醫學影像人工智能在肺結核診療中的應用研究進展

肺結核是一種由結核分枝桿菌引發的傳染性疾病。WHO最新統計，全球共有1060萬結核患者；在30個結核病高負擔國家中，我國估算結核病發病人數居第3位，占全球發病人數的 6.8% ，僅次于印度（ 26% ）和印度尼西亞 （10%）^[1] 。準確檢測和診斷肺結核至關重要，傳統的檢測方法存在較多局限性：痰涂片顯微鏡檢查對細菌量要求較高，易漏診早期患者，且無法有效區分結核分枝桿菌與其他非結核分枝桿菌，影響結果的準確性；培養法需4～8周出結果，易延誤治療[2]。隨著人工智能在醫學領域的深入應用，醫學影像人工智能在肺結核的早期篩查、鑒別診斷和預后評估中展示出巨大潛力和應用前景[3]。在這一過程中，影像組學與深度學習發揮了關鍵作用[4]。影像組學通過從醫學圖像中提取大量高維特征，并利用自動化或半自動化分析方法，將影像數據轉化為高分辨力、可分析的數據空間，以幫助醫師更精確地診斷和治療疾病。深度學習，尤其是卷積神經網絡（convolutional neural networks，CNN）利用神經網絡對肺結核影像數據實現復雜模式的識別與預測，適用于自動化病灶檢測、分割和分類。筆者對醫學影像人工智能在肺結核領域的應用研究進行綜述，探討其在臨床實踐中的重要性和應用前景。

1機器學習在肺結核篩查中的應用研究

影像組學因其高準確率和特異度，在肺結核的早期篩查中具有重要意義。DuPlessis等[5采用自動分割模型對266例肺結核患者肺部進行分割，并使用滑動窗口開發二次分割以構建隨機森林影像組學模型，其ROC曲線的AUC為0.9444，顯著提高了胸部X線片（chestX-rays，CXR）的準確性，使其重新成為一種高容量篩查工具。

深度學習在處理大規模數據集、復雜結構和非線性問題方面表現出色，具備強大的自動特征提取能力，尤其適用于高分辨力圖像分析，這為肺結核的篩查提供了新的可能性。Wang等7開發了一種基于深度學習的算法用于檢測肺結核，其分析3498張CXR，使用EfficientNetV2作為該算法的基礎架構；其在測試組中的AUC為0.878，而在前后位CXR中AUC提升至 0.940 。Yan等8通過CT掃描數據創建了一個基于深度學習的級聯框架，6種肺危重影像學表現提示結核病的總體分類準確率為 81.08%～91.05% 表明人工智能適用于肺結核患者的早期篩查和臨床管理。

CNN因其卓越的圖像空間特征提取能力，在肺結核影像中廣泛應用[9]。Yang等[10]基于CT創建的CNN診斷模型的總體診斷敏感度和準確率分別為95.49% 和 90.40% 。將深度學習引人醫學影像分析，為實現更高效、自動化的圖像處理和診斷決策提供了新的技術路徑[11]。Chen等[12]評估了基于谷歌

TeachableMachine（一種基于深度神經網絡的圖像分類工具）開發的CXR結核病概率預測算法的有效性。當人類閱讀者與人工智能算法結合時，AUC可達 0.862～0.885 ，其準確性接近經驗豐富的臨床醫師。

2機器學習在肺結核鑒別診斷中的應用研究

2.1機器學習在鑒別肺結核與非結核分枝桿菌肺炎（non-tuberculous mycobacterium pneumonia，NTM-PD）中的應用

近年來，NTM-PD的發病率呈上升趨勢[13]。最新的流行病學調查顯示，在一些結核病發病率較低的國家，NTM-PD的發病率甚至超過了結核病[14]機器學習通過算法和統計模型分析并提取影像數據特征，能自動檢測、分類和預測，并準確鑒別不同類型的疾病。其中，影像組學與深度學習的進步極大地促進了臨床對NTM-PD的快速診斷。Zhou等[15]分析了99例NTM-PD和285例肺結核患者的影像學資料，提取了2153個影像學特征;支持向量機（supportvectormachine，SVM）邏輯回歸、極值梯度提升（eXtremegradientboosting，XGBoost）、隨機森林4種監督學習分類器模型在訓練隊列中的AUC分別為1.000、0.9044、0.8868和0.7982；結果表明，CT影像組學特征有助于鑒別NTM-PD與肺結核，其中SVM性能最穩定。Ying等[16]開發了一個深度神經網絡，創建了基于CXR識別肺結核和NTM-PD患者的深度學習模型，AUC為0.83，表明該模型可作為一線篩查的補充工具。

Yan等[17]采用監督學習分類器對NTM-PD與肺結核提取的影像組學特征進行分析，其中邏輯回歸分類器的準確率、召回率最高，分別為0.92和0.94。Xing等18通過量化CT圖像中的空洞和支氣管擴張區域，探索了一種區分NTM-PD與肺結核的機器學習方法；研究發現，支氣管擴張的信息量相對較大，且具有良好預測性能（AUC為0.84，準確率為 85% ，敏感度為 88% ，特異度為 80% ）；該方法使得早期快速診斷NTM-PD成為可能，有助于肺部疾病的管理和治療計劃的制訂。

2.2機器學習在鑒別肺結核與肺癌中的應用

機器學習通過對影像數據進行深人分析與特征提取，顯著提高了疾病診斷的精度和速度，尤其是在復雜影像問題的處理上展現出優越性能。基于多模態數據影像組學模型可有效鑒別肺結核與肺癌。

Zhao等[19]對肺結核和肺癌病變進行了回顧性分析，構建了普通CT影像組學模型和CT增強掃描影像組學模型，并建立了兩者聯合的組合模型；結果表明組合模型的表現最佳（訓練集 AUC=0.948 ，測試集AUC _-0.917 ）。Wei等[20]從腫塊型肺結核和周圍型肺癌中提取828個影像組學特征建立預測模型；2組對比分析發現，7個紋理參數、4個定量參數及8項定性CT表現差異均有統計學意義（均 Plt;0.05 ），基于CT建立的紋理特征模型、形態學模型和組合預測模型的AUC分別為0.856、0.950和0.982。Zhang等[21回顧性分析確診為孤立性肺結核或孤立性肺腺癌的患者，動脈期和靜脈期影像組學模型的AUC分別為0.909和0.834。此外，Zhang等22構建的臨床信息與影像組學特征的組合模型在鑒別結節性黏液腺癌與肺結核球中表現優異，訓練組、測試組、外部驗證組的AUC分別為0.940、0.990和0.960，具有較高的術前預測價值。

此外，PET-CT結合了PET提供的代謝信息和CT提供的解剖結構信息[23]，通過提取PET-CT圖像中的影像組學和語義特征，可準確區分肺結核和肺癌。Niyonkuru等24]回顧性納入接受 ¹⁸F -FDGPET-CT檢查的孤立性肺結節患者，并對肺癌和肺結核的大小和最大標準攝取值行散點圖擬合線性回歸分析，結果顯示 ¹⁸F -FDGPET-CT的敏感度、特異度和準確率分別為 96.0%.48.7% 和 92.0% 。 Du 等25量化了PET-CT圖像中的特征性病變區域，并使用邏輯回歸模型繪制影像組學列線圖；結果顯示，個體化影像組學列線圖顯著提高了單獨語義模型或單獨PET-CT特征的診斷性能（ ? 。

Du等26開發了2個CNN模型（CNNa、CNNb）對肺癌和肺結核進行鑒別診斷，AUC分別為0.85和0.87，表明經過CNN協調后，模型性能得到了提升。W_u 等[27]開發了一種具有跨模態交互的雙向注意力感知流體金字塔特征集成融合網絡（BAF-Net），在肺癌-肺結核數據集上，其AUC達0.7342；結果顯示，BAF-Net在診斷和預后評估方面優于傳統融合策略及單模態的PET或CT單峰網絡，展現出更好的性能和魯棒性。

2.3機器學習在鑒別肺結核與社區獲得性肺炎（community-acquired pneumonia，CAP）中的應用

機器學習核心作用是通過智能算法從醫學影像中提取有效信息，提升診斷效率與準確性，并支持醫師在復雜臨床環境下進行更科學的決策。CAP是指在醫院外獲得的肺炎[28]，其與肺結核的臨床癥狀相似，但兩者的治療方法卻不同[29]。因此，開發一種簡單且無創的方法快速區分肺結核與CAP對疾病后期治療至關重要。Li等[30]開發了基于CT影像組學的預測列線圖，其在訓練隊列、測試隊列、驗證隊列的AUC分別為0.947、0.888、0.850；決策曲線分析表明，該列線圖具有良好的臨床價值。Han等31開發并驗證了一種基于胸部CT的3D-CNN模型，使用Keras深度學習框架構建3D-CNN；結果顯示，3D-CNN最優模型在內部和外部測試集上的準確率分別為0.989和0.934，其在2個測試集中的AUC均高于2位放射科醫師，且校準度較高。

3機器學習在檢測活動性肺結核（activepulmonarytuberculosis，ATB）中的應用研究

Choi等[32]開發了多模式方法預測ATB，并與基于深度學習的自動檢測算法相結合；最佳診斷模型的AUC為0.924，同時在敏感度固定在 90% 時，特異度保持在 81.4% 。Kazemzadeh等[33]開發了一個深度學習系統檢測CXR上的ATB，其AUC為0.89，優于9位印度放射科醫師的表現，且其敏感度更高（ 88% VS. 75% ），每檢出1例結核病陽性患者的成本降低了 40%～80% 。

Ma 等[34]開發了一種結合深度學習算法的人工智能自動檢測系統，應用 U-Net 深度學習算法對ATB病變進行自動檢測和分割，該系統的AUC、準確率、敏感度、特異度、陽性預測值和陰性預測值分別為0.980，96.8%，96.4%，97.1%，97.1% 和 96.4% ，在檢測和鑒別診斷ATB方面表現良好。

4機器學習在耐多藥結核病（multidrug-resistant tuberculosis，MDR-TB）中的應用研究

早期識別MDR-TB患者，可提高治療效果并減少傳播風險，因此可利用CT影像組學特征開發MDR-TB空洞的預測模型。Li等[35]回顧性分析257例活動性空洞結核病患者，從分段空洞中提取影像組學特征，并使用隨機森林分類器構建預測MDR-TB的影像組學模型；結果表明，影像組學模型在訓練隊列（0.844）和測試隊列（0.829）的AUC均顯著高于臨床模型。Lv等[36]回顧性分析315例接受長期方案治療的MDR-TB患者，基于空洞提取影像學特征，使用隨機森林分類器選擇和建立影像組學模型，同時結合影像組學和臨床模型生成了一個組合模型；結果顯示，影像組學模型表現良好，在訓練和測試隊列中的AUC分別為0.892和0.839，與組合模型的性能相似。基于空洞的影像組學模型有望預測接受長期治療方案的MDR-TB患者的痰培養狀態，從而有效指導后續治療。Jiang等[37]研究發現，CT影像組學特征對區分藥物敏感和耐藥肺結核患者具有重要價值，影像組學模型在訓練集和驗證集中均表現出良好的區分度 AUC=0.891，0.803 。

5機器學習結合實驗室檢查在肺結核中的應用研究

結核感染T細胞斑點試驗（tuberculousinfectionofTcellsspottest，T-SPOT）是一種檢測結核感染的免疫學實驗[38]，其通過測量T細胞對結核分枝桿菌特異性抗原的反應判斷是否感染。T-SPOT在敏感度和特異度上通常優于傳統的結核皮膚試驗。Ying等[39]建立一種將T-SPOT與基于深度學習的CT圖像分析相結合的診斷算法鑒別肺結核與NTM-PD；單獨使用T-SPOT的準確率僅 80.3% ，而T-SPOT陰性且深度學習分類為NTM-PD的亞組準確率達 91.7% T-SPOT陽性和深度學習歸類為肺結核的亞組準確率為 89.8% ，定量機器學習與T-SPOT結合在區分肺結核與NTM-PD中顯示出顯著優勢。

干擾素 γ 釋放試驗（interferon gamma releaseassay，IGRA）是一種用于檢測潛在結核感染的血液檢測方法[40]，是幫助臨床醫師識別潛在結核感染的重要工具，尤其在結核病流行區域和高風險人群中。Park等[41]收集了IGRA結果連續陽性患者的臨床病史，ATB的診斷由計算機輔助診斷（computer-aideddiagnosis，CAD）系統和胸部放射科醫師分別獨立完成評估；研究顯示，在不同的情況下，CAD的敏感度較高（ AUC=0.818 ）；在相同的敏感度下，基于CAD預篩查的特異度比放射科醫師高（ AUC=0.888 ，且工作量減少了 85.2% 。

6機器學習在肺結核治療評估中的應用研究

機器學習作為對統計算法的高級研究[42]，能有效預測肺結核患者的治療成功率。Ahamed等[43]開發了多個機器學習模型，以確定預測結核病患者在治療期間痰培養轉化的最佳算法；結果顯示，決策樹模型具有最高的準確率（ 92.72% ）、AUC（0.909）、精確度（ 95.90% ）、召回率（ 95.60% 。DuPlessis等44利用影像組學，通過實施獨特的分割方法進行特征提取和參數圖構建，從而獲得CXR的影像組學評分（RadScore）、臨床評分（TBscore）和X線放射學評分（RLscore）;研究發現，RLscore和RadScore的變化具有更強的相關性，差異有統計學意義（ P=0.02 ，這表明RadScore有可能成為治療反應的定量監測工具。Lawal等[45]使用 ¹⁸F? -FDGPET-CT對按標準方案治療后復發的敏感性肺結核進行了研究，評估圖像中是否存在殘余代謝活性；結果顯示，在結核病復發患者中，殘余代謝活性組肺空洞的發生率較高。

7總結與展望

醫學影像人工智能在臨床應用中展現了巨大潛力，但也面臨多種挑戰。影像組學與深度學習模型的性能高度依賴于高質量的影像數據，將這些模型推廣到臨床實際應用中需更多的前瞻性研究和多中心驗證。未來研究應集中在開發更具可解釋性的算法，使醫師能更好地理解和信任模型的預測結果。

[參考文獻]

[1]World Health Organization.Global tuberculosis Report 2022[R/OL].（2024-10-29）[2025-01-05]. https：//iris. who.int/bitstream/handle/10665/379339/9789240101531.

[2]DANCHUK S N，SOLOMON O E，KOHL T A，et al. Challenging the gold standard： the limitations of molecular assays for detection of mycobacterium tuberculosis heteroresistance[J]. Thorax，2024，79（7）：670-675.

[3］吳林玉，許茂盛．重視人工智能在醫學影像中的研究與 應用[J].中國中西醫結合影像學雜志，2022，20（4）：307- 309.

[4]SINGH S，ROHILLA S，SHARMA A，et al. An inclusive review on deep learning techniques and their scope in handwriting recognition[J]. ArXiv Preprint ArXiv，2024， 08011.

[5]Du PLESSIS T，RAMKILAWON G，RAE W I D，et al. Introducing a secondary segmentation to construct a radiomics model for pulmonary tuberculosis cavities[J]. Radiol Med，2023，128（9）：1093-1102.

[6]TIAN J，QI Y，LI H，et al. Deep learning algorithms based on computer vision technology and large-scale image data[J].JComp Techn Applied Math，2024，1（1）： 109-115.

[7] WANG C H，CHANG W，LEE M R，et al. Deep learningbased diagnosis of pulmonary tuberculosis on chest X-ray inthe emergency department： a retrospective study[J]. JImagingInform Med，2024，37（2）：589-600.

[8]YAN C，WANG L，LIN J，et al. A fully automatic artificial intelligence-based CT image analysis system for accuratedetection，diagnosis，and quantitativeseverity evaluation ofpulmonary tuberculosis [J].Eur Radiol， 2022，32（4） ：2188-2199.

[9] RASEL M A，ABDUL KAREEM S，KWAN Z，et al. Asymmetric lesion detection with geometricpatterns and CNN-SVM clasification[J].Comput Biol Med， 2024，179：108851.

[10]YANG Y，XIA L，LIU P，et al. A prospective multicenter clinical research study validating the efectivenessand safety of a chest X-ray-based pulmonary tuberculosis screening software JF CXR-1 built on aconvolutional neural network algorithm[J].Front Med（Lausanne），2023，10：1195451.

[11］閻慶虎，崔嘉．人工智能在肺部疾病影像診斷中的應用 現狀及前景［J]．中國中西醫結合影像學雜志，2020， 18（3） ：232-234.

[12] CHEN C F，HSU C H，JIANG Y C，et al. A deep learning-based algorithm for pulmonary tuberculosis detection in chest radiography[J]. Sci Rep，2024，14（1）： 14917.

[13] CINICOLA B L，OTTAVIANO G，HASHIM I F，et al. Prevalence and characteristics of non-tuberculous mycobacteria（NTM）infection inrecipientsof allogeneic hematopoietic stem cell transplantation：asystematic reviewand meta-analysis[J].JClin Immunol，2023， 44（1）：23.

[14]YING C，ZHANG L，JIN X，et al. Advances in diagnosis and treatment of non-tuberculous mycobacterial lung disease[J].Diagn Microbiol Infect Dis，2024，109（2）： 116254.

[15]ZHOUL，WANG Y，ZHU W，et al.A retrospective study diferentiating nontuberculous mycobacterial pulmonary disease from pulmonary tuberculosis on computed tomography using radiomics and machine learning algorithms[J]. Ann Med，2024，56（1） ：2401613.

[16] YING C，LI X，LV S，et al. T-SPOT with CT image analysis based on deep learning for early differential diagnosis ofnontuberculousmycobacteriapulmonary disease and pulmonary tuberculosis [J].Int J Infect Dis，2022，125：42-50.

[17] YAN Q，ZHAO W，KONG H，et al. CT-based radiomics analysis of consolidation characteristics in differentiatingpulmonary disease of non-tuberculous mycobacterium from pulmonary tuberculosis[J]. Exp Ther Med， 2024，27（3）：112.

[18] XING Z，DING W，ZHANG S，et al. Machine learningbased differentiation of nontuberculous mycobacteria lung disease and pulmonary tuberculosis using CT images[J].Biomed Res Int，2020，2020：6287545.

[19]ZHAO W，XIONG Z，JIANG Y，et al. Radiomics based onenhanced CT for differentiating between pulmonary tuberculosis and pulmonary adenocarcinoma presenting as solid nodules or masses[J].J Cancer Res Clin Oncol，2023，149（7） ：3395-3408.

[20]WEI S，SHI B，ZHANG J，et al. Differentiating masslike tuberculosis from lung cancer based on radiomics and CT features[J]. Transl Cancer Res，2021，10（10）： 4454-4463.

[21]ZHANG G，LI S，YANG K，et al. The value of dualenergy spectral CT in differentiating solitary pulmonary tuberculosis and solitary lung adenocarcinoma[J]. Front Oncol，2022，12：1000028.

[22] ZHANG J，HAO L，QI M W，et al. Radiomics nomogram for preoperative differentiation of pulmonary mucinousadenocarcinoma from tuberculoma insolitary pulmonary solid nodules[J].BMC Cancer，2023，23（1）： 261.

[23]STEFANIDIS K，BELLOS I，KONSTANTELOU E，et al. 18F-FDG PET/CT anatomic and metabolic guidance in CT-guided lung biopsies[J]. Eur J Radiol，2024，171： 111315.

[24]NIYONKURU A，CHEN X，BAKARI K H，et al. Evaluation of the diagnostic efficacy of ¹⁸F -Fluorine-2-DeoxyD-Glucose PET/CT for lung cancer and pulmonary tuberculosis in a tuberculosis-endemic country[J].Cancer Med，2020，9（3）：931-942.

[25]DU D，GU J，CHEN X，et al. Integration of PET/CT radiomics and semantic features for differentiation between active pulmonary tuberculosis and lung cancer[J]. Mol Imaging Biol，2021，23（2）：287-298.

[26]DU D，LV W，LV J，et al. Deep learning-based harmonization of CT reconstruction kernels towardsimproved clinical task performance[J]. Eur Radiol，2023， 33（4） ：2426-2438.

[27]WU H，PENG L，DU D，et al.BAF-Net： bidirectional attention-aware fluid pyramid feature integrated multimodal fusion network for diagnosis and prognosis [J]. Phys Med Biol，2024，69（10）.

[28]CHEEMA H A，MUSHEER A，EJAZ A，et al. Efficacy andsafetyof corticosteroidsfor the treatmentof community-acquiredpneumonia：asystematicreview and meta-analysis of randomized controlled trials[J].J Crit Care，2024，80：154507.

[29]VAN HEERDEN J K，LOUW E H，THIENEMANN F， etal.The prevalence ofpulmonary hypertension in post-tuberculosis and active tuberculosis populations ： a systematic review and meta-analysis [J]. Eur Respir Rev，2024，33（171）：230154.

[30]LI P，WANG J，TANG M，et al. A CT-based radiomics predictive nomogram to identify pulmonary tuberculosis from community-acquired pneumonia：a multicenter cohort study［J].Front Cell Infect Microbiol，2024，14： 1388991.

[31]HAN D，CHEN Y，LI X，et al. Development and validationofa 3D-convolutional neuralnetwork model based on chest CT for differentiating active pulmonary tuberculosis from community-acquired pneumonia[J]. Radiol Med，2023，128（1）：68-80.

[32]CHOI S Y，CHOI A，BAEK S E，et al. Effect of multimodal diagnostic approach using deep learning-based automated detection algorithm for active pulmonary tuberculosis[J]. Sci Rep，2023，13（1）：19794.

[33] KAZEMZADEH S，YU J，JAMSHY S，et al. Deep learning detection of active pulmonary tuberculosis at chest radiography matched the clinical performance of radiologists[J]. Radiology，2023，306（1） ：124-137.

[34]MA L，WANG Y，GUO L，et al. Developing and verifying automatic detection of active pulmonary tuberculosis from multi-slice spiral CT images based on deep learning[J].J Xray Sci Technol，2020，28（5）：939-951.

[35]LI Y，WANG B，WEN L，et al. Machine learning and radiomics for the prediction of multidrug resistance in cavitarypulmonary tuberculosis：a multicentre study [J].Eur Radiol，2023，33（1）：391-400.

[36]LV X，LI Y，CAI B，et al.Utility of machine learning and radiomics based on cavity for predicting the therapeutic response of MDR-TB[J]. Infect Drug Resist， 2023，16：6893-6904.

[37] JIANG F，XU C，WANG Y，et al. A CT-based radiomics analyses for differentiating drug-resistant and drug-sensitive pulmonary tuberculosis [J]. BMC Med Imaging，2024，24（1）：307.

[38]WANG J.Investigationof theclinicaldiagnosticsignificance of the T-cell test for tuberculosis combined with erythrocyte sedimentation test in pulmonary tuberculosis[J]. J Clinical Nursing Research，2024，8（3）：55- 60.

[39]YING C，LI X，LV S，et al. T-SPOT with CT image analysis based on deep learning for early differential diagnosisof nontuberculousmycobacteria pulmonary disease and pulmonary tuberculosis [J].Int J Infect Dis，2022，125：42-50.

[40]BERMAWIB，KURNIASARIDW，IMANIAR A，etal. Pulmonary tuberculosis diagnostic test using fluorescence immunoassay-based interferon gamma release assaywith：IchromaTM IGRA-TB[J].MedJMalaysia， 2024，79（5）：604-607.

[41]PARK J，HWANG EJ，LEEJH，et al.Identification of active pulmonary tuberculosis among patients with positive interferon-gamma release assay results：value ofa deep learning-based computer-aided detection systemin different scenarios of implementation[J].J ThoracImaging，2023，38（3）：145-153.

[42]PARVEZ R，AHMED T，AHSAN M，et al. Integrating multinomial logit and machine learning algorithms to detect crop choice decision making[C]//2O24 ieee international conference on electro information technology（eIT），IEEE，2024：525-531.

[43]AHAMED FAYAZ S，BABU L，PARIDAYAL L，etal. Machine learning algorithms to predict treatment success for patients with pulmonary tuberculosis[J].PLoS One，2024，19（10）：e0309151.

[44]Du PLESSIS T，RAE WID，RAMKILAWON G，etal. Quantitative chest X-ray radiomics for therapyresponse monitoring in patients with pulmonary tuberculosis[J].Diagnostics（Basel），2023，13（17）：2842.

[45]LAWALIO，FOURIEBP，MATHEBULA M，etal."¹⁸"F-FDG PET/CT asa noninvasive biomarker for assessing adequacy of treatment and predicting relapse inpatients treated for pulmonary tuberculosis[J].J Nucl Med，2020，61（3）：412-417.

（收稿日期 2025-01-08）