二維超聲、超聲造影聯(lián)合超聲影像組學(xué)鑒別診斷肺鱗癌與肺結(jié)核的臨床價(jià)值

摘" " 要" " 目的" " 探討二維超聲、超聲造影聯(lián)合超聲影像組學(xué)鑒別診斷肺鱗癌與肺結(jié)核的臨床價(jià)值。方法" " 選取我院經(jīng)超聲引導(dǎo)下穿刺活檢病理證實(shí)的112例肺鱗癌及肺結(jié)核患者，共121個(gè)病灶，按照7∶3的比例將其隨機(jī)分為訓(xùn)練集85個(gè)（肺鱗癌50個(gè)、肺結(jié)核35個(gè)）和驗(yàn)證集36個(gè)（肺鱗癌21個(gè)、肺結(jié)核15個(gè)），比較訓(xùn)練集中肺鱗癌與肺結(jié)核二維超聲及超聲造影圖像特征；同時(shí)從二維超聲及超聲造影圖像中提取相應(yīng)的影像組學(xué)特征，經(jīng)過標(biāo)準(zhǔn)化處理及特征篩選降維，建立超聲影像組學(xué)標(biāo)簽并計(jì)算每個(gè)病灶的影像組學(xué)評(píng)分（RS）。采用多因素Logistic回歸分析分別構(gòu)建超聲診斷模型、超聲影像組學(xué)模型及聯(lián)合模型。繪制受試者工作特征（ROC）曲線分析各模型在訓(xùn)練集和驗(yàn)證集中鑒別肺鱗癌與肺結(jié)核的區(qū)分度；繪制校準(zhǔn)曲線、臨床決策曲線評(píng)價(jià)聯(lián)合模型的校準(zhǔn)度、臨床適用性。結(jié)果" " 訓(xùn)練集中肺鱗癌與肺結(jié)核病灶增強(qiáng)模式、形態(tài)、回聲、最大徑比較差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）。多因素Logistic回歸分析顯示，病灶形態(tài)、最大徑及增強(qiáng)模式均為鑒別診斷肺鱗癌與肺結(jié)核的獨(dú)立影響因素（OR=3.651、5.039、4.467，均Plt;0.05），基于上述3個(gè)獨(dú)立影響因素構(gòu)建超聲診斷模型?；谧钚〗^對(duì)收縮和選擇算子（LASSO）算法共篩選出25個(gè)非零系數(shù)的超聲影像組學(xué)特征，訓(xùn)練集中肺結(jié)核與肺鱗癌的RS分別為（0.79±0.19）分、（0.23±0.12）分，驗(yàn)證集中肺結(jié)核與肺鱗癌的RS分別為（0.57±0.22）分、（0.25±0.22）分，二者比較差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）。ROC曲線分析顯示，超聲影像組學(xué)模型、聯(lián)合模型在訓(xùn)練集和驗(yàn)證集的曲線下面積分別為0.994和0.848、0.995和0.908，二者比較差異均無統(tǒng)計(jì)學(xué)意義；且均高于超聲診斷模型的曲線下面積（0.814和0.762），差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）。校準(zhǔn)曲線顯示，聯(lián)合模型在訓(xùn)練集和驗(yàn)證集的校準(zhǔn)度均較高；臨床決策曲線顯示，當(dāng)聯(lián)合模型概率閾值為16%～89%時(shí)凈獲益更高。結(jié)論" " 二維超聲、超聲造影聯(lián)合超聲影像組學(xué)可以較好地鑒別診斷肺鱗癌與肺結(jié)核，具有一定的臨床應(yīng)用價(jià)值。

關(guān)鍵詞" " 超聲檢查；造影劑；影像組學(xué)；肺結(jié)核；肺鱗癌；鑒別診斷

［中圖法分類號(hào)］R445.1；R734.2" " " ［文獻(xiàn)標(biāo)識(shí)碼］A

Clinical value of two-dimensional ultrasound，contrast-enhanced ultrasound combined with radiomics in the differential diagnosis of lung squamous

cell carcinoma and pulmonary tuberculosis

ZHAO Jie，ZHU Lijing，HAO Lei，CHEN Zezheng，WANG Xinghua

College of Medical Imaging，Shanxi Medical University，Taiyuan 030001，China

ABSTRACT" " Objective" " To explore the clinical value of two-dimensional ultrasound，contrast-enhanced ultrasound combined with radiomics in the differential diagnosis of lung squamous cell carcinoma and pulmonary tuberculosis.Methods" " A total of 112 patients form our hospital，with 121 lesions confirmed by ultrasound-guided biopsy to be either lung squamous cell carcinoma or pulmonary tuberculosis were selected.These were randomly divided into a training set of 85 lesions（50 lung squamous cell carcinoma and 35 pulmonary tuberculosis） and a validation set of 36 lesions（21 lung squamous cell carcinoma and 15 pulmonary tuberculosis） at a 7∶3 ratio.The two-dimensional ultrasound and contrast-enhanced ultrasound image features of lung squamous cell carcinoma and pulmonary tuberculosis lesions in the training set were compared.At the same time，the corresponding radiomics features were extracted from two-dimensional ultrasound and contrast-enhanced ultrasound images，and the dimension was reduced by standardized processing feature screening.The radiomics label was established and the radiomics score（RS） of each lesion was calculated.The ultrasonic diagnostic model，ultrasonic radiomics model and combined model were established by multvariate Logistic regression.Receiver operating characteristic（ROC） curve was drawn to analyze the discrimation of each model in differentiating lung squamous cell carcinoma from pulmonary tuberculosis.Calibration curve and clinical decision curve were drawn to evaluate the calibration and clinical practicability of the combined model.Results" " There were significant differences in enhancement pattern，morphology，echogenicity and maximum diameter" between lung squamous cell carcinoma and pulmonary tuberculosis in the training set（all Plt;0.05）.Multivariate Logistic regression analysis showed that lesion morphology，maximum diameter and enhancement pattern were independent influencing factors for differentiating lung squamous cell carcinoma from pulmonary tuberculosis（OR=3.651，5.039，4.467，all Plt;0.05）.Based on the above 3 independent influencing factors，an ultrasonic diagnosis model was constructed.Based on LASSO regression，a total of 25 non-zero coefficient ultrasonic radiomics features were screened out.The RS of pulmonary tuberculosis and lung squamous cell carcinoma in the training set were 0.79±0.19 and 0.23±0.12，respectively，and in the validation set were 0.57±0.22 and 0.25±0.22，respectively，there were statistically significant（both Plt;0.05）.ROC curve analysis showed that the area under the curve of the radiomics model and the combined model in the training and validation sets were 0.994 and 0.848，0.995 and 0.908，respectively，with no significant differences between the two models，which were higher than those of the ultrasonic diagnosis model（0.814 and 0.762），and the differences were statistically significant（all Plt;0.05）.Calibration curves showed high calibration in both sets for the combined model，and clinical decision curve showed that when the probability threshold for the combined model was 16%～89%，the clinical net benefit was higher.Conclusion" " Two-dimensional ultrasound，contrast-enhanced ultrasound combined with radiomics can effectively differentiate lung squamous cell carcinoma from pulmonary tuberculosis，which has a certain clinical application value.

KEY WORDS" " Ultrasonography；Contrast agent；Radiomics；Pulmonary tuberculosis；Lung squamous cell carcinoma；Differential diagnosis

肺鱗癌是肺癌發(fā)病率最高的亞型之一［1］，其易出現(xiàn)壞死區(qū)的病理特性，與肺結(jié)核進(jìn)展過程中干酪樣壞死表現(xiàn)相似，單純依靠影像學(xué)檢查易誤診［2］。既往研究［3-4］顯示，肺鱗癌多由支氣管動(dòng)脈供血，而肺結(jié)核由于受慢性病程長期侵蝕，導(dǎo)致肺動(dòng)脈分支被破壞，支氣管動(dòng)脈代償供血增加，因此二者超聲造影表現(xiàn)相似，鑒別診斷困難。影像組學(xué)能夠高通量從圖像中挖掘肉眼難以識(shí)別的特征，而這些特征可能與疾病異質(zhì)性密切相關(guān)。研究［5-6］表明，多模態(tài)融合的超聲影像組學(xué)模型可以更深層次地提取病灶中的信息，與單一模態(tài)相比具有更好的診斷效能。因此，本研究基于二維超聲、超聲造影圖像特征，并與超聲影像組學(xué)聯(lián)合建立分類預(yù)測(cè)模型，探討其在鑒別診斷肺鱗癌與肺結(jié)核中的臨床價(jià)值。

資料與方法

一、研究對(duì)象

選取2017年10月至2023年10月我院經(jīng)超聲引導(dǎo)下穿刺活檢病理證實(shí)的112例肺鱗癌及肺結(jié)核患者，男77例，女35例，年齡16～91歲，平均（68.15±15.00）歲；共121個(gè)病灶，其中肺鱗癌71例（71個(gè)病灶），肺結(jié)核41例（50個(gè)病灶）。按照7∶3的比例將其隨機(jī)分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集80例，男55例，女25例，年齡16～91歲，平均（69.11±15.14）歲，共85個(gè)病灶，其中肺鱗癌50個(gè)，肺結(jié)核35個(gè)；驗(yàn)證集32例，男22例，女10例，年齡24～88歲，平均（65.75±14.62）歲，共36個(gè)病灶，其中肺鱗癌21個(gè)，肺結(jié)核15個(gè)。訓(xùn)練集和驗(yàn)證集中肺鱗癌與肺結(jié)核患者年齡、性別比較差異均無統(tǒng)計(jì)學(xué)意義。納入標(biāo)準(zhǔn)：①均經(jīng)病理證實(shí)；②臨床及超聲資料齊全。排除標(biāo)準(zhǔn)：①病理診斷不明確；②無法配合完成相關(guān)檢查；③有造影劑禁忌證。本研究經(jīng)我院醫(yī)學(xué)倫理委員會(huì)批準(zhǔn)（批準(zhǔn)號(hào)：［2024］YX第010號(hào)），為回顧性研究故免除患者知情同意。

二、儀器與方法

1.多模態(tài)超聲圖像采集：使用GE Logiq E9彩色多普勒超聲診斷儀，C1-6凸陣探頭、9L線陣探頭，頻率分別為2.5～6.0 MHz、5～9 MHz；造影劑采用SonoVue（意大利Bracco公司），按說明書配制成混懸液備用。首先行二維超聲檢查，選擇病灶最佳切面，記錄病灶內(nèi)部回聲、最大徑、形態(tài)及邊界情況；然后進(jìn)入超聲造影模式，于肘靜脈團(tuán)注配置好的造影劑混懸液2.4 ml，隨后迅速推注5.0 ml生理鹽水沖管，對(duì)病灶進(jìn)行至少2 min的實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)，記錄病灶增強(qiáng)模式（迅速基底樹枝樣、其他），并計(jì)算造影劑到達(dá)病灶與鄰近正常肺組織時(shí)間差（ΔAT）。選取時(shí)間-強(qiáng)度曲線中達(dá)峰時(shí)間范圍內(nèi)增強(qiáng)程度最大的圖像作為代表性圖像存儲(chǔ)。以上操作均由兩名具有5年以上工作經(jīng)驗(yàn)的超聲醫(yī)師完成，如有分歧協(xié)商解決。

2.圖像分割與特征提?。簩?duì)選擇的二維超聲及超聲造影圖像進(jìn)行預(yù)處理，由另兩名具有5年以上肺部超聲檢查經(jīng)驗(yàn)的醫(yī)師使用開源軟件ITK-SNAP沿病灶邊界手動(dòng)勾畫感興趣區(qū)（ROI）。使用開源軟件FAE 0.5.5對(duì)原始圖像和基于變換和濾波后的圖像進(jìn)行關(guān)于形態(tài)學(xué)、一階統(tǒng)計(jì)學(xué)、紋理等影像組學(xué)特征提取，包括一階直方圖特征、形態(tài)學(xué)特征、灰度共生矩陣（GLCM）、灰度大小區(qū)域矩陣（GLSZM）、領(lǐng)域灰度差矩陣（NGTDM）、灰度游程矩陣（GLRLM）、灰度依賴矩陣（GLDM）。使用組內(nèi)及組間相關(guān)系數(shù)（ICC）評(píng)估影像組學(xué)特征提取的重復(fù)性，ICC均gt;0.75為圖像提取可重復(fù)性好并納入后續(xù)研究。見圖1。

3.預(yù)測(cè)模型的構(gòu)建

（1）超聲診斷模型：比較訓(xùn)練集中肺鱗癌與肺結(jié)核二維超聲及超聲造影圖像特征，將單因素分析中差異有統(tǒng)計(jì)學(xué)意義的變量納入多因素Logistic回歸分析，篩選鑒別診斷二者的獨(dú)立影響因素，從而構(gòu)建超聲診斷模型。

（2）超聲影像組學(xué)模型：為使不同度量之間的特征具有可比性，對(duì)提取出的二維超聲影像組學(xué)特征及超聲造影影像組學(xué)特征合并后使用Z-score標(biāo)準(zhǔn)化方法對(duì)其進(jìn)行正則化，使之落入一個(gè)特定區(qū)間。隨后利用皮爾遜相關(guān)系數(shù)（PCC）對(duì)各特征間進(jìn)行相似度比較，若PCCgt;0.990，則移除其中一個(gè)特征，以確保每個(gè)特征相互獨(dú)立，提高模型的準(zhǔn)確性和泛化能力；采用最小絕對(duì)收縮和選擇算子（LASSO）算法和10折交叉驗(yàn)證從提取的特征中篩選出非零系數(shù)的最優(yōu)特征集，利用其對(duì)應(yīng)的權(quán)重系數(shù)計(jì)算各病灶的影像組學(xué)評(píng)分（RS），以此構(gòu)建超聲影像組學(xué)模型。

（3）聯(lián)合模型：將篩選出的超聲診斷獨(dú)立影響因素與RS相結(jié)合，基于訓(xùn)練集采用多因素Logistic回歸分析構(gòu)建聯(lián)合模型，并繪制列線圖將分類模型可視化。

三、統(tǒng)計(jì)學(xué)處理

應(yīng)用SPSS 25.0、MedCalc 20.1.0統(tǒng)計(jì)軟件及Python 3.6.13算法、R 4.1.0語言，計(jì)量資料若服從正態(tài)分布以x±s表示，組間比較采用兩獨(dú)立樣本t檢驗(yàn)；若不服從正態(tài)分布則以M（Q1，Q3）表示，組間比較采用Mann-Whitney U檢驗(yàn)。計(jì)數(shù)資料以頻數(shù)或率表示，組間比較采用χ2檢驗(yàn)。基于訓(xùn)練集，采用多因素Logistic回歸分析分別建立超聲診斷模型、超聲影像組學(xué)模型及聯(lián)合模型。繪制受試者工作特征（ROC）曲線評(píng)估各模型在訓(xùn)練集和驗(yàn)證集中鑒別肺鱗癌與肺結(jié)核的區(qū)分度；曲線下面積（AUC）比較采用Delong檢驗(yàn)。繪制校準(zhǔn)曲線評(píng)價(jià)聯(lián)合模型在訓(xùn)練集和驗(yàn)證集中的校準(zhǔn)度；臨床決策曲線評(píng)價(jià)各模型的臨床適用性。Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義。

結(jié)" 果

一、訓(xùn)練集與驗(yàn)證集二維超聲及超聲造影圖像特征比較

訓(xùn)練集與驗(yàn)證集病灶形態(tài)、回聲、邊界、最大徑、增強(qiáng)模式、ΔAT比較差異均無統(tǒng)計(jì)學(xué)意義。見表1?？捎糜谀Ｐ偷臉?gòu)建與驗(yàn)證。

二、超聲診斷模型構(gòu)建

訓(xùn)練集中肺鱗癌與肺結(jié)核病灶形態(tài)、回聲、最大徑、增強(qiáng)模式比較差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）。見表2。將其納入多因素Logistic回歸，結(jié)果顯示病灶形態(tài)、最大徑、增強(qiáng)模式均為鑒別診斷肺鱗癌及肺結(jié)核的獨(dú)立影響因素（OR=3.651、5.039、4.467，均Plt;0.05）。見表3和圖2，3。構(gòu)建超聲診斷模型：Logit（P）=?2.620+1.497×增強(qiáng)模式+1.295×形態(tài)+1.617×最大徑。

三、超聲影像組學(xué)模型構(gòu)建

利用肺鱗癌及肺結(jié)核病灶二維超聲及超聲造影圖像，共提取出2818個(gè)特征（包括28個(gè)形態(tài)學(xué)特征，540個(gè)一階統(tǒng)計(jì)學(xué)特征和2250個(gè)紋理特征），經(jīng)過Z-score標(biāo)準(zhǔn)化和PCC降維后，使用LASSO算法共篩選出25個(gè)非零系數(shù)的特征。見圖4。訓(xùn)練集中肺結(jié)核與肺鱗癌的RS分別為（0.79±0.19）分、（0.23±0.12）分，驗(yàn)證集中肺結(jié)核與肺鱗癌的RS分別為（0.57±0.22）分、（0.25±0.22）分，二者比較差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）。

四、聯(lián)合模型構(gòu)建

將病理結(jié)果作為因變量，病灶形態(tài)、最大徑、增強(qiáng)模式和RS作為自變量，基于訓(xùn)練集采用Logistic回歸分析構(gòu)建聯(lián)合模型：Logit（P）=?16.005+4.001×增強(qiáng)模式?2.452×形狀?1.187×最大徑+32.425×RS，繪制的列線圖見圖5。

五、各模型鑒別肺鱗癌與肺結(jié)核的診斷效能比較及驗(yàn)證

1.區(qū)分度：訓(xùn)練集中超聲診斷模型、超聲影像組學(xué)模型、聯(lián)合模型鑒別診斷肺鱗癌與肺結(jié)核的AUC分別為0.814、0.994、0.995，其中聯(lián)合模型和超聲影像組學(xué)模型的AUC均高于超聲診斷模型，差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.001），而聯(lián)合模型與超聲影像組學(xué)模型比較差異無統(tǒng)計(jì)學(xué)意義；驗(yàn)證集中上述模型鑒別診斷肺鱗癌與肺結(jié)核的AUC分別為0.762、0.848、0.908，以聯(lián)合模型的診斷效能最佳，與超聲診斷模型比較差異有統(tǒng)計(jì)學(xué)意義（P=0.036），其余各模型AUC兩兩比較差異均無統(tǒng)計(jì)學(xué)意義。見表4和圖6。

AUC：曲線下面積

2.校準(zhǔn)度：校準(zhǔn)曲線顯示，聯(lián)合模型在訓(xùn)練集和驗(yàn)證集中的預(yù)測(cè)曲線均與標(biāo)準(zhǔn)曲線貼合，在鑒別診斷肺鱗癌與肺結(jié)核的校準(zhǔn)度較高。見圖7。

3.臨床適用性：臨床決策曲線顯示，當(dāng)聯(lián)合模型概率閾值為16%～89%時(shí)凈獲益均高于超聲診斷模型、超聲影像組學(xué)模型，具有更高的臨床價(jià)值。見圖8。

討" 論

目前，肺結(jié)核及肺癌的發(fā)病率均較高，肺癌以手術(shù)、化療等抗腫瘤治療為主，其預(yù)后與疾病進(jìn)展階段密切相關(guān)；而肺結(jié)核經(jīng)過規(guī)范抗結(jié)核藥物治療后預(yù)后多較好，故早期準(zhǔn)確診斷并盡可能避免不必要的侵入性檢查對(duì)二者治療方案的制訂及預(yù)后至關(guān)重要。肺鱗癌作為肺癌最好發(fā)的亞型之一，其易壞死的病理特性與肺結(jié)核干酪樣壞死相似。本研究回顧性分析71個(gè)肺鱗癌、50個(gè)肺結(jié)核二維超聲及超聲造影圖像特征，并通過提取每個(gè)病灶的影像組學(xué)特征，構(gòu)建RS聯(lián)合超聲圖像特征的分類預(yù)測(cè)模型，探討其在鑒別診斷肺鱗癌與肺結(jié)核中的臨床價(jià)值。

超聲造影能實(shí)時(shí)、動(dòng)態(tài)顯示病灶內(nèi)部微血管灌注情況，在鑒別診斷肺局灶性病灶方面具有一定價(jià)值，但存在爭(zhēng)議，Bai等［7］研究顯示，肺部良性病灶超聲造影始增時(shí)間早于惡性，差異有統(tǒng)計(jì)學(xué)意義（Plt;0.05），當(dāng)ΔAT的截?cái)嘀禐?.5 s時(shí)鑒別診斷肺部良惡性病灶的準(zhǔn)確率可達(dá)97.1%；劉丹等［4］研究顯示，肺部慢性炎癥與惡性腫瘤均于支氣管動(dòng)脈期開始增強(qiáng)，本研究中肺鱗癌與肺結(jié)核ΔAT比較差異無統(tǒng)計(jì)學(xué)意義。分析原因?yàn)榉谓Y(jié)核病理變化復(fù)雜，經(jīng)過慢性炎癥長期侵蝕后，肺動(dòng)脈分支被破壞、支氣管動(dòng)脈代償供血增加導(dǎo)致其呈現(xiàn)類似惡性腫瘤的影像學(xué)特征［8-10］。本研究通過單因素及多因素Logistic回歸分析肺鱗癌與肺結(jié)核二維超聲及超聲造影圖像特征，結(jié)果顯示病灶形態(tài)、最大徑、增強(qiáng)模式均為鑒別診斷肺鱗癌與肺結(jié)核的獨(dú)立影響因素（OR=3.651、5.039、4.467，均Plt;0.05），分析原因?yàn)榉西[癌其內(nèi)有大量不成熟的新生腫瘤血管形成，走行較為迂曲且分布不均勻［11］，故超聲造影增強(qiáng)模式多樣；而迅速基底樹枝樣增強(qiáng)符合肺動(dòng)脈及其分支的自然走行，肺結(jié)核病灶內(nèi)無腫瘤細(xì)胞侵犯，因此較肺鱗癌更易表現(xiàn)為此種增強(qiáng)模式。本研究基于上述獨(dú)立影響因素建立超聲診斷模型，ROC曲線分析顯示該模型鑒別診斷訓(xùn)練集和驗(yàn)證集中肺鱗癌與肺結(jié)核的AUC分別為0.814、0.762，表明其對(duì)鑒別診斷肺鱗癌與肺結(jié)核具有一定的臨床價(jià)值。

影像組學(xué)輔助診斷作為近年的研究熱點(diǎn)，通過先進(jìn)的計(jì)算機(jī)技術(shù)，為圖像分析與診斷提供了新的觀念和方法。目前超聲影像組學(xué)在疾病診斷［12］、預(yù)測(cè)預(yù)后［13］、評(píng)估療效［14］等方面已有相關(guān)進(jìn)展；在肺結(jié)核和肺癌的鑒別診斷方面，現(xiàn)有研究多基于CT圖像，如Tan等［15］利用卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)肺癌與肺結(jié)核分類模型，并結(jié)合遷移學(xué)習(xí)，最終達(dá)到90.4%的準(zhǔn)確率；隨著研究不斷深入，部分學(xué)者利用多模態(tài)影像技術(shù)建立模型取得了較單一模態(tài)更好的診斷效果，Hu等［16］基于18F-FDG PET/CT鑒別診斷肺腺癌與肺結(jié)核，分別建立臨床模型、放射組學(xué)模型和聯(lián)合模型，其中聯(lián)合模型在訓(xùn)練集和驗(yàn)證集中的AUC均最高，分別為0.884、0.909；然而，目前對(duì)于極易誤診為肺結(jié)核的肺鱗癌的研究尚無相關(guān)報(bào)道。因此，本研究基于二維超聲和超聲造影圖像，將影像組學(xué)應(yīng)用于肺鱗癌與肺結(jié)核的鑒別診斷中，從圖像ROI中共提取了2818個(gè)特征，利用LASSO 回歸分析從中共篩選出25個(gè)（包括18個(gè)二維超聲特征和7個(gè)超聲造影特征），其中2個(gè)形態(tài)學(xué)特征和4個(gè)一階統(tǒng)計(jì)學(xué)特征，其余均為紋理特征；紋理特征揭示了圖像中相似現(xiàn)象的視覺屬性，通過展示圖像內(nèi)的像素及其周邊空間的灰度分布，在評(píng)估病變區(qū)域內(nèi)部的差異性方面有較大的潛力，與既往研究［17-18］結(jié)論一致。為了探討RS在鑒別診斷肺鱗癌與肺結(jié)核方面的潛力，其計(jì)算公式由篩選出的25個(gè)超聲影像組學(xué)特征與相應(yīng)加權(quán)系數(shù)相乘后的總和構(gòu)成。本研究結(jié)果顯示，訓(xùn)練集和驗(yàn)證集中肺結(jié)核的RS均高于肺鱗癌，差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05），表明篩選后的最優(yōu)特征集可以較好地反映疾病異質(zhì)性，在鑒別診斷肺鱗癌與肺結(jié)核中具有一定價(jià)值，基于此構(gòu)建的超聲影像組學(xué)模型在訓(xùn)練集和驗(yàn)證集中鑒別診斷肺鱗癌與肺結(jié)核的AUC分別為0.994、0.848，訓(xùn)練集中的AUC高于超聲診斷模型（0.994 vs. 0.814），差異有統(tǒng)計(jì)學(xué)意義（Plt;0.001），而驗(yàn)證集中兩者比較差異無統(tǒng)計(jì)學(xué)意義（0.848 vs. 0.762），分析原因可能為樣本量較小。為了進(jìn)一步驗(yàn)證超聲影像組學(xué)為鑒別診斷肺結(jié)核與肺鱗癌提供的增量價(jià)值，本研究構(gòu)建了由二維超聲及超聲造影圖像特征篩選的獨(dú)立影響因素與RS的聯(lián)合模型，結(jié)果顯示聯(lián)合模型的診斷效能最佳，在訓(xùn)練集和驗(yàn)證集中鑒別診斷肺鱗癌與肺結(jié)核的AUC分別為0.995和0.908，與超聲診斷模型比較差異均有統(tǒng)計(jì)學(xué)意義（均Plt;0.05）。且校準(zhǔn)曲線顯示，聯(lián)合模型在訓(xùn)練集和驗(yàn)證集中的預(yù)測(cè)曲線與標(biāo)準(zhǔn)曲線貼合，表明超聲診斷與超聲影像組學(xué)聯(lián)合鑒別診斷肺結(jié)核與肺鱗癌的校準(zhǔn)度較高，分析原因可能為肺結(jié)核病理進(jìn)展復(fù)雜，由于長期炎癥侵蝕導(dǎo)致其二維超聲、超聲造影表現(xiàn)與肺鱗癌相似，容易導(dǎo)致誤診，而影像組學(xué)可以高通量提取肉眼無法識(shí)別的特征，從而彌補(bǔ)傳統(tǒng)超聲診斷方面的不足。此外，本研究構(gòu)建的聯(lián)合模型與超聲影像組學(xué)模型的AUC相近，但臨床決策曲線顯示聯(lián)合模型在概率閾值為16%～89%時(shí)凈獲益高于超聲影像組學(xué)模型，具有更好的臨床應(yīng)用價(jià)值。

本研究的局限性：①樣本量較小，且為單中心研究，缺乏外部驗(yàn)證；②僅納入超聲可清晰顯示的病灶，對(duì)大多數(shù)中心型病灶無法研究；③為回顧性研究，存在選擇性偏倚；④超聲造影圖像的選擇具有一定的主觀性，且僅選取單幀增強(qiáng)程度最佳圖像納入研究，未對(duì)超聲造影的動(dòng)態(tài)過程進(jìn)行研究。

綜上所述，二維超聲、超聲造影聯(lián)合超聲影像組學(xué)可較好地鑒別診斷肺鱗癌與肺結(jié)核，具有一定的臨床應(yīng)用價(jià)值，可為今后臨床制訂個(gè)體化治療方案提供新的思路與方法。

參考文獻(xiàn)

［1］ Ho LJ，Yang HY，Chung CH，et al.Increased risk of secondary lung cancer in patients with tuberculosis：a nationwide，population-based cohort study［J］.PloS One，2021，16（5）：e0250531-e0250544.

［2］ G?rg C，Bert T，Kring R，et al.Transcutaneous contrast enhanced sonography of the chest for evaluation of pleural based pulmonary lesions：experience in 137 patients［J］.Ultraschall Med，2006，27（5）：437-444.

［3］ Safai Zadeh E，G?rg C，Prosch H，et al.WFUMB technological review：how to perform contrast-enhanced ultrasound of the lung［J］.Ultrasound Med Biol，2022，48（4）：598-616.

［4］ 劉丹，周愛云，張誠，等.超聲造影實(shí)時(shí)判斷周圍型肺病變初始強(qiáng)化時(shí)間點(diǎn)的價(jià)值［J］.中國醫(yī)學(xué)影像學(xué)雜志，2017，25（4）：274-277.

［5］ Xu Z，Wang Y，Chen M，et al.Multi-region radiomics for artificially intelligent diagnosis of breast cancer using multimodal ultrasound［J］.Comput Biol Med，2022，149：105920-105927.

［6］ Liang L，Zhi X，Sun Y，et al.A nomogram based on a multiparametric ultrasound radiomics model for discrimination between malignant and benign prostate lesions［J］.Front Oncol，2021，11：610785-610797.

［7］ Bai J，Yang W，Wang S，et al.Role of arrival time difference between lesions and lung tissue on contrast-enhanced sonography in the differential diagnosis of subpleural pulmonary lesions［J］.J Ultrasound Med，2016，35（7）：1523-1532.

［8］ Eldridge L，Moldobaeva A，Zhong Q，et al.Bronchial artery angiogenesis drives lung tumor growth［J］.Cancer Res，2016，76（20）：5962-5969.

［9］ Eldridge L，Wagner EM.Angiogenesis in the lung［J］.J Physiol，2019，597（4）：1023-1032.

［10］ Safai Zadeh E，Keber CU，Dietrich CF，et al.Perfusion patterns of peripheral pulmonary granulomatous lesions using contrast‐enhanced ultrasound（CEUS） and their correlation with immunohistochemically detected vascularization patterns［J］.J Ultrasound Med，2022，41（3）：565-574.

［11］ 郭西源，郝磊，朱麗靜，等.超聲造影鑒別診斷周圍型肺局灶性病變的臨床價(jià)值［J］.臨床超聲醫(yī)學(xué)雜志，2020，22（11）：866-868.

［12］ 張旭，黃品同.基于灰階超聲影像組學(xué)的頸部淋巴瘤預(yù)測(cè)模型研究［J］.中華超聲影像學(xué)雜志，2021，30（6）：506-512.

［13］ Zhang D，Wei Q，Wu GG，et al.Preoperative prediction of microvascular invasion in patients with hepatocellular carcinoma based on radiomics nomogram using contrast-enhanced ultrasound［J］.Front Oncol，2021，11：709339-709351.

［14］ Jiang M，Li CL，Luo XM，et al.Ultrasound-based deep learning radiomics in the assessment of pathological complete response to neoadjuvant chemotherapy in locally advanced breast cancer［J］.Eur J Cancer，2021，147：95-105.

［15］ Tan H，Bates JHT，Matthew Kinsey C.Discriminating TB lung nodules from early lung cancers using deep learning［J］.BMC Med Inform Decis Mak，2022，22（1）：161-167.

［16］ Hu Y，Zhao X，Zhang J，et al.Value of 18F-FDG PET/CT radiomic features to distinguish solitary lung adenocarcinoma from tuberculosis［J］.Eur J Nucl Med Mol Imaging，2021，48（1）：231-240.

［17］ Chen M，Copley SJ，Viola P，et al.Radiomics and artificial intelligence for precision medicine in lung cancer treatment［J］.Semin Cancer Biol，2023，93：97-113.

［18］ 林瑩，馮湛，蔣國平.灰階超聲影像組學(xué)鑒別肝細(xì)胞肝癌與腫塊型肝內(nèi)膽管細(xì)胞癌的價(jià)值［J］.中國醫(yī)學(xué)影像學(xué)雜志，2020，28（4）：269-272.

（收稿日期：2024-05-13）