推进真菌性鼻窦炎诊断：一种放射组学与机器学习方法

《BMC Medical Imaging》：Advancing fungal sinusitis diagnosis: a radiomics and machine learning approach

　　

摘要

背景

由于症状相似，区分真菌性鼻窦炎与慢性鼻窦炎仍是一项诊断难题。

目的

本研究旨在通过将放射组学分析与机器学习相结合，提高真菌性鼻窦炎的诊断准确性。

方法

分析了2022年1月至2025年12月间在温州医科大学中西医结合医院经手术病理确认的106例真菌性鼻窦炎患者和146例慢性鼻窦炎患者的资料。通过3DSlicer、最小冗余最大相关性算法以及套索回归法，从CT扫描中提取放射组学特征，并将其简化为19个关键指标。通过比较逻辑回归、支持向量机以及随机森林模型，根据AUC值选出最优模型。

结果

通过先应用最小冗余最大相关性算法再结合套索回归法，筛选出了19个关键的放射组学特征，可用于区分真菌性鼻窦炎与慢性鼻窦炎。在逻辑回归、支持向量机及随机森林模型中，随机森林模型的表现最佳，其训练集AUC值为96.04%，测试集AUC值为94.91%，对应的准确率分别为92.51%和91.30%。校准曲线显示预测结果与实际结果高度一致，证明了该诊断方法的可靠性。

结论

利用放射组学特征和机器学习技术，尤其是经过优化的随机森林模型，能够显著提升真菌性鼻窦炎的诊断准确性。这种方法有助于减少诊断错误，为治疗方案制定提供更好依据，是真菌性鼻窦炎精准诊断领域的重大进展。不过，该研究未进行独立机构的外部验证，这是其存在的明显局限性。

临床试验编号

不适用。