基于可解释规则学习 AI 的 CT 影像组学：精准鉴别肾上腺嗜铬细胞瘤与腺瘤的新突破

为鉴别肾上腺嗜铬细胞瘤（pheochromocytomas）与腺瘤（adenomas），研究人员利用机构数据库开展基于 CT 影像组学的研究。构建的可解释 AI 规则学习模型，能精准鉴别二者，准确率达 96%，为临床诊断提供有力支持。

　　目的：识别可用于区分肾上腺嗜铬细胞瘤和腺瘤的基于计算机断层扫描（CT）的可解释影像组学特征。方法：使用机构数据库确定 2005 年 5 月 1 日至 2023 年 5 月 1 日期间经病理证实的肾上腺嗜铬细胞瘤患者。纳入标准为在病理检查后 12 个月内进行过腹部增强 CT 且有肾上腺肿块的患者（n = 95）。作为对照，从一系列连续的 CT 检查中确定 57 例腺瘤患者。最终数据集包含 152 个肾上腺肿块（95 个嗜铬细胞瘤；57 个腺瘤），其中 121 个用于开发集，31 个用于测试集。在确认自动分割准确后，评估 463 个影像组学特征并用于创建可解释的人工智能（AI）规则学习模型。使用 F1 评分报告模型性能。结果：该研究纳入 146 例患者（年龄 59±21 岁；89 名女性）。由高灰度区强调 > 184、圆度 > 0.35 和边界低灰度强调 <0.021 这三个特征组成的规则在训练集上的 F1 评分为 0.97（95% 置信区间 [CI]：0.94，0.99），在测试集上为 0.96（95% CI：0.89，1.00）。规则学习模型确定对嗜铬细胞瘤最具预测性的规则是最大像素衰减 > 125 HU，其在训练集上的 F1 评分为 0.89（95% CI：0.83，0.94），在测试集上为 0.93（95% CI：0.83，0.99）。结论：规则学习 AI 模型识别出了最小的最佳可解释 CT 影像组学特征集，足以在增强 CT 上以 96% 的准确率区分肾上腺嗜铬细胞瘤和腺瘤。