Euro Radio：如何利用CT机器学习进行炎症性肠病的鉴别诊断？

炎症性肠病（IBD）是一种慢性复发性的肠道炎症，主要包括溃疡性结肠炎（UC）和克罗恩病（CD）。CD和UC之间的临床、组织病理学和放射学特征的重叠给鉴别诊断带来困难，甚至可能在疾病的早期过程中造成分类错误。尽管组织活检中的非化脓性肉芽肿是区分CD和UC的特异性特征，但病理结果阳性的概率确实相对较低。跨膜溃疡是CD的一个独特特征，而其在内镜或放射学图像上的确认却十分困难。在CD中，伴随着肥大的肠系膜脂肪沿着发炎的肠道环绕可能是鉴别诊断的重要生物标志物。

基于CD独特的 "蠕动脂肪 "迹象，多项研究量化了内脏脂肪含量，并分析了CD和UC人群之间的差异。CD患者的内脏脂肪组织（VAT）绝对含量比UC患者低。VAT的定量参数包括面积或相关的衍生指数，可作为CD诊断和预后的生物标志物。在CD人群中，由于营养不良和区域性肠道炎症的蠕动脂肪而导致的整体VAT含量减少的量化，对于划分CD纤维化的程度和与UC患者的差异意义重大。然而，VAT的形态和功能差异，包括CD中更多的炎症和更小的脂肪细胞不能仅仅通过VAT含量的量化来划分。

放射组学已经成为一种潜在的工具，通过提取医疗图像中加密的高通量特征来发现组织病理生理学的信息。卷积神经网络通过使用卷积核来识别图像中的大量特征，然后根据训练数据上给出的标签对图像进行分类从而进行图像解释。由放射组学或CNN提取的基于图像的特征提供强度、大小、形状纹理或体积的差异信息，这与CD和UC人群的炎症和增值税质量的差异有关。以前的研究表明，由CT肠道成像（CTE）建立的放射组学模型可以准确地描述CD的肠道纤维化特征。根据相邻像素的灰度等级得出的放射组学特征有很大潜力反映全腹VAT中CTE衰减的具体特征。目前，基于肠道病变特征的放射组学提名图已被用于区分IBD亚型，而没有研究评估基于容积VAT的放射组学表型和三维卷积神经网络工作（3D-CNN）分析对成人CD和UC特征的准确性。

近日，发表在European Radiology杂志的一项研究开发了一项基于VAT的放射组学和三维神经网络模型，并量化了这些模型在区分CD和UC方面的表现，同时比较了放射组学模型与三维神经网络模型在调整或不调整VAT相关临床协变量时的表现，为临床无创、早期、准确的进行CD和UC的鉴别诊断提供了技术支持。

本项回顾性研究纳入了316名确诊为CD和UC的患者（平均年龄，36.25±13.58[标准差]；219名男性），每位患者均在2012年-2021年期间接受了CT肠道成像。在动脉期图像上半自动地分割了容积VAT。使用主成分分析（PCA）和最小绝对收缩和选择算子（LASSO）逻辑回归算法进行放射组学分析，并利用训练队列中的增值税成像数据建立了一个3D-CNN模型。影响VAT的临床协变量包括年龄、性别、修改后的体重指数和疾病持续时间被添加到机器学习模型中进行调整。 
采用LASSO的体积VAT 放射组学分析的AUC值最高，为0.717（95%CI，0.614-0.820），不过3D-CNN模型（AUC=0.693；95%CI，0.587-0.798）和采用PCA的放射组学分析（AUC=0.662；95%CI，0.548-0.776）与LASSO之间的诊断性能差异不具有统计学意义（所有P>0.05）。在测试队列中，UC的放射学评分高于CD（平均值±SD，UC为0.29±1.05，而CD为-0.60±1.25；P＜0.001）。调整了临床协变量的LASSO模型的AUC达到0.775（95%CI，0.683-0.868）。 

图 临床机器学习列线图模型。mBMI，修正的身体质量指数；性别，1代表男性，2代表女性

本项研究表明，基于内脏脂肪组织的深度学习和放射组学特征在区分克罗恩病和溃疡性结肠炎方面取得了较为一致的准确性。利用内脏脂肪组织CT成像信息所建立的模型为解释炎症性肠病提供了具有参考价值的生物标志物。

原文出处：

Ziling Zhou,Ziman Xiong,Ran Cheng,et al.Volumetric visceral fat machine learning phenotype on CT for differential diagnosis of inflammatory bowel disease.DOI:10.1007/s00330-022-09171-x