蘇秀芳 徐坤財 段曉蓓 馮寶 陳業(yè)航 李坤煒 李榮崗 陳相猛

1 江門市中心醫(yī)院放射科，江門 529030；2 桂林航天工業(yè)學(xué)院電子信息與自動化學(xué)院，桂林 541004；3 江門市中心醫(yī)院核醫(yī)學(xué)科，江門 529030；4 中山大學(xué)附屬第五醫(yī)院放射科，珠海 519000；5 江門市中心醫(yī)院病理科，江門 529030

胸腺上皮性腫瘤（thymic epithelial tumor, TET）是起源于胸腺上皮細(xì)胞的腫瘤，約占縱隔腫瘤的20%和前上縱隔腫瘤的47%[1]。參考2021 年5 月國際癌癥研究機(jī)構(gòu)（IARC）出版的《WHO 胸部腫瘤分類（第5 版）》[2]中組織病理學(xué)分類標(biāo)準(zhǔn)，可根據(jù)胸腺上皮細(xì)胞形態(tài)和淋巴細(xì)胞與上皮細(xì)胞的比例，將TET 分為胸腺瘤A、AB、B1、B2 和B3 型；同時可根據(jù)腫瘤病理生物學(xué)侵襲程度，將TET 分為低危組（A、AB、B1 型）和高危組（B2、B3 型）。手術(shù)完整切除是治療TET 患者的重要手段，低危組接受手術(shù)完整切除通常可以達(dá)到治愈，從而長期獲益；然而，高危組患者手術(shù)切除具有一定困難，需要接受術(shù)前新輔助治療提高可切除比例[3]。因此，術(shù)前準(zhǔn)確鑒別TET 的危險程度，對臨床制定個性化治療方案和預(yù)后評估具有重要意義。

胸部增強(qiáng)CT 是治療前評價TET 的首選影像檢查方法，在TET 的影像診斷和鑒別診斷上具有重要作用[4-5]。然而，CT 影像征象在不同組織病理學(xué)亞型TET 之間存在一定程度的重疊，給臨床診斷和評估帶來困難和挑戰(zhàn)[6]。計算機(jī)圖像分析是一種可應(yīng)用于多種臟器病變的輔助診斷方法，并被證實(shí)具有較高的臨床價值[7-8]。使用計算機(jī)算法從CT圖像中提取的熵特征，包括一階熵特征和二階熵特征，可以直接反映病灶體素單位內(nèi)灰度值的分布和變化趨勢，并能夠進(jìn)一步進(jìn)行量化分析[9]。目前有研究者探討使用CT 熵特征預(yù)測孤立性肺結(jié)節(jié)的良惡性和評估食管癌的淋巴結(jié)轉(zhuǎn)移等[10-11]。

本研究回顧性分析了經(jīng)手術(shù)和組織病理學(xué)檢查結(jié)果證實(shí)的TET 患者，基于術(shù)前胸部增強(qiáng)CT 圖像，使用計算機(jī)算法提取、篩選熵特征，結(jié)合臨床特征構(gòu)建組合模型，探討熵特征聯(lián)合傳統(tǒng)影像征象在TET 危險程度預(yù)測中的應(yīng)用價值，為臨床精準(zhǔn)診療提供幫助。

1 資料與方法

1.1 一般資料

回顧性分析2008 年10 月至2021 年5 月在江門市中心醫(yī)院和中山大學(xué)附屬第五醫(yī)院經(jīng)手術(shù)和組織病理學(xué)檢查結(jié)果證實(shí)的178 例TET 患者的臨床資料[男性83 例、女性95 例；年齡（52.7±12.4）歲，范圍26～83 歲]。納入標(biāo)準(zhǔn)：（1）經(jīng)手術(shù)完整切除并被組織病理學(xué)檢查結(jié)果證實(shí)為TET；（2）術(shù)前2 周內(nèi)接受胸部CT 平掃和雙期增強(qiáng)掃描；（3）CT 圖像可以通過影像儲存且可通過傳輸系統(tǒng)（PACS）獲取原始DICOM 圖像；（4）CT 圖像層厚≤3.0 mm。排除標(biāo)準(zhǔn)：（1）經(jīng)CT 引導(dǎo)下穿刺活檢確診的患者；（2）CT 圖像質(zhì)量達(dá)不到診斷要求；（3）術(shù)前接受新輔助放化療等治療；（4）有既往惡性腫瘤病史。本研究通過了江門市中心醫(yī)院醫(yī)學(xué)倫理委員會批準(zhǔn)[批準(zhǔn)號：2021（59）]，患者均簽署了知情同意書。

按照納入患者的診療時間順序，以6∶4 的比例，將所有患者分為3 個獨(dú)立數(shù)據(jù)集：訓(xùn)練集86例[男性46 例、女性40 例；年齡（52.0±12.0）歲，范圍27～81 歲]，2008 年10 月至2017 年6 月于江門市中心醫(yī)院收集；內(nèi)部驗證集51 例[男性22例、女性29 例；年齡（55.6±11.3）歲，范圍26～77 歲]，2017 年7 月至2019 年10 月于江門市中心醫(yī)院收集；外部驗證集41 例[男性15 例、女性26 例；年齡（50.8±13.7）歲，范圍28～83 歲]，2014 年5 月至2021 年5 月于中山大學(xué)附屬第五醫(yī)院收集。其中，內(nèi)部驗證集和外部驗證集合稱為全部驗證集，共92 例[男性37 例、女性55 例；年齡（53.5±12.7）歲，范圍26～83 歲]。

1.2 胸部CT 平掃和增強(qiáng)掃描

使用日本東芝公司的 Aquilion One 64 排CT 和德國西門子公司的雙源Force CT 進(jìn)行胸部CT 平掃和增強(qiáng)掃描。采集參數(shù)：管電壓120 kV、管電流采用自動毫安秒技術(shù)、螺距0.875～1.500、準(zhǔn)直0.625～2.500 mm、旋轉(zhuǎn)時間0.5～1.0 s、視野350 mm×350 mm、矩陣512×512。囑患者仰臥位，雙臂上舉，掃描前進(jìn)行深吸氣屏氣呼吸訓(xùn)練，胸部CT 掃描范圍為胸廓入口處至雙側(cè)肺底水平。CT 增強(qiáng)掃描使用高壓注射器靜脈團(tuán)注非離子型碘對比劑（碘海醇注射液，美國GE 公司），濃度350 mgI/ml，總量60～80 ml，速度2.5～3.5 ml/s，分別獲取動脈期 （30～35 s）、靜脈期 （60～70 s）圖像。多平面重組圖像包括：縱隔窗橫斷位，層厚2.5～3.0 mm；冠狀位和矢狀位，層厚3.0 mm。

1.3 增強(qiáng)CT 圖像閱讀和分析

在未知曉臨床病史和病理診斷結(jié)果的前提下，由2 名胸部放射學(xué)專業(yè)的高年資醫(yī)師（15 年和25年）共同閱讀CT 圖像，意見不統(tǒng)一時協(xié)商達(dá)成一致。分別使用縱隔窗（窗位30 HU、窗寬350 HU）和肺窗（窗位-600 HU、窗寬1 500 HU）進(jìn)行觀察。

閱讀和記錄TET 病灶的CT 征象，包括以下幾個方面。（1）位置：左側(cè)、右側(cè)和中間；（2）徑線：測量方法為選取靜脈期橫斷位最大層面，測量長徑和垂直短徑，取二者平均值；（3）邊緣光整：是、否；（4）形態(tài)：圓形或卵圓形定義為形態(tài)規(guī)則；（5）周圍侵犯：病灶鄰近縱隔脂肪或肺實(shí)質(zhì)模糊，病灶鄰近胸膜增厚，縱隔或肺門血管腔內(nèi)出現(xiàn)充盈缺損等表現(xiàn)；（6）鈣化：有、無；（7）增強(qiáng)均勻程度和強(qiáng)化程度：選擇病灶實(shí)質(zhì)區(qū)域，避開鈣化區(qū)、壞死區(qū)或囊變區(qū)，與CT 平掃相比，靜脈期病灶實(shí)質(zhì)成分最大強(qiáng)化CT 值增加＜20 HU 為輕度，20～40 HU 為中度，＞40 HU 為重度[12-13]。

1.4 組織病理學(xué)診斷

手術(shù)切除標(biāo)本經(jīng)過甲醛固定、石蠟包埋、常規(guī)制片和蘇木精-伊紅染色，由1 名胸部病理學(xué)專業(yè)的高年資醫(yī)師（20 年）參考2021 年《WHO 胸部腫瘤分類（第5 版）》[2]進(jìn)行組織病理學(xué)診斷。依據(jù)腫瘤上皮細(xì)胞形態(tài)及淋巴細(xì)胞與上皮細(xì)胞比例，將所有TET 患者分為低危組（A、AB、B1 型）和高危組（B2、B3 型）。

1.5 病灶ROI 的獲取和熵特征提取

基于MATLAB R2016 工作平臺（美國MathWorks公司）的開發(fā)軟件獲取病灶ROI，包括以下步驟：（1）選擇胸部增強(qiáng)CT 靜脈期的橫斷位圖像，標(biāo)記病灶的起始層和終止層，計算機(jī)自動獲取病灶全部連續(xù)層面的二維CT 圖像；（2）由放射科醫(yī)師在橫斷位二維CT 圖像上，逐層勾畫病灶邊界，得到全部二維ROI；（3）使用插值算法，將病灶全部二維ROI 重建為三維容積感興趣區(qū)（volume of interest,VOI）。

為了提高特征的穩(wěn)定性，需對VOI 進(jìn)行預(yù)處理，降低圖像采集過程中的干擾因素。（1）采用小波算法對圖像進(jìn)行去噪處理，去噪?yún)?shù)分別設(shè)置為1/2、2/3、1.0、3/2 和2.0；（2）采用各向同性重采樣技術(shù)，降低熵特征在腫瘤三維方向上的依賴，重采樣參數(shù)分別為pixelW、0.8、1.0、1.2、1.5 和2.0；（3）分別采用Equal 和Lloyd 量化算法將腫瘤區(qū)域的強(qiáng)度范圍量化為更小的灰度范圍，灰度級參數(shù)分別為8、16、32 和64。

基于MATLAB R2016 工作平臺開發(fā)熵特征提取算法。使用MATLAB 軟件對病灶VOI 自動計算一階熵特征和二階熵特征。熵特征類型分別包括灰度共生矩陣（gray level co-occurence matrix，GLCM）、灰度區(qū)域大小矩陣（gray level size zone matrix，GLSZM）和鄰域灰度差分矩陣（neighbouring gray tone difference matrix，NGTDM）。具體由整體熵Global-entropy、聯(lián)合熵GLCM-Joint_entropy、和熵GLCM-Sum_entropy、差熵GLCM-Diff_entropy、運(yùn)行熵GLRLM-Run_entropy、區(qū)域熵GLSZM-Zoon_entropy 和復(fù)雜度熵NGTDM-Complexity_entropy構(gòu)成。

一階熵特征的計算公式如下：

其中，entropy 表示熵特征；K表示VOI 內(nèi)體素密度i的數(shù)量；pi表示VOI 內(nèi)體素密度i的概率，其計算方法是通過體素密度i的個數(shù)除以VOI 內(nèi)體素值的總數(shù)。

二階熵特征的計算公式如下：

歐洲央行成立伊始便有爭議，特別是近幾年來歐債危機(jī)以及歐元區(qū)經(jīng)濟(jì)持續(xù)低迷，歐洲央行不可避免地成為眾多批評者的指責(zé)的對象。一些批評者質(zhì)疑歐洲央行的貨幣一體化，因為，歐元區(qū)各國的經(jīng)濟(jì)基礎(chǔ)、主導(dǎo)產(chǎn)業(yè)和經(jīng)濟(jì)發(fā)展水平并不統(tǒng)一，而貨幣一體化僅僅是歐元區(qū)各國讓渡了一部分主權(quán)和經(jīng)濟(jì)權(quán)利而形成的，并沒有形成一種包含財政政策、稅收體系等在內(nèi)的整體經(jīng)濟(jì)系統(tǒng)作為貨幣支撐，是導(dǎo)致債務(wù)危機(jī)的主要原因之一。

其中，entropy 表示熵特征；K表示VOI 內(nèi)體素密度i的數(shù)量；p(i,j)表示第i行第j列中GLCM 元素的概率。

1.6 統(tǒng)計學(xué)分析

應(yīng)用SPSS 20.0 軟件和RStudio 軟件進(jìn)行統(tǒng)計學(xué)分析。符合正態(tài)分布的計量資料以±s表示，2 組間比較采用獨(dú)立樣本t檢驗（方差齊）；不符合正態(tài)分布的計量資料以M（Q1，Q3）表示，2 組間比較采用Mann-WhitneyU檢驗。計數(shù)資料以例數(shù)表示，2 組間比較采用χ2檢驗。采用Mann-WhitneyU檢驗對計算機(jī)提取的熵特征進(jìn)行統(tǒng)計分析，篩選出差異有統(tǒng)計學(xué)意義的特征。在MATLAB R2016工作平臺上，采用極限學(xué)習(xí)機(jī)（ELM）分類算法計算熵特征權(quán)重和熵標(biāo)簽值，即隨機(jī)給定輸入層的權(quán)重和隱藏層的偏置，通過優(yōu)化最小二乘法，計算輸出層的熵特征權(quán)重；基于篩選出的核心熵特征構(gòu)建熵標(biāo)簽值作為預(yù)測結(jié)果。采用多因素Logistic回歸分析，分別從臨床、CT 和熵特征中篩選獨(dú)立預(yù)測因素，分別構(gòu)建臨床模型、熵模型和組合模型。繪制3 個預(yù)測模型的ROC 曲線，并計算靈敏度、特異度、準(zhǔn)確率和AUC。在訓(xùn)練集、內(nèi)部驗證集、外部驗證集和全部驗證集上分別進(jìn)行測試，對比臨床模型、熵模型和組合模型的診斷效能。采用Delong 檢驗和綜合判別改善指數(shù)（integrated discrimination improvement，IDI）對預(yù)測模型的診斷效能進(jìn)行對比分析。P＜0.05 為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 TET 患者的臨床和CT 特征分析

178 例TET 患 者 中，低 危 組83 例（A 型19例、AB 型44 例、B1 型20 例），其中男性38例、女性45 例，年齡（52.8±12.4）歲，范圍26～83 歲；高危組95 例（B2 型70 例、B3 型25 例），其中男性45 例，女性50 例，年齡（52.0±12.0）歲，范圍27～80 歲。訓(xùn)練集中低危組和高危組TET 患者在性別和年齡分布上的差異均無統(tǒng)計學(xué)意義（χ2=3.629，P=0.140；t=1.404，P=0.164），見表1。

表1 178 例胸腺上皮性腫瘤患者在訓(xùn)練集和驗證集中的臨床和CT 特征對比Table 1 Comparison of clinical and CT manifestations of 178 patients with thymic epithelial tumor in training and validation cohorts

全部TET 的徑線為（4.36±2.07） cm，范圍0.95～11.50 cm。訓(xùn)練集中低危組和高危組徑線分別為4.31（2.94，6.34） cm 和3.39（2.68，5.47） cm，2 組間的差異無統(tǒng)計學(xué)意義（Z=-1.191，P=0.234）。訓(xùn)練集中低危組和高危組TET 在位置、邊緣、形態(tài)、鈣化、增強(qiáng)均勻程度和強(qiáng)化程度上的差異均無統(tǒng)計學(xué)意義（χ2=0.036～5.757，均P＞0.05）。訓(xùn)練集中高危組TET 較多出現(xiàn)周圍侵犯（32.6%，15/46），明顯高于低危組（10%，4/40），且差異有統(tǒng)計學(xué)意義（χ2=5.108，P=0.024），見表1。以周圍侵犯為獨(dú)立預(yù)測因素建立臨床模型，其診斷效能見表2。

表2 臨床模型、熵模型和組合模型在胸腺上皮性腫瘤危險程度預(yù)測中的診斷效能Table 2 Diagnostic efficiency of clinical model, entropy model and combined model in differentiating risk status of thymic epithelial tumor

2.2 熵特征提取分析和熵模型構(gòu)建

從增強(qiáng)CT 靜脈期圖像中共提取出1 680 個初始熵特征，其中一階特征240 個、二階特征1 440個。為了降低特征冗余，采用Mann-WhitneyU檢驗進(jìn)行統(tǒng)計分析，最終得出21 個核心熵特征在低危組與高危組TET 間的差異有統(tǒng)計學(xué)意義，包括10 個GLCM 熵特征、8 個GLSZM 熵特征和3 個NGTDM 熵特征，見圖1。由21 個核心熵特征構(gòu)建并計算熵標(biāo)簽值。訓(xùn)練集中，通過ELM 計算得出的低危組熵標(biāo)簽值為（0.519±0.21），明顯低于高危組（0.997±0.23），組間差異有統(tǒng)計學(xué)意義（t=-9.747，P＜0.001），見表1 和圖2。內(nèi)部驗證集、外部驗證集和全部驗證集中，熵標(biāo)簽值在低危組和高危組TET 患者間的差異均有統(tǒng)計學(xué)意義（t=-4.867，P＜0.001；t=-3.657，P=0.001；t=-5.658，P＜0.001），見表1。

圖1 訓(xùn)練集胸腺上皮性腫瘤患者21 個核心熵特征的信號強(qiáng)度分布圖21 個核心熵特征包括10 個GLCM 熵特征、8 個GLSZM 熵特征和3 個NGTDM 熵特征。GLCM 為灰度共生矩陣，反映腫瘤內(nèi)部灰度級的均勻性和有序性；GLSZM 為灰度區(qū)域大小矩陣，反映腫瘤內(nèi)部鄰域不同體素之間的緊密性；NGTDM 為鄰域灰度差分矩陣，反映病灶的粗糙性、動態(tài)性和復(fù)雜性。矩形區(qū)域顏色越深表示該熵特征權(quán)重越大Figure 1 Thermal intensity distribution diagram of 21 core entropy features in the training cohort of patients with thymic epithelial tumor

圖2 低危組和高危組胸腺上皮性腫瘤患者CT 靜脈期（A、D）、計算機(jī)三維（B、E）和組織病理學(xué)檢查圖（C、F，蘇木精-伊紅染色，×40） A～C 為低危組患者（男性，32 歲），右前上縱隔軟組織腫塊，均勻強(qiáng)化，熵標(biāo)簽值為0.368，組織病理學(xué)檢查結(jié)果證實(shí)為胸腺瘤AB 型；D～F 為高危組患者（男性，42 歲），右前上縱隔軟組織腫塊，不均勻強(qiáng)化，熵標(biāo)簽值為0.867，組織病理學(xué)檢查結(jié)果證實(shí)為胸腺瘤B3 型Figure 2 Venous phase CT (A, D), computer three dimensional (B, E) and histopathological examination (C, F, hematoxylin-eosin staining,×40) images in low-risk and high-risk thymic epithelial tumors

2.3 組合模型構(gòu)建

多因素Logistic 回歸分析結(jié)果顯示，周圍侵犯（OR=6.343；95%CI：1.009～36.604；P=0.039）和熵標(biāo)簽值（OR=20.145；95%CI：5.887～68.936；P＜0.001）是低危組和高危組TET 之間的獨(dú)立預(yù)測因素，共同構(gòu)建組合模型。

2.4 預(yù)測模型診斷效能比較

熵模型和組合模型在訓(xùn)練集的AUC 分別為0.929（95%CI：0.876～0.983）和0.941（95%CI：0.894～0.987）；在內(nèi)部驗證集的AUC 分別為0.832（95%CI：0.723～0.941）和0.871（95%CI：0.775～0.968）；在外部驗證集的AUC 分別為0.802（95%CI：0.666～0.939）和0.819（95%CI：0.689～0.949）；在全部驗證集的AUC 分別為0.803（95%CI：0.715～0.890）和0.840（95%CI：0.761～0.919），見表2 和圖3。

圖3 臨床模型、熵模型和組合模型預(yù)測胸腺上皮性腫瘤危險程度的受試者工作特征曲線 A 為訓(xùn)練集；B 為內(nèi)部驗證集；C 為外部驗證集；D 為全部驗證集。AUC 為曲線下面積；CI 為置信區(qū)間Figure 3 Receiver operating characteristic curves of clinical model, entropy model and combined model in distinguishing risk status of thymic epithelial tumors

3 討論

本研究探討了基于胸部增強(qiáng)CT 圖像的熵特征與TET 危險程度之間的相關(guān)性。我們篩選出21 個熵特征用來鑒別低危組和高危組TET，進(jìn)一步融合臨床特征和熵標(biāo)簽值構(gòu)建組合模型，可以準(zhǔn)確預(yù)測TET 的危險程度，對于治療方案的制定具有重要臨床意義。

既往研究結(jié)果顯示，CT 表現(xiàn)可以預(yù)測TET 的組織病理學(xué)亞型和預(yù)后生存情況[13]。Han 等[14]的研究結(jié)果顯示，輪廓光滑、包膜完整、強(qiáng)化均勻的病灶傾向于歸入低危組。而高危組病灶通常生長活躍、血供豐富，易發(fā)生缺血壞死，增強(qiáng)后大部分表現(xiàn)為重度、不均勻的強(qiáng)化[12]。有研究報道，縱隔脂肪和大血管侵犯可用于區(qū)分低危組和高危組TET，高危組經(jīng)常出現(xiàn)腫瘤-縱隔脂肪交界面模糊，血管分界不清等表現(xiàn)[15]。本研究CT 征象分析結(jié)果顯示，高危組TET 病灶發(fā)生周圍侵犯的比例（35.8%,34/95）明顯高于低危組（14.5%，12/83），并且是TET 危險程度的獨(dú)立預(yù)測因素。然而，CT 征象在不同危險程度的TET 病灶之間存在重疊，同時不同年資放射科醫(yī)師的視覺評估結(jié)果存在差別，可能會導(dǎo)致臨床誤判和不適當(dāng)?shù)脑\療行為[16]。

計算機(jī)熵特征可以定量描述CT 圖像中體素密度的變化，反映腫瘤內(nèi)部成分的異質(zhì)性。當(dāng)病灶內(nèi)部體素密度值基本相同或者接近時，熵標(biāo)簽值趨近于0；當(dāng)體素密度值分布變得不規(guī)則時，熵標(biāo)簽值增大。有研究者使用熵特征鑒別肺癌的分化程度，結(jié)果表明浸潤性腺癌的熵標(biāo)簽值明顯高于浸潤前病變[17]。本研究中，高危組熵標(biāo)簽值明顯高于低危組（P＜0.001），可能與胸腺上皮來源腫瘤的組織病理學(xué)異質(zhì)性有關(guān)[18-19]。（1）高危組腫瘤細(xì)胞數(shù)量多，排列緊密，細(xì)胞核大深染，形態(tài)不規(guī)則，對應(yīng)CT圖像體素密度分布不均勻，熵標(biāo)簽值明顯增大；（2）高危組內(nèi)部含有更為復(fù)雜的微觀結(jié)構(gòu)和多種組織成分，合并壞死、出血和炎癥反應(yīng)細(xì)胞等，亦會引起CT 圖像體素密度混雜且排列不對稱，熵標(biāo)簽值亦隨之增大。另外，核心熵特征均屬于二階熵特征，用于衡量相鄰體素在不同方向上的強(qiáng)度變化，既反映了體素的信號強(qiáng)度分布，又涵蓋了空間位置信息，在鑒別分化程度相似的組織上更為準(zhǔn)確和全面。

Iannarelli 等[20]報道了熵特征與TET 病理分級的相關(guān)性，發(fā)現(xiàn)熵特征對胸腺瘤WHO 病理分級和分期有較好的預(yù)測價值，但該研究的樣本量較少（n=16），且沒有建立預(yù)測模型。既往研究結(jié)果顯示，基于二維CT 圖像的計算機(jī)特征分析方法不能全面體現(xiàn)腫瘤的復(fù)雜程度[21]。本研究中，我們使用全瘤體積重建算法，覆蓋病灶全部體素，可以更完整地反映TET 內(nèi)部的異質(zhì)性。本研究中，我們聯(lián)合臨床特征和熵標(biāo)簽值構(gòu)建組合模型，結(jié)果顯示其診斷效能高于單獨(dú)的熵模型和臨床模型，Delong檢驗和IDI 結(jié)果顯示，組合模型在內(nèi)部驗證集和外部驗證集中均穩(wěn)定地提高了診斷效能。

本研究尚存在一定的局限性。首先，本研究為回顧性分析，難免出現(xiàn)選擇性偏倚，需要增加樣本量和多中心單位來進(jìn)一步驗證研究結(jié)果。其次，本研究中病灶分割為手動勾畫完成，花費(fèi)較多時間和精力，需要更加先進(jìn)的圖像分割技術(shù)，完成計算機(jī)圖像預(yù)處理的過程。

綜上，基于胸部增強(qiáng)CT 圖像提取的熵特征可以無創(chuàng)、定量、客觀、穩(wěn)定地反映TET 的病理生物學(xué)行為。融合臨床特征和熵標(biāo)簽值的組合模型，可以準(zhǔn)確地預(yù)測TET 的危險程度，為患者的個性化治療提供科學(xué)依據(jù)。

利益沖突 所有作者聲明無利益沖突

作者貢獻(xiàn)聲明 蘇秀芳負(fù)責(zé)研究過程的實(shí)施、論文的撰寫；徐坤財負(fù)責(zé)影像圖像的計算機(jī)分析；段曉蓓負(fù)責(zé)內(nèi)部訓(xùn)練集和驗證集數(shù)據(jù)的收集與分析；馮寶負(fù)責(zé)論文的審閱與修改；陳業(yè)航負(fù)責(zé)預(yù)測模型的構(gòu)建；李坤煒負(fù)責(zé)外部驗證集數(shù)據(jù)的收集與分析；李榮崗負(fù)責(zé)病理圖像的閱讀與分析；陳相猛負(fù)責(zé)論文命題的提出與設(shè)計