有创操作。锥形束计算机断层扫描（CBCT）虽已广泛应用于口腔颌面影像诊断，但传统视觉判读难以捕捉细微差异。随着人工智能技术发展，影像组学与深度学习为无创鉴别诊断提供了新思路。本研究由Sel?uk大学口腔颌面放射科团队完成，发表于《Diagnostics》，旨在验证新型RadC-CNN模型在RC与PG鉴别诊断中的价值。
关键技术方法
研究采用单中心回顾性设计，纳入2018年10月至2025年12月符合标准的98例患者（RC 55例，PG 43例），所有病例均经组织病理学确诊。使用统一CBCT设备采集图像，在3D Slicer软件中完成病灶半自动分割，提取形状、一阶及纹理类共48项影像组学特征。通过组内相关系数（ICC）筛选观察者间一致性达标（ICC ≥ 0.80）的特征，再经统计学检验保留组间差异显著的特征用于建模。分别训练决策树（DT）、K近邻（KNN）、支持向量机（SVM）、XGBoost及RadC-CNN模型，采用固定划分数据集与10折交叉验证评估性能。
研究结果
3.1 形状特征
34项可靠性达标特征中，体素体积（voxel volume）与最大三维直径（max. 3D diameter）在RC组显著高于PG组（p < 0.001、p = 0.005），反映RC更具膨胀性生长特性。
3.2 一阶特征
除峰度外，能量、熵、方差均存在组间差异：RC组能量更高，提示内部信号更均匀；PG组熵与方差更高，反映信号异质性更强。
3.3 二阶及高阶特征
灰度共生矩阵（GLCM）中仅对比度在PG组显著升高，对应其组织成分更复杂；灰度游程长度矩阵（GLRLM）中除灰度方差外，其余特征均存在差异：RC组灰度非均匀性、长游程强调、游程长度非均匀性更高，PG组游程百分比、短游程强调更高，体现RC更均匀的囊腔结构与PG更细碎的炎症组织差异；灰度尺寸区域矩阵（GLSZM）中灰度非均匀性、大区域强调等特征在RC组更高，进一步印证RC的同质化囊性结构；邻近灰度色调差异矩阵（NGTDM）中繁忙度、粗糙度在RC组更高，可能与囊肿边界清晰相关。
3.4 模型性能比较
RadC-CNN模型表现最优，准确率90%、灵敏度90%、精确率91.3%、F1值89.3%；决策树次之（准确率80%），XGBoost（70%）、SVM（60%）性能中等，KNN表现最弱（准确率50%）。10折交叉验证显示RadC-CNN平均准确率达60%，在小样本条件下仍具备基础判别能力。
讨论与结论
讨论部分指出，本研究首次将CBCT影像组学应用于RC与PG鉴别，相较于既往CT相关研究更贴近临床常规。18项显著差异特征反映了二者组织构成差异：RC的液体成分对应高能量、低熵值，PG的炎症细胞浸润、纤维化对应高对比度、高异质性。RadC-CNN的优异性能源于其深层卷积结构可自动学习高阶特征，结合Dropout与批量归一化有效控制过拟合。研究同时指出局限性：单中心回顾性设计、样本量有限、半自动分割存在观察者变异，需多中心大样本验证。
结论明确：CBCT影像组学结合RadC-CNN可为RC与PG无创鉴别提供支持，其中体素体积、最大三维直径、能量、熵等特征及GLCM、GLRLM等纹理矩阵具有潜在鉴别价值，但临床应用前仍需进一步验证。
