吸烟在目视正常肺实质中的放射组学特征：基于机器学习的双侧CT分析

《Journal of Imaging Informatics in Medicine》：Radiomic Signatures of Smoking in Visually Normal Lung Parenchyma: Bilateral CT Analysis Using Machine Learning

　　

摘要

吸烟与肺部的结构和功能改变相关，其中一些改变可能反映在定量影像特征中。影像组学能够提取高维度的图像衍生描述符，可能提供超越常规可用临床变量的信息。我们探讨了双侧肺影像组学，无论是独立使用还是与临床变量整合，是否对患者级吸烟状态进行分类。还进行了探索性次要分析，以评估影像组学和临床特征表示是否能区分吸烟者中的吸烟暴露强度。共纳入506名患者，包括253名吸烟者和253名非吸烟者。分别从胸部CT图像上视觉正常的肺实质中提取右肺和左肺影像组学特征。评估了多种特征表示，包括右肺影像组学、左肺影像组学、拼接的左右影像组学、汇总/不对称影像组学、仅临床变量以及影像组学结合临床变量。临床变量包括年龄、性别、身高、体重和身体质量指数。包年被排除在二元吸烟状态分类模型之外，以避免目标相关信息泄漏。对于每个二元分类任务，保留了一个包含25名吸烟者和25名非吸烟者的平衡内部保留集，其余患者使用分层十折交叉验证进行评估。评估了四种特征选择或降维策略和五种分类器族，在主要队列和性别特异性亚组分析中产生了435个模型配置。阈值选择使用交叉验证折外预测得出的约登指数进行。对于探索性吸烟暴露分析，253名有可用包年信息的吸烟者被分为<10、10-20和>20包年组，并使用汇总的分层十折交叉验证进行评估。表现最佳的影像组学配置显示出比仅临床配置更高的判别能力。仅临床随机森林模型实现了交叉验证ROC-AUC 0.673和保留集ROC-AUC 0.610。在仅影像组学配置中，拼接的双侧影像组学实现了交叉验证ROC-AUC 0.734和保留集ROC-AUC 0.712。使用拼接双侧影像组学结合临床变量、ReliefF特征选择和堆叠分类获得了最强的保留集判别能力，实现了保留集ROC-AUC 0.803、平衡准确率0.700、敏感性0.720和特异性0.680。特征选择稳定性分析显示，最终的拼接双侧影像组学+临床配置保留了五个临床变量和15个影像组学特征，其中一些在交叉验证折中反复被选择。性别特异性亚组分析显示了中等但变化各异的性能。在探索性的三分类吸烟暴露分析中，整合左肺影像组学与临床变量产生了最平衡的类别性能，实现了最高的平衡准确率（0.658）和对中间10-20包年组最高的敏感性（0.417），尽管仅临床模型实现了最高的宏AUC。双侧肺影像组学显示出在患者级吸烟状态分类中的潜力，特别是当与临床变量结合时。这些发现表明，定量影像特征可能提供超越常规可用患者级变量的补充信息。探索性的吸烟暴露分析进一步表明，影像组学+临床配置可能包含有限的与吸烟暴露强度相关的信息，尽管中间暴露仍然难以区分。然而，中等性能、亚组变异性和缺乏外部验证表明，在更大的独立队列中得到证实之前，这种方法应被视为探索性的。