影像組學聯合CT 特征鑒別兒童支原體與非支原體肺炎

王 超，徐 鵬，黃國強，邱曉暉，劉藝超

（1.亳州市人民醫院影像中心，2.兒科，安徽 亳州 236800）

支原體肺炎（mycoplasma pneumonia，MP）常見于兒童［1］，近年來5 歲以下兒童MP 患病率逐年增加［2］。各種病原體所致肺炎早期或急性期癥狀無明顯差異［3］，導致鑒別診斷兒童MP 與非MP 存在困難［4-5］。本研究觀察影像組學聯合CT 特征鑒別MP 與非MP 的價值。

1 資料與方法

1.1 研究對象 回顧性分析2021 年10 月—2022 年12 月亳州市人民醫院153 例肺炎患兒，男89 例、女64例，年齡1～14 歲、平均（6.1±2.8）歲；均于入院前或后2 天內經胸部CT 診斷為肺炎，且于入院后2 天內接受支原體RNA 檢測，其中MP 101 例（MP 組）、非MP 52 例（非MP 組）。排除CT 圖像質量差或疑診病毒性肺炎者。本研究經院倫理委員會批準（亳醫倫審2023第255 號）；檢查前監護人均簽署知情同意書。

1.2 儀器與方法 采用Siemens Somatom Definition Flash 雙源CT 機于患兒深吸氣后屏氣狀態下行胸部掃描，參數：管電壓100 kV，管電流為有效mAs，層厚3 mm，層間距3 mm。采用濾波反投影重建算法重建圖像，卷積核Kernal值為70%。

1.3 分析圖像 由具有7 及10 年工作經驗的影像科主治醫師各1 名（醫師1、2）閱片，觀察病變CT 表現，主要包括病灶在各肺葉的分布，以及有無空氣支氣管征、支氣管壁增厚、樹芽征（沿支氣管分布的小葉中心結節）、樹霧征（支氣管束周圍霧狀磨玻璃改變）、邊緣回縮征（肺內實變區邊緣局部向內回縮、凹陷）或胸腔積液；意見有分歧時請1 名副主任醫師審核。

1.4 提取影像組學特征 將肺窗原始CT 圖像（窗寬1 500 HU、窗位－500 HU）上傳至深睿醫療多模態科研平臺2.2 版本（https：//keyan.deepwise.com）。對圖像行灰度歸一化預處理后，分別沿病灶邊緣逐一勾畫ROI，見圖1；基于ROI 提取CT 影像組學特征，經濾波器處理后經原始、小波變換、LoG、LBP2D、LBP3D、Square、SquareRoot、Logarithm、Exponentail、Gradient共10 個過濾器進行紋理分析共提取2 153 個特征，含414 個一階特征、14 個形態特征及1 725 個灰度矩陣特征［ 包括灰度共生矩陣（gray level co-occurrence matrix，GLCM）、灰度區域尺寸矩陣（gray-level size zone matrix，GLSZM）、灰度游程矩陣（gray-level run length matrix，GLRLM）、相鄰域灰度差分矩陣（neighboring gray tone difference matrix，NGTDM）及灰度相關矩陣（gray-level dependence matrix，GLDM）特征］。

圖1 于肺窗胸部軸位CT 圖中逐一勾畫病灶ROI（藍線和黃線區域）示意圖

1.5 構建模型及統計學分析 采用深睿醫療多模態科研平臺。以中位數（上下四分位數）表示非正態分布計量資料，行Mann-WhitneyU檢驗。采用χ2檢驗比較計數資料。按7∶3 比例將153 例數據分為訓練集（n=107，含71 例MP、36 例非MP）和驗證集（n=46，含30例MP、16 例非MP）。采用F test 算法基于訓練集CT征象選出6 個最佳CT 征象，以邏輯回歸（logistic regression，LR）分類器構建CTLR模型。應用組內相關系數（intra-class correlation coefficient，ICC）分析同一觀察者提取不同患者病灶ROI、不同觀察者間提取相同患者病灶ROI 影像組學特征的一致性，保留ICC≥0.9 的特征?；谟柧毤瘮祿捎肍 test 算法篩選出10 個最佳影像組學特征，分別以LR、支持向量機（support vector machine，SVM）、隨機森林（random forest，RF）、線性判別分析（linear discriminant analysis，LDA）及隨機梯度下降法（stochastic gradient descent，SGD）分類器構建機器學習（machine learning，ML）模型，包括MLLR、MLSVM、MLRF、MLLDA及MLSGD；再以上述分類器分別基于最佳CT 征象及影像組學特征構建CT-ML 模型，獲得CT-MLLR、CTMLSVM、CT-MLRF、CT-MLLDA及CT-MLSGD。繪制受試者工作特征（receiver operating characteristic，ROC）曲線，計算曲線下面積（area under the curve，AUC）評估各模型鑒別MP 與非MP 的效能；以DeLong 檢驗比較CTLR、最佳影像組學及CT-ML 模型AUC 差異。P＜0.05 為差異有統計學意義。

2 結果

MP 組男58 例、女43 例，年齡6.0（5.0，8.0）歲；非MP 組男31 例、女21 例，年齡5.0（3.0，7.0）歲。組間年齡（U=2 200.00，P=0.099）及性別（χ2=0.068，P=0.795）差異均無統計學意義。

2.1 CT 表現 組間支氣管壁增厚、樹芽征差異均有統計學意義（P均＜0.05），其余CT 表現差異均無統計學意義（P均＞0.05）。見圖2、3 表1。

表1 101 例MP 與52 例非MP 患兒CT 表現比較（例）

圖2 胸部軸位CT 肺窗圖示MP 病變 A.女性患兒，4 歲，右肺上葉MP，右肺上葉支氣管壁增厚（長箭），周圍見多發樹芽征（短箭）；B.男性患兒，7 歲，左肺上葉MP，左肺上葉支氣管壁增厚（短箭），支氣管周圍見樹霧征（長箭），并見散在樹芽征 圖3 胸部軸位CT 肺窗圖示非MP 病變 女性患兒，5 歲，左肺下葉大葉性肺炎并見邊緣回縮征（箭）

2.2 CT 模型 病變累及右肺上、中、下葉，支氣管壁增厚、樹芽征及邊緣回縮征為最優CT 征象，以之構建的CTLR模型鑒別訓練集MP與非MP 的AUC 為0.713，在驗證集的AUC 為0.710。

2.3 影像組學模型 基于訓練集提取2 153 個影像組學特征，經ICC檢驗后保留347 個特征，最終以F test算法選出10 個最優特征，包括1 個GLCM、2 個GLRLM、4 個NGTDM 及3 個GLDM 特 征（圖4）。MLLR、MLSVM、MRF、MLLDA及MLSGD模型在驗證集 的AUC 分別為0.715、0.663、0.623、0.706 及0.494，MLLR模型為最優影像組學模型。

圖4 基于訓練集數據采用F test 算法選出的10 個最優影像組學特征及其系數圖

2.4 CT-ML 模型訓練集中，CT-MLLR、CTMLSVM、CT-MLRF、CT-MLLDA及CT-MLSGD模型的AUC 分別為0.749、0.840、0.998、0.747 及0.664，在驗證集為0.813、0.823、0.649、0.796 及0.665；CTMLSVM為最優CT-ML 模型。

2.5 比較各模型效能 訓練集中，CT-MLSVMAUC（0.840）高于CTLR及MLLR模型（AUC=0.713、0.740，Z=1.962、2.943，P=0.049、0.003），CTLR與MLLRAUC 差異無統計學意義（Z=0.378，P=0.705）；驗證集中，CTLR、MLLR及CT-MLSVMAUC 差異均無統計學意義（AUC=0.710、0.715 及0.823，P均＞0.05）。見圖5 及表2。

表2 CT 模型、最優ML 模型及CT-ML 模型鑒別MP 與非MP 的效能

圖5 CTLR、MLLR及CT-MLSVM模型鑒別MP 與非MP 的ROC 曲線 A.訓練集；B.驗證集

3 討論

支原體分離培養是診斷MP 的“金標準”，但耗時長且操作條件苛刻［6］。實時熒光定量聚合酶鏈反應檢測咽拭子中支原體RNA 適用于早期診斷MP［7］，但普及性有限，且無法反映肺部情況。CT 為診斷肺炎最常用的檢查方法之一，但MP CT 表現與非MP 相似，傳統CT 鑒別效果不理想［8］。

MP 一般先累及支氣管黏膜上皮導致支氣管壁水腫，CT 表現為支氣管壁增厚［9］；隨著疾病進展，進一步累及遠端細支氣管、肺泡腔及周圍間質，于支氣管腔、肺泡腔內形成黏液栓，CT 可見樹芽征及樹霧征；滲出增加可致肺大片實變并出現空氣支氣管征［10］。細菌性肺炎則為細菌激活肺上皮細胞并產生炎癥介質致肺組織結構和上皮細胞損傷，引起上皮細胞變性和線粒體腫脹，細胞內細胞質扭曲和細胞損傷，進而肺內皮細胞凋亡和肺泡滲出，CT 表現為肺泡實變［11］。相對而言，MP 較非MP 更易出現支氣管壁增厚、樹芽征等CT 表現，但二者最終均可累及肺組織并發生實變，少數患兒可出現胸腔積液。

影像組學逐漸用于臨床診斷疾?。?2］，可定量分析醫學圖像中的高通量特征，有利于診斷和治療疾?。?3-14］，且結果更為客觀［15］。本研究發現，病變累及右肺上、中及下葉、支氣管壁增厚、樹芽征、邊緣回縮征為最優MP CT 征象，以LR 分類器構建的CT-ML 模型鑒別驗證集MP 與非MP 的AUC 為0.710；分別以臨床5 種常用分類器（LR、SVM、RF、LDA 和SGD）構建ML 模型和CT-ML 模型，結果顯示CT-MLRF存在過擬合，CT-MLSGD在訓練集和驗證集的AUC 均低于0.70。以上模型中，以MLLR及CT-MLSVMAUC 最高，為最佳影像組學模型及CT-ML 模型，MLLR診斷效能與CTLR相當；CT-MLSVM模型在訓練集的診斷效能（AUC=0.840）高 于CTLR及MLLR（AUC=0.713、0.740），在驗證集雖較高（0.823），但與CTLR及MLLR模型差異均無統計學意義，與吳雯麗等［15］研究結果相似。

綜上，影像組學聯合CT 特征能有效鑒別兒童MP與非MP。但本研究為單中心回顧性分析，樣本量有限，部分MP 患兒可能合并其他病原體感染，且缺少外部驗證，有待后續加以完善。

利益沖突：全體作者聲明無利益沖突。

作者貢獻：王超查閱文獻、指導、統計分析、撰寫文章；徐鵬和黃國強統計分析、修改文章；邱曉暉和劉藝超審閱文章。