《Frontiers in Oncology》：A deep transfer learning radiomics nomogram using chest CT for differentiating anterior mediastinal cysts from low-grade thymomas
编辑推荐：
目的：本研究旨在整合临床特征、影像组学预测结果与深度迁移学习（DTL）预测结果构建列线图，以鉴别前纵隔囊肿（AMCs）与低级别胸腺瘤。方法：训练集纳入149例AMCs与低级别胸腺瘤病例，测试集纳入49例相应病例，均采用对比增强胸部CT图像进行分析。通过整合筛选
目的：本研究旨在整合临床特征、影像组学预测结果与深度迁移学习（DTL）预测结果构建列线图，以鉴别前纵隔囊肿（AMCs）与低级别胸腺瘤。方法：训练集纳入149例AMCs与低级别胸腺瘤病例，测试集纳入49例相应病例，均采用对比增强胸部CT图像进行分析。通过整合筛选后的临床特征、影像组学预测结果与DTL预测结果，构建深度迁移学习影像组学（DTLR）列线图，并绘制受试者工作特征（ROC）曲线与决策曲线分析（DCA）曲线。结果：研究筛选出最大径、原发部位及与周围组织关系等临床特征构建临床模型。DTLR列线图在测试集中预测性能最优，受试者工作特征曲线下面积（AUC）达0.965，准确率0.857，灵敏度0.895，特异度0.833。DCA显示DTLR并非最优且与DTL无显著差异；DeLong检验证实DTLR列线图与临床模型、影像组学模型预测性能差异有统计学意义，其余模型间比较无显著组间差异。DCA表明DTLR列线图预测价值与DTL模型相当，但DeLong检验中DTLR表现更优，提示其有望作为有效临床决策支持工具。结论：尽管临床应用前仍需进一步验证，DTLR列线图展现出良好预测性能，在辅助临床决策中具有实用潜力。
研究背景与立项依据
前纵隔占位中，前纵隔囊肿（AMCs，含胸腺囊肿与支气管源性囊肿）与低级别胸腺瘤均为常见病变。AMCs多无症状可非手术治疗，而胸腺瘤一经诊断宜尽早手术切除。由于两者在CT上均可表现为类圆形、均匀密度病灶，尤其当AMC CT值大于20 Hounsfield unit（HU）时，其衰减特征与低级别胸腺瘤相近，术前常误诊，导致非治疗性胸腺切除率达22%–68%。虽然对比增强CT（CECT）可观察强化模式，但大血管与胸骨硬化伪影使纵隔窗CT值测量不准，进一步加剧误判。传统影像组学或深度学习（DL）单模态研究已有报道，但尚无研究将临床、影像组学（radiomics）与深度迁移学习（DTL）三者融合，并以列线图形式用于CECT下最大径<5 cm、均匀密度低级别胸腺瘤与AMCs的鉴别。研究人员因此开展本研究，旨在提升术前诊断准确度，辅助临床治疗策略制定。论文发表于《Frontiers in Oncology》。
主要关键技术方法
研究为单中心回顾性设计，经青岛大学附属医院伦理委员会审批，纳入2015年1月至2025年6月术后病理确诊的单纯、均匀、最大径0.5–5 cm前纵隔占位共198例（训练集149例、测试集49例）。CT采用多机型64排及以下螺旋CT标准参数（120 kV，250–350 mA，层厚5 mm），重采样至各向同性1×1×1 mm3，由两名胸放射科医师共识勾画三维兴趣区（ROI）。影像组学基于PyRadiomics提取1834个特征，经组内相关系数（ICC≥0.8）、Spearman相关性（>0.9剔除）及最小绝对收缩选择算子（LASSO）回归筛征，动静脉期分别建模后融合为统一影像组学模型。DTL采用ResNet50在ImageNet预训练后全卷积层微调，2D ROI缩放至224×224，随机水平翻转与裁剪增广，余弦退火学习率、交叉熵损失、SGD优化（batch 32，epoch 30）。临床模型由单/多因素逻辑回归筛选最大径、原发部位、与周围关系构建。最终以K近邻（KNN）分别建临床、影像组学、DTL模型，并将临床特征与后两者输出积分融合为DTLR列线图。评价含ROC、校准曲线、DCA、DeLong检验与Hosmer–Lemeshow检验。
研究结果
Materials and methods
如前述，研究人员完成患者筛选、CT质控、ROI勾画、重采样、三组特征提取与选择、ResNet50微调及KNN建模，并整合为DTLR列线图。
Results
临床模型入选特征为最大径、原发部位、与周围关系（单多因素回归p<0.05）。影像组学经LASSO（动脉期λ=0.0193留46特征，静脉期λ=0.0295留35特征）。测试集中临床模型AUC 0.775，影像组学0.889，DTL 0.934，DTLR列线图0.965（准确率0.857，灵敏度0.895，特异度0.833）；训练集DTLR AUC达0.996。DeLong检验示DTLR与临床模型（p=0.0074）、影像组学模型（p=0.0225）差异显著，与DTL模型（p=0.3756）无差异。Hosmer–Lemeshow检验DTLR p=0.838提示校准良好。DCA中DTLR与DTL净获益相当且优于临床/影像组学模型，但DTLR未显式最优。
Discussion
研究人员指出，既往研究多限13–180个影像组学特征，本研究提取1834个高维特征以捕捉常规CT不可见异质性；首次在CECT下融合临床+影像组学+DTL构建DTLR列线图，多源互补提升判别与校准。虽DTL单模AUC已高致DCA中DTLR增益有限，但列线图提供临床可解释的联合风险评分，契合临床推理而非纯性能堆叠。局限性包括单中心回顾、仅收手术病理例（排除保守AMCs）、无外部验证、测试集仅49例，可能存在选择偏倚与过拟合风险。
Conclusion
研究人员结论：本研究构建了基于CECT的DTLR列线图以鉴别AMCs与低级别胸腺瘤；尽管临床部署前需进一步验证，该模型预测性能良好，具备作为临床决策实用工具的潜力。后续需在前瞻性多中心大队列中开展外部验证。
