探讨能谱CT影像组学特征在鉴别肺癌结节与炎性结节中的价值。
方法回顾性分析在苏州大学附属第一医院接受肺部能谱CT扫描的96例肺癌结节和45例炎性结节患者的资料。按照2∶1的比例随机分配为训练组（肺癌结节64例，炎性结节30例）和验证组（肺癌结节32例，炎性结节15例）。利用MaZda软件对训练组动脉期和静脉期70 keV单能量图像进行影像组学特征提取。采用费希尔参数法（Fisher）、分类错误率联合平均相关系数法（POE+ACC）和相关信息测度法（MI）对提取的特征进行筛选，得到3组最优特征子集。然后用线性（LDA）和非线性判别分析法（NDA）对最优特征子集进行分析，计算其鉴别肺癌结节和炎性结节的受试者操作特征（ROC）曲线下面积（AUC）、准确率、灵敏度、特异度、精准率和F1分数。利用人工神经网络（ANN）建立预测模型，并对验证组两种病变进行鉴别。使用Delong检验比较不同的最优特征子集AUC的差异。
结果在动脉期，MI-NDA法选择的最优特征子集鉴别训练组肺癌结节和炎性结节的AUC最高，为0.888（95%可信区间0.806~0.943），其准确率、灵敏度和特异度分别为88.3%、87.5%和90.0%。MI-NDA法与Fisher-NDA、（POE+ACC）-NDA法的AUC差异无统计学意义（Z=1.941，P=0.052；Z=1.683，P=0.092）。在静脉期，（POE+ACC）-NDA法选择的最优特征子集的AUC最高，为0.846（95%可信区间0.757~0.912），其准确率、灵敏度和特异度分别为87.2%、92.2%和76.7%。（POE+ACC）-NDA与MI-NDA的AUC差异无统计学意义（Z=1.354，P=0.18），而与Fisher-NDA的AUC差异有统计学意义（Z=2.423，P=0.015）。MI-NDA法选择的动脉期最优特征子集在训练组和验证组的AUC最高，分别为0.888（95%可信区间0.806~0.943）和0.871（95%可信区间0.741~0.951）。
结论能谱CT影像组学定量特征可用于鉴别肺癌结节与炎性结节，具有较高的诊断价值。