作者：张荣钰，
肺癌是全球最常见的恶性肿瘤之一，
常规CT是目前最常用的肺癌影像学检查方法，但其对密度相似的组织鉴别有局限性。双能量CT（dual energy computed tomography，DECT）将常规CT功能扩展到密度测定以外，可获得双能量图像，且成像速度快、质量高、辐射剂量较低，能提供多参数成像。放射组学通过高通量技术提取医学图像的定量特征，获得人眼无法区分的肿瘤信息，其工作流程可分为数据采集与预处理、ROI分割、影像组学特征提取、特征分析及模型构建5个阶段。
其中，数据采集是基础步骤，DECT图像能提供组织成分的多参数定量信息，增强特征提取的多样性和准确性。基于预处理图像，放射组学技术可从DECT图像中提取出纹理、形状和功能参数等特征，充分挖掘其潜在价值，精准反映肿瘤的异质性；进一步结合临床信息，可构建基于放射组学特征的预测模型，并对模型性能进行验证与评估，为临床决策提供重要支持。笔者将DECT后处理技术结合放射组学在肺癌诊断、鉴别、生物标志物和基因预测及评估预后方面的应用进展综述如下。
1. DECT 多参数成像
由于元素构成的差异，物质在不同能级下线性衰减系数不同，CT值也不同。但不同物质的CT值可能会有重叠，在传统单能量CT上很难区分。DECT可提供客观、定量的多参数信息，如
1.1 碘图与VNC
双能量分析方法分为基于图像数据的分析和原始数据的分析。基于图像数据的分析通过混合高能量图像和低能量图像获得在各种管电压下的加权平均图像，通过物质分离重建碘图，除去CT对比增强图像中的碘成分获得VNC。碘图通过准确显示病灶体积及血流灌注信息，在区分肺部肿瘤的良恶性上显示出较高的实用性。而最新研究表明，VNC对鉴别肺错构瘤与恶性肿瘤具有优势，且避免了额外的辐射暴露。
1.2 VMI
VMI 通过分解2 种基础材料（一般是碘和水），模拟用任意能量的单色X 射线获得的CT 图像，最多可生成40～200 keV 共161 组单能图像。低能量图像（40～70 keV）可增强图像对比度，有助于微小病灶的检出；高能量图像（80～200 keV）可减少金属伪影，通过降低图像噪声、提高SNR和CNR改善软组织病变的可视化程度。研究表明，60 keV 与70 keV单能图像能提供优质的肺癌成像。
1.3 能谱曲线
设置ROI并在各单能级下绘制ROI中的平均CT值，可获取能谱曲线。不同的曲线形态反映了组织成分的差异，脂肪与碘和骨在能谱曲线上表现明显不同，证明其对肺癌诊断鉴别的临床应用价值。
1.4 Zeff与电子密度图
Zeff和电子密度图的准确获取对组织鉴别至关重要。通过基物质分解技术获得的Zeff和电子密度图为每个像素增加了物质成分信息，为肺癌与转移瘤的鉴别诊断提供互补信息。电子密度图还可补充常规CT及PET/CT在诊断NSCLC纵隔淋巴结转移时的不足。
2. DECT 结合放射组学在肺癌诊断中的应用
2.1 预测
随着影像技术的进步，肺结节的检出率逐年提高，但由于良恶性结节在影像图像上存在相似特征（分叶状或毛刺状边缘），常规CT难以准确区分。DECT结合放射组学通过非侵入性分析可深入挖掘影像特征与病理变化之间的关系，显著增强了肺结节良恶性的鉴别能力。徐一铭等基于碘图提取的放射组学特征建立的模型，在鉴别炎性与恶性肺结节方面表现出高诊断效能，这与Xu 等研究结果一致，后者建立的联合模型的鉴别诊断能力较高。
Liang等基于DECT单能级图像建立的放射组学模型可有效区分良恶性肺结节，结合动、静脉期成像的模型诊断性能显著提高（AUC=0.877 2）。Xu等研究表明，基于从65 keV动、静脉期图像中提取的放射组学评分的最佳组合模型，在区分良、恶性孤立实性肺结节方面表现最佳。
2.2 区分肺癌病理类型
由于不同的病理亚型具有不同的表征和生物特性，因此，早期准确区分肺癌病理亚型有利于临床采取精准的治疗方案，对患者的预后有重要意义。研究证实，常规CT参数辅助放射组学在预测原发性恶性肺肿瘤的组织学亚型和转移性疾病方面具有优势。Tang等基于常规CT，分别从瘤内及瘤周选取ROI构建组学模型鉴别肺腺癌与
Chen等利用DECT标准化碘浓度值（normalized iodine concentrations，NIC）及VMI 分别建立临床预测模型与放射组学模型，以鉴别肺腺癌和鳞状细胞癌，发现临床-静脉期放射组学模型具有最佳预测性能（训练集和验证集AUC分别为0.93、0.90）、拟合优度、简约性及临床实用性，明显高于上述常规CT研究模型的鉴别效能，为腺癌和鳞状细胞癌病理亚型的预测提供了一种相对准确、方便和无创的方法。李想等验证了DECT的VNC与放射组学相结合鉴别肺鳞癌和腺癌的可行性（训练组与测试组AUC分别为0.77和0.74），但该研究未充分利用后处理技术获得的碘浓度、能谱曲线斜率等，存在一定局限性。
2.3 预测肺腺癌侵袭性
肺腺癌早期表现为常规CT上的磨玻璃样结节。由于侵袭程度直接影响手术策略，准确评估肺腺癌的侵袭性对临床指导至关重要。常规CT放射组学模型虽在预测肺腺癌浸润性方面具有潜力（AUC为0.77），但该研究未针对表现为磨玻璃结节的肺腺癌侵袭性进行分析，且未采用DECT 多参数成像。Zheng等的研究填补了这一空白，其从92例肺腺癌患者的VMI中提取放射组学特征，发现放射组学模型在预测以磨玻璃结节为特征的肺腺癌侵袭性方面优于传统临床模型（训练集AUC为0.957 vs. 0.929，测试集AUC为0.865 vs. 0.719），显著提升了对肺腺癌侵袭性的早期预测能力。Chang 等基于DECT的多模态放射组学构建的模型，同样有效预测了磨玻璃样结节的侵袭性。
2.4 预测生物标志物
Ki-67作为反映肿瘤侵袭性的生物标志物，不仅能区分肺癌的病理类型，还能通过与血管体积的关联预测肿瘤的生长速度，被广泛用于肺癌、乳腺癌和前列腺癌等的诊断中。研究表明，DECT的多参数与Ki-67指数相关，而三维放射组学特征可全面评估肿瘤，弥补DECT在肿瘤异质性评估方面的不足。此外，PD-1及其配体PD-L1通过抑制T 细胞的活性，导致肿瘤免疫逃逸。PD-L1蛋白表达被用来预测患者对免疫治疗的响应。DECT参数已被用来区分肺腺癌中的PD-L1表达状态。
Zheng等通过从DECT多参数图像中提取放射组学特征，并运用逻辑回归和支持向量机算法，建立了预测PD-L1表达水平的放射组学模型，展示了其在无创预测NSCLC中的应用潜力。尽管目前的研究多集中于PET/CT，但DECT多参数成像特征与放射组学结合的研究，已在早期无创预测肿瘤免疫微环境中的关键配体表达，进而在指导个体化免疫治疗方面展现出巨大的应用前景。
2.5 预测肺癌基因突变状态
靶向治疗是肺癌治疗的重要手段，特别是在检测表皮生长因子受体（EGFR）、大鼠
2.6 评估肺癌治疗效果及预后
目前临床针对晚期肺癌的治疗方案主要有放疗、化疗及靶向治疗，化疗是最常用方法。国际上公认的实体肿瘤疗效评价标准（RECIST）是目前临床研究中广泛使用的评估实体肿瘤对治疗反应的标准方法，其核心是通过影像学检查测量靶病灶的最长径变化，以判断治疗效果。由于肿瘤体积的变化往往需数周甚至数月，且肿瘤在治疗后可出现出血、囊变或假性增大而掩盖其真实的体积变化，因此仅基于肿瘤解剖形态学变化评价治疗效果具有一定的滞后性与局限性，导致疗效评价不准确。
肿瘤内血管生成是肿瘤生长及转移的重要因素，能谱 CT 参数可定量反映肿瘤内局部血液灌注状态，且不受形态学变化的影响，因而在评估治疗效果上具有独特优势。多项研究已证实基于DECT的碘密度图可通过反映肿瘤灌注情况实现化疗疗效的早期评估。Tanaka等研究发现，肿瘤的较低碘密度与立体定向体部放疗后较高的复发率相关，显示碘密度值在放疗效果预测中的应用价值，对临床决策有重要的提示意义。放射组学通过深度挖掘图像信息，在评估肺癌患者预后方面有较大潜力。
Choe等回顾性分析97例行肺切除术患者的DECT碘图，提取放射组学特征，并运用Cox比例风险回归模型深入探讨了这些特征与患者总生存期及无病生存期的相关性，显示在多变量分析中，分期和放射组学参数（如直方图熵）是预测无病生存期和总生存期的独立危险因素，且两者结合预测精度更高（C指数：总生存期为0.72，无病生存期为0.70）。此外，Wu等利用肺癌治疗前图像动静脉相的电子密度差及能谱曲线斜率差构建组学模型，实现了NSCLC非手术治疗的短期治疗反应的个体化预测。上述发现表明基于放射组学的DECT在肺癌患者预后评估中的重要价值。
3. 基于深度学习的DECT 成像
放射组学模型分为基于机器学习的传统放射组学和基于深度学习的放射组学。传统放射组学涵盖图像采集、分割、特征提取与量化、统计分析及模型构建等步骤。而深度学习方法则采用端到端神经网络直接从原始图像学习，无需精确分割ROI，有效减少人为差异和成本，成为研究焦点。Wang等运用预训练的卷积神经网络实现肺结节的自动分割，基于DECT电子云密度图、Zeff 及碘图提取放射组学特征构建模型，该方法不仅显著提高了肺结节勾画的准确性，还借助传统放射组学特征的可解释性优势，进一步增强了模型对肺腺癌侵袭性预测的性能。
Kumar等提出了一种基于改进U-Net深度学习模型的方法用于肺结节的自动检测，利用DECT虚拟单能成像技术，结合卷积神经网络和元启发式算法（如海洋捕食者算法），通过图像处理和特征提取提高肺癌检测的准确性，研究表明，该模型在检测肺癌脊柱转移方面准确率达93.4%。Wang等提出了一种基于深度学习的预测模型，用于术前预测肺癌原发肿瘤的淋巴结转移；该研究同样利用DECT的单能成像技术，采用Inception-ResNet神经网络，通过引入尺寸相关阻尼块以更好结合肿瘤大小信息，构建了多能级融合模型；该模型在40 keV 数据集上准确率达86%，K 值为72%。
Wang等进一步优化了该模型，通过引入主特征增强模块显著提升了模型的性能。在多能级融合数据集上，该模型的准确率进一步提高至93%，K 值达86%。深度学习在医学影像领域的应用可分为技术实现层面和实际的生产运用层面，前者的研究重点在于图像处理本身，如图像特征提取、图像分割、图像重建等，后者则通过对病灶的定位、分类与检测，达到解决临床问题的目的。
尽管DECT多参数成像特性为深度学习提供了丰富的数据样本，并展现出广阔的应用前景，但两者结合仍面临挑战：
①普遍存在的问题是基于深度学习的方法数据饥饿。肺癌诊断中，深度学习模型依赖大规模、高质量的医疗影像数据集进行训练，较小的数据量开发高性能的模型会影响模型的稳定性和有效性。数据集标注缺乏统一标准且主观性强，标注质量的差异也会影响模型学习效果。
②获得大规模的高质量标记的学习训练样本数据集成本较高，且在预测过程中，深度学习模型的训练和推理需消耗大量的计算资源，对硬件要求较高。
③黑盒性质使得模型决策的透明度和可解释性不足。而在医学领域，医师和患者常需要理解模型决策依据以便作出知情的医疗决策。虽然可解释的深度学习方法，如注意力机制、可视化技术正不断发展，但仍未完全解决深度学习模型的可解释性问题。
4. 小结
DECT作为一种新兴的成像技术，可提供多参数定量测量，在肺癌的检出、鉴别及对生物标志物和基因突变的预测方面有明显优势，弥补了常规CT的不足。放射组学以自动化的高通量方式处理大量影像学信息，其与DECT的结合在肺癌领域展现出广阔的应用前景，但目前的研究仍存在以下问题：
①单中心回顾性研究及较小的样本量导致结果的偏倚。未来研究应加强多中心合作，扩大样本量，以提高研究结果的可靠性和普适性。
②手工勾画ROI存在偏差。由于个体临床经验的差异，传统放射组学勾画方式难以避免地影响到组学特征的提取。因此，充分开发和应用自动化精准分割算法显得尤为重要。应尽快建立统一、规范的ROI标记标准和操作规范，提高不同医师在标记过程中的准确性与一致性。
③研究覆盖面不全。目前，缺乏结合放射组学预测ALK 和BRAF 基因突变效果的研究，预测肺腺癌中的PD-L1表达状态的相关研究仍较少。此外，光子CT结合放射组学在肺癌诊断鉴别中应用研究仍属空白。
多学科融合及开展前瞻性研究应成为未来重要的研究方向。目前，DECT 结合放射组学的研究面临诸多挑战，但随着临床应用的不断深入及人工智能技术的飞速发展，大样本、标准化数据的获得，以及自动化精准分割算法的应用将成为可能，DECT结合放射组学有望在肿瘤治疗的多个领域发挥独特优势，以低成本、低辐射、高效率、高准确率助力精准医疗。
来源：张荣钰,王军娜,郑皓.基于放射组学的双能量CT在肺癌中的应用研究[J].中国中西医结合影像学杂志,2025,23(03):397-402.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
