王 超，徐 鵬，黃國(guó)強(qiáng)，邱曉暉，劉藝超

（1.亳州市人民醫(yī)院影像中心，2.兒科，安徽 亳州 236800）

支原體肺炎（mycoplasma pneumonia，MP）常見(jiàn)于兒童［1］，近年來(lái)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(wú)明顯差異［3］，導(dǎo)致鑒別診斷兒童MP 與非MP 存在困難［4-5］。本研究觀(guān)察影像組學(xué)聯(lián)合CT 特征鑒別MP 與非MP 的價(jià)值。

1 資料與方法

1.1 研究對(duì)象 回顧性分析2021 年10 月—2022 年12 月亳州市人民醫(yī)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(nèi)經(jīng)胸部CT 診斷為肺炎，且于入院后2 天內(nèi)接受支原體RNA 檢測(cè)，其中MP 101 例（MP 組）、非MP 52 例（非MP 組）。排除CT 圖像質(zhì)量差或疑診病毒性肺炎者。本研究經(jīng)院倫理委員會(huì)批準(zhǔn)（亳醫(yī)倫審2023第255 號(hào)）；檢查前監(jiān)護(hù)人均簽署知情同意書(shū)。

1.2 儀器與方法 采用Siemens Somatom Definition Flash 雙源CT 機(jī)于患兒深吸氣后屏氣狀態(tài)下行胸部掃描，參數(shù)：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(jīng)驗(yàn)的影像科主治醫(yī)師各1 名（醫(yī)師1、2）閱片，觀(guān)察病變CT 表現(xiàn)，主要包括病灶在各肺葉的分布，以及有無(wú)空氣支氣管征、支氣管壁增厚、樹(shù)芽征（沿支氣管分布的小葉中心結(jié)節(jié)）、樹(shù)霧征（支氣管束周?chē)F狀磨玻璃改變）、邊緣回縮征（肺內(nèi)實(shí)變區(qū)邊緣局部向內(nèi)回縮、凹陷）或胸腔積液；意見(jiàn)有分歧時(shí)請(qǐng)1 名副主任醫(yī)師審核。

1.4 提取影像組學(xué)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(yī)療多模態(tài)科研平臺(tái)2.2 版本（https：//keyan.deepwise.com）。對(duì)圖像行灰度歸一化預(yù)處理后，分別沿病灶邊緣逐一勾畫(huà)ROI，見(jiàn)圖1；基于ROI 提取CT 影像組學(xué)特征，經(jīng)濾波器處理后經(jīng)原始、小波變換、LoG、LBP2D、LBP3D、Square、SquareRoot、Logarithm、Exponentail、Gradient共10 個(gè)過(guò)濾器進(jìn)行紋理分析共提取2 153 個(gè)特征，含414 個(gè)一階特征、14 個(gè)形態(tài)特征及1 725 個(gè)灰度矩陣特征［ 包括灰度共生矩陣（gray level co-occurrence matrix，GLCM）、灰度區(qū)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(guān)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(huà)病灶ROI（藍(lán)線(xiàn)和黃線(xiàn)區(qū)域）示意圖

1.5 構(gòu)建模型及統(tǒng)計(jì)學(xué)分析 采用深睿醫(yī)療多模態(tài)科研平臺(tái)。以中位數(shù)（上下四分位數(shù)）表示非正態(tài)分布計(jì)量資料，行Mann-WhitneyU檢驗(yàn)。采用χ2檢驗(yàn)比較計(jì)數(shù)資料。按7∶3 比例將153 例數(shù)據(jù)分為訓(xùn)練集（n=107，含71 例MP、36 例非MP）和驗(yàn)證集（n=46，含30例MP、16 例非MP）。采用F test 算法基于訓(xùn)練集CT征象選出6 個(gè)最佳CT 征象，以邏輯回歸（logistic regression，LR）分類(lèi)器構(gòu)建CTLR模型。應(yīng)用組內(nèi)相關(guān)系數(shù)（intra-class correlation coefficient，ICC）分析同一觀(guān)察者提取不同患者病灶ROI、不同觀(guān)察者間提取相同患者病灶ROI 影像組學(xué)特征的一致性，保留ICC≥0.9 的特征?；谟?xùn)練集數(shù)據(jù)采用F test 算法篩選出10 個(gè)最佳影像組學(xué)特征，分別以L(fǎng)R、支持向量機(jī)（support vector machine，SVM）、隨機(jī)森林（random forest，RF）、線(xiàn)性判別分析（linear discriminant analysis，LDA）及隨機(jī)梯度下降法（stochastic gradient descent，SGD）分類(lèi)器構(gòu)建機(jī)器學(xué)習(xí)（machine learning，ML）模型，包括MLLR、MLSVM、MLRF、MLLDA及MLSGD；再以上述分類(lèi)器分別基于最佳CT 征象及影像組學(xué)特征構(gòu)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(xiàn)，計(jì)算曲線(xiàn)下面積（area under the curve，AUC）評(píng)估各模型鑒別MP 與非MP 的效能；以DeLong 檢驗(yàn)比較CTLR、最佳影像組學(xué)及CT-ML 模型AUC 差異。P＜0.05 為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)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(wú)統(tǒng)計(jì)學(xué)意義。

2.1 CT 表現(xiàn) 組間支氣管壁增厚、樹(shù)芽征差異均有統(tǒng)計(jì)學(xué)意義（P均＜0.05），其余CT 表現(xiàn)差異均無(wú)統(tǒng)計(jì)學(xué)意義（P均＞0.05）。見(jiàn)圖2、3 表1。

表1 101 例MP 與52 例非MP 患兒CT 表現(xiàn)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(zhǎng)箭），周?chē)?jiàn)多發(fā)樹(shù)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?chē)?jiàn)樹(shù)霧征（長(zhǎng)箭），并見(jiàn)散在樹(shù)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(jiàn)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(shù)芽征及邊緣回縮征為最優(yōu)CT 征象，以之構(gòu)建的CTLR模型鑒別訓(xùn)練集MP與非MP 的AUC 為0.713，在驗(yàn)證集的AUC 為0.710。

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

圖4 基于訓(xùn)練集數(shù)據(jù)采用F test 算法選出的10 個(gè)最優(yōu)影像組學(xué)特征及其系數(shù)圖

2.4 CT-ML 模型訓(xùn)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(yàn)證集為0.813、0.823、0.649、0.796 及0.665；CTMLSVM為最優(yōu)CT-ML 模型。

2.5 比較各模型效能 訓(xùn)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(wú)統(tǒng)計(jì)學(xué)意義（Z=0.378，P=0.705）；驗(yàn)證集中，CTLR、MLLR及CT-MLSVMAUC 差異均無(wú)統(tǒng)計(jì)學(xué)意義（AUC=0.710、0.715 及0.823，P均＞0.05）。見(jiàn)圖5 及表2。

表2 CT 模型、最優(yōu)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(xiàn) A.訓(xùn)練集；B.驗(yàn)證集

3 討論

支原體分離培養(yǎng)是診斷MP 的“金標(biāo)準(zhǔn)”，但耗時(shí)長(zhǎng)且操作條件苛刻［6］。實(shí)時(shí)熒光定量聚合酶鏈反應(yīng)檢測(cè)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(wú)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(xiàn)與非MP 相似，傳統(tǒng)CT 鑒別效果不理想［8］。

MP 一般先累及支氣管黏膜上皮導(dǎo)致支氣管壁水腫，CT 表現(xiàn)為支氣管壁增厚［9］；隨著疾病進(jìn)展，進(jìn)一步累及遠(yuǎn)端細(xì)支氣管、肺泡腔及周?chē)g質(zhì)，于支氣管腔、肺泡腔內(nèi)形成黏液栓，CT 可見(jiàn)樹(shù)芽征及樹(shù)霧征；滲出增加可致肺大片實(shí)變并出現(xiàn)空氣支氣管征［10］。細(xì)菌性肺炎則為細(xì)菌激活肺上皮細(xì)胞并產(chǎn)生炎癥介質(zhì)致肺組織結(jié)構(gòu)和上皮細(xì)胞損傷，引起上皮細(xì)胞變性和線(xiàn)粒體腫脹，細(xì)胞內(nèi)細(xì)胞質(zhì)扭曲和細(xì)胞損傷，進(jìn)而肺內(nèi)皮細(xì)胞凋亡和肺泡滲出，CT 表現(xiàn)為肺泡實(shí)變［11］。相對(duì)而言，MP 較非MP 更易出現(xiàn)支氣管壁增厚、樹(shù)芽征等CT 表現(xiàn)，但二者最終均可累及肺組織并發(fā)生實(shí)變，少數(shù)患兒可出現(xiàn)胸腔積液。

影像組學(xué)逐漸用于臨床診斷疾?。?2］，可定量分析醫(yī)學(xué)圖像中的高通量特征，有利于診斷和治療疾?。?3-14］，且結(jié)果更為客觀(guān)［15］。本研究發(fā)現(xiàn)，病變累及右肺上、中及下葉、支氣管壁增厚、樹(shù)芽征、邊緣回縮征為最優(yōu)MP CT 征象，以L(fǎng)R 分類(lèi)器構(gòu)建的CT-ML 模型鑒別驗(yàn)證集MP 與非MP 的AUC 為0.710；分別以臨床5 種常用分類(lèi)器（LR、SVM、RF、LDA 和SGD）構(gòu)建ML 模型和CT-ML 模型，結(jié)果顯示CT-MLRF存在過(guò)擬合，CT-MLSGD在訓(xùn)練集和驗(yàn)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(xué)模型及CT-ML 模型，MLLR診斷效能與CTLR相當(dāng)；CT-MLSVM模型在訓(xùn)練集的診斷效能（AUC=0.840）高 于CTLR及MLLR（AUC=0.713、0.740），在驗(yàn)證集雖較高（0.823），但與CTLR及MLLR模型差異均無(wú)統(tǒng)計(jì)學(xué)意義，與吳雯麗等［15］研究結(jié)果相似。

綜上，影像組學(xué)聯(lián)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(yàn)證，有待后續(xù)加以完善。

利益沖突：全體作者聲明無(wú)利益沖突。

作者貢獻(xiàn)：王超查閱文獻(xiàn)、指導(dǎo)、統(tǒng)計(jì)分析、撰寫(xiě)文章；徐鵬和黃國(guó)強(qiáng)統(tǒng)計(jì)分析、修改文章；邱曉暉和劉藝超審閱文章。