作者：许潇月，侯代伦，首都医科大学附属北京胸科医院影像科

肺结核是由结核分枝杆菌感染引起的肺部疾病。随着耐药结核发病率持续上升，加之在疾病检测、预防以及治疗选择方面的不足，耐药结核病已成为全球性公共卫生危机。早期、快速确诊结核病对预防和治疗耐药结核病的出现及传播至关重要，但传统的影像学检查只能显示结核病灶的形态、密度等特征，无法用于疾病预测及鉴别。随着人工智能（artificial intelligence，AI）技术的进步，AI在医学影像学方面的应用在一定程度上弥补了常规影像学检查的不足。

影像组学能够从医学图像中提取大量定量特征，将图像特征转化为深入的、可量化的、可分析的数据，然后使用高级数据模型算法对这些数据进一步分析，捕获可能被忽视或无法用肉眼识别的有价值的疾病信息。研究显示影像组学在肺癌、肺结核、肺炎、肝癌等的早期诊断、病理分型和病情分期方面均取得了突破性进展。现将影像组学在肺结核领域中的应用进展综述如下。

1.　影像组学在肺结核与其他肺部疾病鉴别诊断中的应用

肺结核的早期影像学表现与肺癌、肺炎及其他感染性肺病等肺部疾病具有相似之处，易出现误诊或延迟诊断。因此，快速、准确地鉴别肺结核与其他肺部疾病对及时治疗和控制结核病的传播至关重要。

1. 1　影像组学在肺结核与肺癌鉴别诊断中的应用

在肺结核的鉴别诊断中，肺癌与肺结核的鉴别是最重要的内容之一。肿块型肺结核与周围型肺癌在CT图像上多表现为类圆形团块影，当结核结节边缘不规则、有毛刺时，与原发型肺癌难以鉴别，容易出现误诊。穿刺活检是临床常用的确诊手段，但患者的健康状况和术后并发症限制了该操作的应用。因此，亟待开发无创且准确的高效诊断方法。影像组学通过高维特征提取、构建机器学习模型和无创诊断的方法，能够有效区分肺结核与周围型肺癌，为临床决策提供重要支持。

CUI等收集了244例肺结核和234例肺癌患者的CT图像，提取病灶周围10 mm区域内的影像学特征，经过筛选不同影像学特征对两种疾病的诊断效能，构建了包含8个影像学特征的Nomogram 模型，最终在病灶周围4 mm的扩展距离上获得训练集与验证集中最高的曲线下面积（AUC），高达0. 914，证明此范围内的肺纹理特征在区分肺癌和肺结核方面效率最高。这是首批将影像组学应用于肺结核与肺癌鉴别的研究，具有重要的突破性和创新性。

WEI等对37例肺结核和41例肺癌患者的病灶进行分割，提取病灶的形态特征及纹理特征构建组合预测模型，结果显示结合了病灶形态学特征的组合模型具有更强的鉴别效能，AUC高达0. 982，进一步扩大了影像组学在肺结核鉴别中的应用价值。ZHANG等将53例肺结核和124例肺癌患者的临床特征与CT影像学特征结合，以影像学特征、年龄和病灶边缘毛刺作为独立预测因素构建个体化Nomogram模型，评估CT图像，鉴别结核性肉芽肿和肺癌的诊断效能，结果显示该组合模型显著提高了单一模型的诊断准确率。

该研究在以往基础上进行了改良，使用多维度信息进行模型构建，临床特征的纳入使模型更加全面，显著提高了模型的鉴别效能；使用基于U-net的深度学习模型对图像感兴趣区域（ROI）进行分割，极大地弥补了人工分割勾画ROI造成的主观误差，提高了图像分割的鲁棒性和准确性。

随着研究的不断推进，影像组学的应用领域也在不断扩展。ZHANG等收集了97例肺癌患者和77 例结核病患者的正电子发射断层扫描（PET）和CT图像数据，并通过残余神经网络方法构建了传统机器学习模型、深度卷积神经网络模型（DCNN）、传统机器学习-DCNN模型以及结合了影像学特征、深度学习特征和临床信息的组合模型等四个模型，进行了多维度的信息集成，结果显示组合模型相较于其他三种模型对肺结核与肺癌的分类能力明显提高。可见在影像组学的分析研究中，多源数据的融合可以显著提升模型的性能。上述研究表明，影像组学能够提取出传统影像学方法无法发现的微小特征，通过对影像学数据的深入分析，提高肺结核与肺癌的早期诊断准确率，在肺结核与肺癌的鉴别诊断中有重要的临床应用价值。

1. 2　影像组学在结核分枝杆菌样肺病（MTB-LD）与非结核分枝杆菌性肺病（NTM-LD）鉴别诊断中的应用

MTB-LD和NTM-LD由具有相似基因的菌株引起，二者的临床表现和影像学特征具有相似性。临床上常用于诊断MTB-LD 的痰耐酸杆菌实验在NTM-LD患者中也可能呈假阳性结果。因此，仅凭CT检查或临床症状难以准确区分这两种疾病。随着机器学习技术的发展，基于CT图像的影像组学对两者进行鉴别成为可能。

研究显示支气管扩张和肺部空洞是NTM-LD最常见的CT特征，可作为诊断NTM-LD的独立预测因素。XING 等对57例MTB-LD患者和59例NTM-LD患者肺部CT图像中的支气管扩张和空洞进行量化，获得并选定了103个定量特征，使用线性支撑向量机分类和识别特征，结果显示基于支气管扩张建立的模型获得了最高的AUC、准确率和灵敏度，而基于支气管扩张与空洞建立的组合模型并没有提高鉴别诊断效能，其AUC、准确率和灵敏度反而稍有降低，提示空洞这一CT特征在NTM-LD 与MTB-LD 的鉴别诊断中作用有限。

WANG等收集了301例NTM-LD和804例MTB-LD患者的胸部CT图像，开发了一种基于胸部CT图像的深度学习方法，实现了自动识别提取病灶的形态学特征，并在区分NTM-LD和MTB-LD方面表现出良好的准确率，AUC达到0. 86。该实验有一定的局限性，相较于较为庞大的886例的内部训练集，外部测试集仅80例；且NTM-LD与MTB-LD患者的样本比例明显不平衡，约为3∶8，这些可能影响模型的准确率。但该研究创新性地引入了人机实验，证实机器模型在准确率、灵敏度、特异度方面明显优于所有影像科医师，实现了对病灶图像的自动提取和快速诊断，具有良好的临床应用性。以上研究表明，应用影像组学可有效区分NTMLD和MTB-LD，影像组学可作为MTB-LD 患者的筛查工具，参与到临床诊治策略中。

2.　影像组学在鉴别肺结核活动性中的应用

结核病根据临床表现可分为潜伏结核感染和活动性结核病。大多数结核分枝杆菌感染患者无明显症状，被称为潜伏结核感染。如果没有采取及时有效的治疗措施，10%的潜伏结核感染患者可发展为活动性结核病，具有更高的传染性，病死率高达50%。因此，准确和快速鉴别潜伏结核感染和活动性结核病对于结核病管理至关重要。目前判断活动性肺结核主要依赖于临床症状、影像学检查、微生物学和免疫学检测的综合评估，尚无单一手段能够完全明确诊断结核分枝杆菌感染状态。

影像组学通过高通量特征提取和智能分析，为肺结核活动性的识别提供了可能。LI等收集了501例活动性肺结核患者和501例健康对照者的胸部CT图像，通过对勾画的活动性肺结核病灶进行选择分析，构建了四种基于不同特征提取结构的3D卷积神经网络（CNN）模型用于快速识别活动性肺结核病灶，其中引入Inception-ResNet 模块的改进型VNET-IR-RPN模型的诊断效能显著优于其他模型，其召回率达到85. 9%，准确率为89. 2%，F1 分数为0. 875，实现了对结核病灶感染可能性的预测。

NIJIATI 等收集了1 160 例活动性肺结核患者和1 131例非活动性肺结核患者，采用3D Nested UNet模型对CT图像中的肺部区域进行分割，并利用三种不同的预训练深度学习模型对活动性肺结核及非活动性肺结核进行分类和区分，结果显示3D ResNet-50模型在内部和外部测试集的AUC 最高，分别达到0. 961和0. 946；在外部测试集中比较两位影像科医师与该模型的总诊断时间和准确性，该模型较影像科医师具有更快的诊断速度及更高的准确性。

该研究将深度学习模型的推理过程进行了可视化处理，采用类激活图显示深度学习模型识别的可疑肺部区域，在CT图像上用红色区域作为预测疾病最具代表性的区域，使AI模型在提供准确诊断的同时，还可模仿影像学专家的行为专注于重要的肺部病变区域。以上研究表明，基于深度学习的活动性和非活动性结核病的自动鉴别诊断技术具有高度可推广性，有望成为临床中的快速辅助诊断工具。

3.　影像组学在肺结核耐药性中的应用

治疗方案不完整和不足可导致结核分枝杆菌产生耐药性。当结核分枝杆菌对所有抗结核药物产生耐药性时，便会发生耐药结核病。在结核病高负担的30个国家中，中国结核病发病人数位居第三，耐药结核病的发病人数位居第四。耐药结核病具有更高的发病率和病死率、后遗症、更高的治疗成本和复杂性，是控制结核病的严重障碍。因此迫切需要一种快速检测结核分枝杆菌耐药性的方法。在耐多药结核病中，树芽征及结节灶是最常见的CT征象。

为了定量研究这两种特征是否有助于鉴别药物敏感结核病和耐多药结核病，LI 等对336例患者的树芽征和结节灶的影像学特征进行分析，通过交叉验法进行特征选择并分别开发了基于树芽征、结节灶及两者组合的三种模型，结果表明树芽征与结节灶两个特征的组合模型具有最佳的预测性能，在训练集和测试集中的AUC分别为0. 911、0. 820。LI等基于CT图像中空洞病灶提取的影像学特征构建影像组学模型，同时纳入临床因素构建临床模型与影像组学模型的组合模型，结果显示组合模型显著提高了对肺结核耐药性的预测能力。以上研究表明，影像组学有助于早期、快速地诊断肺结核和确定结核分枝杆菌的耐药性，以鉴别可能患有耐多药肺结核的患者，增加早期干预的机会。

4.　影像组学在预测肺结核疗效及预后评估中的应用

影像组学在肺结核领域的应用还进一步扩展至疗效预测及预后评估。在肺结核患者中，空洞病灶与片状浸润影已被证实与细菌培养阳性结果有关。有研究利用AI技术分析胸部X线摄影图像，以预测活动性肺结核患者痰培养转阴所需的时间，通过图像处理技术生成1 800张X线摄影图像，基于这些数据构建CNN预测模型，在59例患者的测试队列中该模型的平均绝对误差为18. 0。尽管模型的预测精度有待提升，但仍可提示AI技术在肺结核领域具有预测疾病疗效的潜力。

NIJIATI等从204例已完成肺结核治疗的患者中收集到的612份CT图像，分别开发了三个基于影像组学特征的模型和两个基于深度学习的模型，并将性能最佳的影像组学特征模型与深度学习模型相融合，创建组合模型预测结核病治疗效果，在训练集和测试集中均取得了最高的AUC，分别为0. 802和0. 857。LV等探讨影像组学在耐多药肺结核（MDRPTB）患者预后评估中的应用价值，共纳入315例接受长程治疗的MDR-PTB患者，根据治疗6个月后的痰培养结果分为持续阳性组和转阴组，通过回顾性分析患者治疗前胸部CT图像中的空洞病灶，利用随机森林算法构建预测模型，该影像组学模型在训练集和测试集中的AUC分别达到0. 892和0. 839。

这一结果表明基于CT 影像组学能够有效预测MDRPTB患者的治疗转归。此外，多项研究成功实现了利用机器学习方法预测肺结核的疗效，虽然采用的模型不同，但均表现出较高的准确率，在某些数据集实现了准确率高达92%。这些研究为影像组学用于肺结核疗效预测和预后评估提供了新的研究方向，尽管目前相关研究仍处于探索阶段，但随着技术的不断发展，影像组学的应用价值将进一步提升。

来源：许潇月,侯代伦.影像组学在肺结核诊断、治疗及预后评估中的应用进展[J].医学影像学杂志,2025,35(08):161-164.DOI:10.20258/j.cnki.1006-9011.2025.08.035.