《Academic Radiology》：Machine Learning Model Using Clinical and Contrast-Enhanced MRI Features Differentiates Cerebral Tuberculoma from Lung Cancer Brain Metastasis
编辑推荐：
研究背景与目的：脑结核瘤（cerebral tuberculoma, CTB）与肺癌脑转移（lung cancer brain metastases, BM）在常规磁共振成像（magnetic resonance imaging, MRI）上常表现重叠，但治疗
研究背景与目的：脑结核瘤（cerebral tuberculoma, CTB）与肺癌脑转移（lung cancer brain metastases, BM）在常规磁共振成像（magnetic resonance imaging, MRI）上常表现重叠，但治疗策略完全不同。本研究旨在开发并验证整合临床与增强MRI特征的机器学习模型，以无创方式鉴别这两种病变。材料与方法：内部数据集（n = 188，122例CTB，66例BM）分为训练/验证集（n = 131）和内部测试集（n = 57）。特征选择（单因素和逐步逻辑回归）仅在训练/验证集进行，得到四个预测因子。采用重复5折交叉验证训练机器学习分类器。来自另一家医院的外部测试集（n = 51，26例CTB，25例BM）用于独立验证。结果：多因素逻辑回归保留四个独立预测因子：年龄（比值比（odds ratios, OR）= 1.046，95%置信区间（confidence intervals, CI）：1.003–1.091，p = 0.036）、癌胚抗原（carcinoembryonic antigen, CEA）（OR = 1.711，95%CI：1.235–2.370，p = 0.001）、多发病灶（OR = 0.080，95%CI：0.015–0.438，p = 0.004）和环形强化伴壁结节（OR = 11.289，95%CI：2.551–49.952，p = 0.001）。基于这四个特征构建的梯度提升（Gradient Boosting）模型表现最佳，内部测试集受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）为0.970（95%CI：0.925–0.998），外部测试集为0.957（95%CI：0.900–0.995）。在外部测试集上，模型敏感度为88.0%，特异度为92.3%。结论：整合年龄、CEA、多发病灶和环形强化伴壁结节的Gradient Boosting模型能有效区分CTB与BM，并具有稳健的外部测试性能，为辅助临床决策提供无创工具。
研究背景：脑结核瘤（cerebral tuberculoma, CTB）是结核分枝杆菌经血行播散至脑形成的非化脓性炎性肿块，为中枢神经系统结核最严重形式，死亡和残疾率高；结核流行区CTB占颅内占位10%—30%。肺癌为全球发病和死亡首位恶性肿瘤，非小细胞肺癌脑转移（brain metastasis, BM）发生率25%—50%，小细胞肺癌60%—80%。二者在增强磁共振成像（magnetic resonance imaging, MRI）上常呈多发强化，且环形强化、瘤周水肿、不均匀强化重叠，但治疗截然不同：CTB需长期抗结核，BM需放化疗或靶向治疗。CTB误按BM接受免疫抑制化疗可致结核播散，部分队列死亡率达50%。现有诊断局限：脑脊液结核分枝杆菌培养阳性率30%—40%；血清癌胚抗原（carcinoembryonic antigen, CEA）缺乏特异性，约45%肺癌BM患者不升高；活检有创高风险。因此需无创、准确、易推广方法。该研究假设联合年龄、C反应蛋白（C-reactive protein, CRP）、CEA及详细增强MRI特征可准确鉴别，并在既往同内部队列影像组学工作基础上扩展队列、增加独立外部验证。研究人员开展回顾性多中心研究，内部188例（122例CTB、66例BM），外部51例（26例CTB、25例BM）；在训练/验证集筛选预测因子，重复5折交叉验证训练机器学习分类器，最终建立Gradient Boosting模型并内外部验证。研究得出四个独立预测因子，模型内部AUC 0.970、外部AUC 0.957，外部敏感度88.0%、特异度92.3%，可无创有效鉴别，辅助提高诊断信心和临床决策、减少误治。
关键技术方法（≤250字）：内部队列来自Hangzhou Red Cross Hospital，188例按约7:3分为训练/验证集131例和内部测试57例；外部测试51例来自Wenzhou Central Hospital。临床和实验室数据取MRI前1个月且治疗前。MRI用1.5 T和3.0 T多厂商标准化协议，增强为三维T1加权快速场回波；两名神经放射科医师盲法评估病灶数、强化模式、瘤周水肿，第三名资深医师裁定分歧，Cohen κ评估一致性。特征选择仅在训练/验证集行单因素检验和逐步逻辑回归，连续变量中位数插补和标准化参数由训练/验证集导出并固定。重复5折交叉验证训练逻辑回归、随机森林（random forest）、Gradient Boosting、支持向量机（support vector machine, SVM）和k近邻（k-nearest neighbors, KNN），决策阈值以折外预测按约登指数（Youden index）确定并固定；bootstrap 1000次估计95%置信区间（confidence interval, CI），校准曲线和Brier评分（Brier score）评估校准，TreeExplainer行SHAP（SHapley Additive exPlanations）分析。
结果：参与者人口学特征（Demography of the Participants）：共239例，内部Hangzhou Red Cross Hospital训练/验证131例、内部测试57例，Wenzhou Central Hospital外部测试51例；训练/验证与内部测试多数特征相似，外部测试男性略多（64.7% vs 56.5%）、多发病灶略少（78.4% vs 87.8%），体现真实异质性。单因素分析与独立预测因子选择（Univariate Analysis and Independent Predictor Selection）：训练/验证集11个候选变量中，年龄、CRP、CEA、性别、多发病灶、完全强化、薄壁均匀环形强化、环形强化伴壁结节有差异；CTB更年轻、CRP和CEA更低、多发病灶和完全强化更多，BM薄壁均匀环形强化和壁结节更多；CA-125、内部分隔/点状强化、水肿无差异。逐步逻辑回归保留年龄（比值比（odds ratio, OR）=1.046，95%CI 1.003–1.091，p=0.036）、CEA（OR=1.711，95%CI 1.235–2.370，p=0.001）、多发病灶（OR=0.080，95%CI 0.015–0.438，p=0.004）、环形强化伴壁结节（OR=11.289，95%CI 2.551–49.952，p=0.001）；年龄和CEA正相关BM，多发病灶倾向CTB，壁结节强正相关BM，CRP、性别、完全强化、薄壁均匀环形强化未保留。机器学习模型鉴别CTB与BM的性能（Performance of Machine Learning Models in Classifying CTB and BM）：四预测因子训练五类模型，Gradient Boosting最佳，内部AUC 0.970（95%CI 0.925–0.998），外部AUC 0.957（95%CI 0.900–0.995）；外部敏感度88.0%、特异度92.3%，Brier评分内部0.073、外部0.092，校准良好。最优模型的SHAP分析（SHAP Analysis of the Optimal Model）：训练集SHAP显示CEA平均绝对SHAP值最大，其次年龄、壁结节、多发病灶；高CEA推动BM预测、低CEA倾向CTB；年龄同向但效应较小；壁结节强增BM可能，多发病灶负向贡献，与OR一致。
讨论总结：CTB与肺癌BM影像重叠、现有诊断工具局限且误诊后果严重。该模型以年龄、CEA、多发病灶和壁结节四变量获稳健内外部判别。年龄和CEA为BM独立危险因素，CEA反映肿瘤负荷和转移潜能且调整影像后仍有附加价值。多发病灶强负向关联BM，可能与结核更弥漫同步播散、多发不同阶段小肉芽肿有关，而肿瘤定植需特定微环境；训练集CTB多发病灶92.9%、BM 78.3%。壁结节为最强BM正向预测因子，病理对应肺癌中央坏死及存活肿瘤岛突入坏死腔；结核瘤多薄均匀环形强化、无壁结节，肉芽肿壁由上皮样细胞和Langhans巨细胞构成，细分环形强化提供实用影像标志物。四变量方差膨胀因子（variance inflation factor, VIF）均<2.0（年龄1.24、CEA1.51、多发病灶1.33、壁结节1.68），共线性可忽略。模型仅用常规变量、无需专用设备或有创操作；外部高特异度可降低CTB误用化疗，高敏感度减少BM漏诊。局限为两家浙江医院、中等结核负担，需高低负担验证；未纳入T2、扩散加权成像（diffusion-weighted imaging, DWI）、干扰素-γ释放试验（interferon-γ release assays, IGRA）等；回顾性设计可能选择偏倚；训练样本较小；未探索交互效应；吸烟史和包年缺失，CEA可非特异升高，存在残余混杂。未来需前瞻多中心、先进MRI序列、临床风险评分/移动应用和深度学习。研究结论翻译：针对CTB与肺癌BM影像特征重叠而治疗迥异的诊断挑战，本研究开发并外部验证基于四个易得预测因子（年龄、CEA、多发病灶和环形强化伴壁结节）的Gradient Boosting模型。该模型以无创方式有效区分两种疾病，为支持临床决策、减少误诊并促进及时适当治疗提供实用工具；其临床效用尚需前瞻性多中心研究进一步确认。
