基于CT影像组学和机器学习的肝内肿块型胆管癌与炎性假瘤术前鉴别诊断模型研究

本研究针对肝内胆管癌(ICC)与肝炎性假瘤(IPTs)影像学鉴别困难导致过度治疗的临床难题，通过整合CT影像组学特征与临床指标构建机器学习模型。研究人员回顾性分析146例患者数据，开发出融合临床+全序列影像组学特征的线性判别分析(LDA)模型，AUC达0.97，准确率90.9%，显著优于单一特征模型。该研究为术前无创鉴别良恶性肝肿块提供了AI新工具，对避免IPT患者不必要手术具有重要临床价值。

　　

在肝脏疾病诊断领域，肝内胆管癌(ICC)与肝炎性假瘤(IPTs)的鉴别始终是临床难点。这两种疾病在CT影像上常呈现相似表现，但治疗策略却截然不同：ICC需要积极手术，而IPTs可通过药物保守治疗甚至自愈。由于误诊导致的过度手术不仅增加患者创伤，还造成医疗资源浪费。传统影像学诊断依赖医生经验，准确率有限，亟需更客观精准的鉴别方法。

针对这一临床痛点，赣州市人民医院医学影像中心联合南方医科大学南方医院等机构的研究团队，创新性地将人工智能技术与医学影像相结合。研究人员收集了2008-2024年间112例ICC和34例IPT患者的术前CT数据，通过提取1094个影像组学特征（包括形状特征、纹理特征和小波特征等），结合静脉血栓、靶征等12项临床指标，构建了14种机器学习模型。这项开创性研究发表在《BMC Cancer》，为肝肿块的无创鉴别提供了新范式。

研究采用三大关键技术：1) 多中心回顾性队列设计（三所医院146例样本）；2) 四相位CT全序列影像组学特征提取（使用PyRadiomics 3.0.1）；3) 机器学习模型优化（LASSO特征选择+五折交叉验证）。通过系统比较临床特征模型、纯影像组学模型和融合模型的性能，研究团队发现：

临床基线特征分析显示，ICC组静脉血栓阳性率(60.7%)显著高于IPT组(0%)，且ICC更多表现为不规则形态(44.64% vs 26.47%)和非光滑边缘(92.86% vs 17.65%)。这些差异为模型构建提供了重要生物学依据。

在模型性能方面，融合临床+影像组学特征的LDA模型表现最优，AUC达0.97，Youden指数0.912。该模型对ICC识别尤为精准（召回率100%），虽然对IPT的识别稍逊（准确率60.0%），但整体性能显著优于纯临床特征模型(AUC=0.73)和纯影像组学模型(AUC=0.91)。特征重要性分析揭示，平扫序列形状特征、静脉期GLDM(Grey Level Dependence Matrix)特征和病灶边缘特征是关键鉴别指标。

研究讨论部分指出，这是首个将影像组学应用于IPT与ICC鉴别的研究。模型优异性能源于：1) 多序列特征融合捕捉了病灶增强动力学差异；2) 临床特征补充了血管侵犯等关键生物学信息。尽管存在样本量有限（特别是IPT病例较少）的局限性，但该模型已展现出改变临床实践的潜力——通过避免60%IPT患者的不必要手术，每年可节省大量医疗支出。

这项研究的创新价值在于：首次证实影像组学特征能有效表征IPT与ICC的微观结构差异；建立的融合模型较传统方法提高诊断准确率17.9%；开发的开源分析流程（Python 3.10+PyRadiomics）便于临床推广。未来通过扩大样本量和外部验证，该AI工具有望成为肝肿块术前分层的标准辅助工具，推动精准医疗在肝胆外科的应用。