Page 137 - 南京医科大学学报自然科学版
P. 137
第41卷第7期 徐一铭,袁 梅,邱 琳,等. 能谱CT及碘基图影像组学特征鉴别肺炎性及恶性病变[J].
2021年7月 南京医科大学学报(自然科学版),2021,41(07):1063-1068 ·1067 ·
表2 特征在预测模型中的系数 的高低能量图像,同时生成 40~140 keV 连续的 101
Table 2 The coefficients of features in the model 组单能量图像。由于不同物质存在特定的能谱曲线,
特征 权重系数 根据基物质进行物质分离,可一定程度上实现物质成
glcm_Autocorrelation -674.000 [7]
分的定量评估 。碘⁃水分离生成的碘基图可量化碘
glcm_JointAverage 493.267
相关衰减,通过碘浓度反映病变的血供情况,与真实
gldm_HighGrayLevelEmphasis 369.898
[8]
的增强程度相当 。目前已有大量研究使用能谱CT
gldm_LowGrayLevelEmphasis 134.692
图像及碘基图,鉴别良恶性病变、评估肿瘤的生物学
gldm_LargeDependenceLowGrayLevelEmphasis 54.866
行为与预后、评估淋巴结转移情况等 [9-11] 。
gldm_SmallDependenceHighGrayLevelEmphasis -24.407
glrlm_RunLengthNonUniformity -20.546 本研究使用能谱CT定量参数鉴别肺内炎性及恶
gldm_DependenceVariance 12.284 性病变。炎性组的CT值 40 keV、λ 100⁃70 keV、λ 70⁃40 keV、λ 100⁃40 keV、
firstorder_Maximum -12.128 IC、NIC、Zeff、NZeff 均高于恶性组,与既往研究结果
glszm_SmallAreaEmphasis 12.119 一致 [3,12] 。70 keV的单能量图像可用于模拟管电压
分别绘制NIC和影像组学预测模型的ROC曲线(图 120 kVp的CT扫描图像,CT值 70 keV没有统计学差异,
3)并进行比较,预测模型的诊断效能明显优于 NIC 提示炎性组与恶性组病变难以直接通过常规增强
(Z=2.121,P=0.034,表4)。 CT 图像的 CT 值区分。能谱 CT 可以通过 ROI 的碘
浓度反映血供情况,碘浓度越高,能谱曲线斜率增
3 讨 论
大、在低能级下的X衰减量增高,从而反映出病变血
能谱 CT 为采用单球管瞬时切换技术的双能量 供之间的差异。病灶动脉期的强化程度主要与血
CT成像设备,可以在一次扫描内获取两组完全匹配 供情况与血流有关。炎性病变主要由增生的肉芽
表3 ROC曲线分析预测模型在训练集、验证集及测试集下的性能
Table 3 Performance of the model on training set,validation set and test set in ROC analysis
数据集 AUC(95%CI) 灵敏度(%) 特异度(%) 准确性(%) 阴性预测值(%) 阳性预测值(%)
训练集 0.898(0.869~0.925) 91.10 74.58 82.84 89.34 78.18
验证集 0.819(0.732~0.892) 84.75 71.19 77.97 82.35 74.63
测试集 0.843(0.644~0.978) 76.92 90.91 81.08 62.50 95.24
A B
100 100
80 80
( % ) 60 ( % ) 60
灵敏度 40 灵敏度 40
交叉训练集
20 20
交叉验证集 预测模型
测试集 标准化碘浓度
0 0
0 20 40 60 80 100 0 20 40 60 80 100
100-特异度(%) 100-特异度(%)
A:预测模型在交叉训练集、交叉验证集及测试集下的ROC曲线;B:预测模型和标准化碘浓度的ROC曲线分析比较。
图3 预测模型的ROC曲线分析
Figure 3 ROC curve analysis of the model
表4 ROC曲线分析NIC和预测模型鉴别肺内炎性及恶性病变的性能
Table 4 Performance of NIC and the model in identifying inflammatory and malignant pulmonary lesions in ROC analysis
数据集 AUC(95%CI) 灵敏度(%) 特异度(%) 准确性(%) 阴性预测值(%) 阳性预测值(%)
NIC 0.728(0.640~0.804) 64.71 73.68 67.48 48.30 84.60
预测模型 0.843(0.766~0.902) 78.82 81.58 79.67 63.30 90.50