企业官网建设流程全解析

01

文献学习

今天分享的文献是由同济大学医学院附属上海市肺科医院王茵等团队于2026年4月25日在《Insights into Imaging》（中科院2区，IF=4.5）上发表的研究“Grayscale ultrasound radiomics for characterizing subpleural pulmonary lesions: a multicenter prospective study”即基于灰度超声放射组学表征胸膜下肺病变：一项多中心前瞻性研究，该研究旨在开发并验证一种基于灰度超声图像的放射组学模型，用于区分良性与恶性胸膜下肺病变。研究纳入738例来自三个医疗中心的患者，提取病灶及病灶周围区域的1320个放射组学特征，结合临床变量构建预测模型。结果显示，结合病灶放射组学特征与临床变量（年龄、病变位置）的融合模型（Model 4）诊断性能最佳，内部验证AUC为0.884，外部验证AUC为0.848。该模型的诊断准确性与经验丰富的肺超声放射科医生相当，具有良好的临床应用前景。

创新点：①首次将超声影像组学用于肺亚胸膜病变，填补了该领域基于灰度超声的良恶性鉴别空白。②联合病灶与病灶周围区域提取特征，系统评估了周围影像组学对模型性能的增量价值。③融合临床变量与影像组学评分构建模型，性能显著优于单一模态，且与资深专家一致。

临床价值：①提供无创、可重复的辅助决策工具，适用于不宜穿刺或CT/活检受限的患者。②基于灰度超声，普及性强，适合基层及资源有限地区，降低筛查门槛。③模型诊断精度堪比专家阅片，有望作为替代诊断工具，减少操作者依赖性。

图 1：研究设计与影像组学分析流程图

02

研究背景和目的

研究背景

肺胸膜下病变包含超过90%的肺结核、70%-80%的肺炎以及约40%的周围型肺癌，因其紧邻胸膜且不受肺内气体干扰，常可通过超声检查。既往研究表明，传统灰度超声及其增强模式（如超声造影和弹性成像）在区分良恶性SPLs方面具有潜力。然而，常规超声图像的获取和解读高度依赖操作者，受主观判断和个人经验影响较大，导致细微形态和结构特征的识别可靠性差，即使经验丰富的放射科医生之间也难以完全消除异质性。这种操作者依赖性严重制约了超声评估SPLs的临床标准化和广泛应用。与此同时，影像组学作为一种从医学图像中高通量提取定量特征的技术，能够非侵入性地描述病灶内部异质性，已广泛应用于CT领域，在肺结节良恶性鉴别中表现优异。然而，基于超声的影像组学应用相对有限，尤其在SPLs的特征描述方面尚属新兴且未被充分探索的领域。因此，探索灰度超声影像组学在SPLs诊断中的价值，具有重要的临床需求和创新意义。

研究目的

本研究旨在系统评估从灰度超声图像中提取的影像组学特征在区分良性与恶性胸膜下肺病变中的诊断潜力。具体目标包括：基于多中心前瞻性队列，分别构建仅基于病灶区域、基于病灶联合病灶周围区域的影像组学模型，并进一步整合独立预测恶性风险的临床变量（如年龄和病变位置），形成临床-影像组学融合模型，以提升诊断稳健性和临床适用性。研究还通过与六位不同年资的肺超声放射科医生的独立判读结果进行比较，评估模型的相对诊断性能。最终，研究试图提供一种可重复、非侵入、不依赖操作者的决策支持工具，尤其适用于不适合有创操作、或CT及活检不可及的临床场景，推动灰度超声影像组学在SPLs精准管理中的实际应用。

03

数据和方法

研究数据

总样本量：738例经CT确诊的SPLs患者

训练队列：407例（中心A）

内部验证队列：146例（中心A）

外部验证队列：185例（中心B、C）

诊断金标准：病理、微生物检测、影像随访

图 2：研究入组与队列划分流程图

技术方法

图像采集与处理：

使用1-6MHz凸阵探头，统一成像参数，动态超声视频中选取高质量静态图像。

使用SRAD算法进行斑点噪声预处理。

ROI分割：

病灶ROI + 病灶周围环形ROI（5-10mm扩展）

使用ITK-SNAP软件手动分割

特征提取：

共1320个放射组学特征（病灶660个，周围660个）

特征筛选：

ICC分析（>0.75）、Pearson相关性分析、LASSO回归（10折交叉验证）

模型构建（5个）：

Model 1：仅临床变量

Model 2：仅病灶放射组学

Model 3：病灶+周围放射组学

Model 4（最佳）：病灶放射组学+ 临床变量

Model 5：病灶+周围放射组学 + 临床变量

模型评估：

AUC、敏感性、特异性、F1-score、校准曲线、决策曲线

与6名超声放射科医生的诊断结果进行比较

04

实验结果

Model 4表现最佳：

内部验证AUC = 0.884（95% CI: 0.828–0.940）

外部验证AUC = 0.848（95% CI: 0.791–0.904）

临床独立预测因素：年龄（OR=1.074）、病灶位置（上/中叶，OR=2.003）

与放射科医生比较：

模型准确性与专家共识无显著差异（McNemar检验，p > 0.05）

亚组分析：

小病灶（<3cm）中AUC下降至0.787，提示模型对小病灶识别能力有限

图 3：Model4（病灶组学 + 临床融合模型）的构建与评估 (A) 年龄、病灶位置、Radscore 联合预测列线图；(B) 各特征对模型的相对贡献；(C) 模型决策曲线分析；(D) 模型校准曲线。

图 4：三队列五模型病例构成与诊断性能。(A-C) 训练、内部、外部验证队列良恶性病例分布饼图；(D) 五种模型在三队列的 AUC 对比柱状图。

图 5：外部验证集五模型诊断性能对比。(A-E)五模型分类结果混淆矩阵；(F-J) 五模型核心诊断指标雷达图；(K-O)五模型良恶性预测评分蜂群图。

图 6：Model4 与超声医师诊断效能对比。展示 Model4、6 名超声医师及医师共识的 ROC 曲线，对比诊断 AUC 与判别能力。

05

研究结论

该研究基于多中心前瞻性数据，系统评估了灰度超声影像组学在胸膜下肺结节良恶性鉴别中的价值。研究结论明确指出：基于病灶区域的影像组学特征联合临床变量（年龄和病灶位置）构建的融合模型（Model 4）诊断性能最优，在内部和外部验证队列中的AUC分别达到0.884和0.848，且与经验丰富的肺部超声放射科医生的诊断水平相当。相比之下，加入病灶周边区域的影像组学特征未能显著提升模型性能，可能与超声成像中肺组织和肋骨造成的声学干扰有关。研究还发现，病灶位于上或中叶、患者年龄较大是恶性病变的独立预测因素。尽管模型在小病灶（<3 cm）中的诊断能力略有下降，且当前影像组学特征仍缺乏明确的生物学可解释性，但其作为一种无创、可重复、不依赖操作者经验的决策支持工具，尤其适用于无法接受侵入性操作或CT/活检条件有限的临床场景。总体而言，该研究为灰度超声影像组学在胸膜下肺结节恶性风险分层中的临床应用提供了有力证据。

参考文献：Yi J, Zhao X, Bi K, Wu K, Xia R, Luo Y, Li Y, Shen M, Cong Y, Zhang Y, Wang Y. Grayscale ultrasound radiomics for characterizing subpleural pulmonary lesions: a multicenter prospective study. Insights Imaging. 2026 Apr 25;17(1):117. doi: 10.1186/s13244-026-02244-1.