基于CT影像组学的免疫抑制患者肺部结节性感染病原体鉴别研究

本研究针对免疫抑制患者肺部感染病原体鉴别难题，通过CT影像组学(radiomics)构建多分类随机森林模型，成功区分曲霉病(aspergillosis)、结核病(tuberculosis)及毛霉病/诺卡菌病(mucormycosis/nocardiosis)。结果显示，影像组学模型平均AUC达0.84，显著优于临床/语义模型(0.66)，联合模型AUC提升至0.93，为精准诊疗提供量化新工具。

　　

肺部感染是免疫抑制患者死亡的高危因素，但病原体鉴别始终是临床痛点。传统CT检查虽敏感度高，却因不同病原体影像特征重叠而特异性不足，微生物检测又耗时较长。法国圣路易医院团队在《Diagnostic and Interventional Imaging》发表研究，创新性地将肿瘤领域成熟的影像组学技术迁移至感染性疾病领域，通过分析196例患者的CT图像，构建了首个针对免疫抑制患者肺部结节性感染的病原体鉴别体系。

研究采用三大关键技术：1）三维分割技术精准提取肺部主要病灶；2）高通量提取1218个影像组学特征；3）应用多分类随机森林分类器结合5折分层交叉验证构建模型。样本来自2012-2023年确诊的曲霉病(123例)、结核病(41例)和毛霉病/诺卡菌病(32例)患者队列。

【结果】

1. 模型性能对比：影像组学模型平均AUC 0.84(95%CI 0.66-0.98)显著超越临床/语义模型(0.66)，联合模型AUC达0.82。
2. 结核病鉴别优势：针对结核病的特异性鉴别中，影像组学模型AUC 0.89，联合模型更达0.93(P=0.003)。
3. 年龄相关性：67岁中位年龄患者群体中，模型保持稳定性能，验证其临床普适性。

【结论】
该研究首次证实影像组学可突破传统CT的"同影异病"局限，尤其对结核病的鉴别准确率提升40%。创新性地发现：1）定量特征比医生主观语义特征更具鉴别力；2）联合模型未显著提升性能，提示影像组学特征可能已涵盖关键鉴别信息。这些发现为免疫抑制患者感染病原体的快速诊断提供了新范式，未来或可缩短确诊时间72小时以上，对改善预后具有重要临床价值。研究局限性在于单中心回顾性设计，作者建议下一步开展多中心前瞻性验证。