醫(yī)學(xué)影像人工智能在肺結(jié)核診療中的應(yīng)用研究進(jìn)展

肺結(jié)核是一種由結(jié)核分枝桿菌引發(fā)的傳染性疾病。WHO最新統(tǒng)計(jì)，全球共有1060萬結(jié)核患者；在30個(gè)結(jié)核病高負(fù)擔(dān)國家中，我國估算結(jié)核病發(fā)病人數(shù)居第3位，占全球發(fā)病人數(shù)的 6.8% ，僅次于印度（ 26% ）和印度尼西亞 （10%）^[1] 。準(zhǔn)確檢測(cè)和診斷肺結(jié)核至關(guān)重要，傳統(tǒng)的檢測(cè)方法存在較多局限性：痰涂片顯微鏡檢查對(duì)細(xì)菌量要求較高，易漏診早期患者，且無法有效區(qū)分結(jié)核分枝桿菌與其他非結(jié)核分枝桿菌，影響結(jié)果的準(zhǔn)確性；培養(yǎng)法需4～8周出結(jié)果，易延誤治療[2]。隨著人工智能在醫(yī)學(xué)領(lǐng)域的深入應(yīng)用，醫(yī)學(xué)影像人工智能在肺結(jié)核的早期篩查、鑒別診斷和預(yù)后評(píng)估中展示出巨大潛力和應(yīng)用前景[3]。在這一過程中，影像組學(xué)與深度學(xué)習(xí)發(fā)揮了關(guān)鍵作用[4]。影像組學(xué)通過從醫(yī)學(xué)圖像中提取大量高維特征，并利用自動(dòng)化或半自動(dòng)化分析方法，將影像數(shù)據(jù)轉(zhuǎn)化為高分辨力、可分析的數(shù)據(jù)空間，以幫助醫(yī)師更精確地診斷和治療疾病。深度學(xué)習(xí)，尤其是卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）利用神經(jīng)網(wǎng)絡(luò)對(duì)肺結(jié)核影像數(shù)據(jù)實(shí)現(xiàn)復(fù)雜模式的識(shí)別與預(yù)測(cè)，適用于自動(dòng)化病灶檢測(cè)、分割和分類。筆者對(duì)醫(yī)學(xué)影像人工智能在肺結(jié)核領(lǐng)域的應(yīng)用研究進(jìn)行綜述，探討其在臨床實(shí)踐中的重要性和應(yīng)用前景。

1機(jī)器學(xué)習(xí)在肺結(jié)核篩查中的應(yīng)用研究

影像組學(xué)因其高準(zhǔn)確率和特異度，在肺結(jié)核的早期篩查中具有重要意義。DuPlessis等[5采用自動(dòng)分割模型對(duì)266例肺結(jié)核患者肺部進(jìn)行分割，并使用滑動(dòng)窗口開發(fā)二次分割以構(gòu)建隨機(jī)森林影像組學(xué)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(zhǔn)確性，使其重新成為一種高容量篩查工具。

深度學(xué)習(xí)在處理大規(guī)模數(shù)據(jù)集、復(fù)雜結(jié)構(gòu)和非線性問題方面表現(xiàn)出色，具備強(qiáng)大的自動(dòng)特征提取能力，尤其適用于高分辨力圖像分析，這為肺結(jié)核的篩查提供了新的可能性。Wang等7開發(fā)了一種基于深度學(xué)習(xí)的算法用于檢測(cè)肺結(jié)核，其分析3498張CXR，使用EfficientNetV2作為該算法的基礎(chǔ)架構(gòu)；其在測(cè)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(shù)據(jù)創(chuàng)建了一個(gè)基于深度學(xué)習(xí)的級(jí)聯(lián)框架，6種肺危重影像學(xué)表現(xiàn)提示結(jié)核病的總體分類準(zhǔn)確率為 81.08%～91.05% 表明人工智能適用于肺結(jié)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(jié)核影像中廣泛應(yīng)用[9]。Yang等[10]基于CT創(chuàng)建的CNN診斷模型的總體診斷敏感度和準(zhǔn)確率分別為95.49% 和 90.40% 。將深度學(xué)習(xí)引人醫(yī)學(xué)影像分析，為實(shí)現(xiàn)更高效、自動(dòng)化的圖像處理和診斷決策提供了新的技術(shù)路徑[11]。Chen等[12]評(píng)估了基于谷歌

TeachableMachine（一種基于深度神經(jīng)網(wǎng)絡(luò)的圖像分類工具）開發(fā)的CXR結(jié)核病概率預(yù)測(cè)算法的有效性。當(dāng)人類閱讀者與人工智能算法結(jié)合時(shí)，AUC可達(dá) 0.862～0.885 ，其準(zhǔn)確性接近經(jīng)驗(yàn)豐富的臨床醫(yī)師。

2機(jī)器學(xué)習(xí)在肺結(jié)核鑒別診斷中的應(yīng)用研究

2.1機(jī)器學(xué)習(xí)在鑒別肺結(jié)核與非結(jié)核分枝桿菌肺炎（non-tuberculous mycobacterium pneumonia，NTM-PD）中的應(yīng)用

近年來，NTM-PD的發(fā)病率呈上升趨勢(shì)[13]。最新的流行病學(xué)調(diào)查顯示，在一些結(jié)核病發(fā)病率較低的國家，NTM-PD的發(fā)病率甚至超過了結(jié)核病[14]機(jī)器學(xué)習(xí)通過算法和統(tǒng)計(jì)模型分析并提取影像數(shù)據(jù)特征，能自動(dòng)檢測(cè)、分類和預(yù)測(cè)，并準(zhǔn)確鑒別不同類型的疾病。其中，影像組學(xué)與深度學(xué)習(xí)的進(jìn)步極大地促進(jìn)了臨床對(duì)NTM-PD的快速診斷。Zhou等[15]分析了99例NTM-PD和285例肺結(jié)核患者的影像學(xué)資料，提取了2153個(gè)影像學(xué)特征;支持向量機(jī)（supportvectormachine，SVM）邏輯回歸、極值梯度提升（eXtremegradientboosting，XGBoost）、隨機(jī)森林4種監(jiān)督學(xué)習(xí)分類器模型在訓(xùn)練隊(duì)列中的AUC分別為1.000、0.9044、0.8868和0.7982；結(jié)果表明，CT影像組學(xué)特征有助于鑒別NTM-PD與肺結(jié)核，其中SVM性能最穩(wěn)定。Ying等[16]開發(fā)了一個(gè)深度神經(jīng)網(wǎng)絡(luò)，創(chuàng)建了基于CXR識(shí)別肺結(jié)核和NTM-PD患者的深度學(xué)習(xí)模型，AUC為0.83，表明該模型可作為一線篩查的補(bǔ)充工具。

Yan等[17]采用監(jiān)督學(xué)習(xí)分類器對(duì)NTM-PD與肺結(jié)核提取的影像組學(xué)特征進(jìn)行分析，其中邏輯回歸分類器的準(zhǔn)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(kuò)張區(qū)域，探索了一種區(qū)分NTM-PD與肺結(jié)核的機(jī)器學(xué)習(xí)方法；研究發(fā)現(xiàn)，支氣管擴(kuò)張的信息量相對(duì)較大，且具有良好預(yù)測(cè)性能（AUC為0.84，準(zhǔn)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(jì)劃的制訂。

2.2機(jī)器學(xué)習(xí)在鑒別肺結(jié)核與肺癌中的應(yīng)用

機(jī)器學(xué)習(xí)通過對(duì)影像數(shù)據(jù)進(jìn)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(fù)雜影像問題的處理上展現(xiàn)出優(yōu)越性能。基于多模態(tài)數(shù)據(jù)影像組學(xué)模型可有效鑒別肺結(jié)核與肺癌。

Zhao等[19]對(duì)肺結(jié)核和肺癌病變進(jìn)行了回顧性分析，構(gòu)建了普通CT影像組學(xué)模型和CT增強(qiáng)掃描影像組學(xué)模型，并建立了兩者聯(lián)合的組合模型；結(jié)果表明組合模型的表現(xiàn)最佳（訓(xùn)練集 AUC=0.948 ，測(cè)試集AUC _-0.917 ）。Wei等[20]從腫塊型肺結(jié)核和周圍型肺癌中提取828個(gè)影像組學(xué)特征建立預(yù)測(cè)模型；2組對(duì)比分析發(fā)現(xiàn)，7個(gè)紋理參數(shù)、4個(gè)定量參數(shù)及8項(xiàng)定性CT表現(xiàn)差異均有統(tǒng)計(jì)學(xué)意義（均 Plt;0.05 ），基于CT建立的紋理特征模型、形態(tài)學(xué)模型和組合預(yù)測(cè)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(jié)核或孤立性肺腺癌的患者，動(dòng)脈期和靜脈期影像組學(xué)模型的AUC分別為0.909和0.834。此外，Zhang等22構(gòu)建的臨床信息與影像組學(xué)特征的組合模型在鑒別結(jié)節(jié)性黏液腺癌與肺結(jié)核球中表現(xiàn)優(yōu)異，訓(xùn)練組、測(cè)試組、外部驗(yàn)證組的AUC分別為0.940、0.990和0.960，具有較高的術(shù)前預(yù)測(cè)價(jià)值。

此外，PET-CT結(jié)合了PET提供的代謝信息和CT提供的解剖結(jié)構(gòu)信息[23]，通過提取PET-CT圖像中的影像組學(xué)和語義特征，可準(zhǔn)確區(qū)分肺結(jié)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(jié)節(jié)患者，并對(duì)肺癌和肺結(jié)核的大小和最大標(biāo)準(zhǔn)攝取值行散點(diǎn)圖擬合線性回歸分析，結(jié)果顯示 ¹⁸F -FDGPET-CT的敏感度、特異度和準(zhǔn)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(qū)域，并使用邏輯回歸模型繪制影像組學(xué)列線圖；結(jié)果顯示，個(gè)體化影像組學(xué)列線圖顯著提高了單獨(dú)語義模型或單獨(dú)PET-CT特征的診斷性能（ ? 。

Du等26開發(fā)了2個(gè)CNN模型（CNNa、CNNb）對(duì)肺癌和肺結(jié)核進(jìn)行鑒別診斷，AUC分別為0.85和0.87，表明經(jīng)過CNN協(xié)調(diào)后，模型性能得到了提升。W_u 等[27]開發(fā)了一種具有跨模態(tài)交互的雙向注意力感知流體金字塔特征集成融合網(wǎng)絡(luò)（BAF-Net），在肺癌-肺結(jié)核數(shù)據(jù)集上，其AUC達(dá)0.7342；結(jié)果顯示，BAF-Net在診斷和預(yù)后評(píng)估方面優(yōu)于傳統(tǒng)融合策略及單模態(tài)的PET或CT單峰網(wǎng)絡(luò)，展現(xiàn)出更好的性能和魯棒性。

2.3機(jī)器學(xué)習(xí)在鑒別肺結(jié)核與社區(qū)獲得性肺炎（community-acquired pneumonia，CAP）中的應(yīng)用

機(jī)器學(xué)習(xí)核心作用是通過智能算法從醫(yī)學(xué)影像中提取有效信息，提升診斷效率與準(zhǔn)確性，并支持醫(yī)師在復(fù)雜臨床環(huán)境下進(jìn)行更科學(xué)的決策。CAP是指在醫(yī)院外獲得的肺炎[28]，其與肺結(jié)核的臨床癥狀相似，但兩者的治療方法卻不同[29]。因此，開發(fā)一種簡(jiǎn)單且無創(chuàng)的方法快速區(qū)分肺結(jié)核與CAP對(duì)疾病后期治療至關(guān)重要。Li等[30]開發(fā)了基于CT影像組學(xué)的預(yù)測(cè)列線圖，其在訓(xùn)練隊(duì)列、測(cè)試隊(duì)列、驗(yàn)證隊(duì)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(jià)值。Han等31開發(fā)并驗(yàn)證了一種基于胸部CT的3D-CNN模型，使用Keras深度學(xué)習(xí)框架構(gòu)建3D-CNN；結(jié)果顯示，3D-CNN最優(yōu)模型在內(nèi)部和外部測(cè)試集上的準(zhǔn)確率分別為0.989和0.934，其在2個(gè)測(cè)試集中的AUC均高于2位放射科醫(yī)師，且校準(zhǔn)度較高。

3機(jī)器學(xué)習(xí)在檢測(cè)活動(dòng)性肺結(jié)核（activepulmonarytuberculosis，ATB）中的應(yīng)用研究

Choi等[32]開發(fā)了多模式方法預(yù)測(cè)ATB，并與基于深度學(xué)習(xí)的自動(dòng)檢測(cè)算法相結(jié)合；最佳診斷模型的AUC為0.924，同時(shí)在敏感度固定在 90% 時(shí)，特異度保持在 81.4% 。Kazemzadeh等[33]開發(fā)了一個(gè)深度學(xué)習(xí)系統(tǒng)檢測(cè)CXR上的ATB，其AUC為0.89，優(yōu)于9位印度放射科醫(yī)師的表現(xiàn)，且其敏感度更高（ 88% VS. 75% ），每檢出1例結(jié)核病陽性患者的成本降低了 40%～80% 。

Ma 等[34]開發(fā)了一種結(jié)合深度學(xué)習(xí)算法的人工智能自動(dòng)檢測(cè)系統(tǒng)，應(yīng)用 U-Net 深度學(xué)習(xí)算法對(duì)ATB病變進(jìn)行自動(dòng)檢測(cè)和分割，該系統(tǒng)的AUC、準(zhǔn)確率、敏感度、特異度、陽性預(yù)測(cè)值和陰性預(yù)測(cè)值分別為0.980，96.8%，96.4%，97.1%，97.1% 和 96.4% ，在檢測(cè)和鑒別診斷ATB方面表現(xiàn)良好。

4機(jī)器學(xué)習(xí)在耐多藥結(jié)核病（multidrug-resistant tuberculosis，MDR-TB）中的應(yīng)用研究

早期識(shí)別MDR-TB患者，可提高治療效果并減少傳播風(fēng)險(xiǎn)，因此可利用CT影像組學(xué)特征開發(fā)MDR-TB空洞的預(yù)測(cè)模型。Li等[35]回顧性分析257例活動(dòng)性空洞結(jié)核病患者，從分段空洞中提取影像組學(xué)特征，并使用隨機(jī)森林分類器構(gòu)建預(yù)測(cè)MDR-TB的影像組學(xué)模型；結(jié)果表明，影像組學(xué)模型在訓(xùn)練隊(duì)列（0.844）和測(cè)試隊(duì)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(zhǎng)期方案治療的MDR-TB患者，基于空洞提取影像學(xué)特征，使用隨機(jī)森林分類器選擇和建立影像組學(xué)模型，同時(shí)結(jié)合影像組學(xué)和臨床模型生成了一個(gè)組合模型；結(jié)果顯示，影像組學(xué)模型表現(xiàn)良好，在訓(xùn)練和測(cè)試隊(duì)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(xué)模型有望預(yù)測(cè)接受長(zhǎng)期治療方案的MDR-TB患者的痰培養(yǎng)狀態(tài)，從而有效指導(dǎo)后續(xù)治療。Jiang等[37]研究發(fā)現(xiàn)，CT影像組學(xué)特征對(duì)區(qū)分藥物敏感和耐藥肺結(jié)核患者具有重要價(jià)值，影像組學(xué)模型在訓(xùn)練集和驗(yàn)證集中均表現(xiàn)出良好的區(qū)分度 AUC=0.891，0.803 。

5機(jī)器學(xué)習(xí)結(jié)合實(shí)驗(yàn)室檢查在肺結(jié)核中的應(yīng)用研究

結(jié)核感染T細(xì)胞斑點(diǎn)試驗(yàn)（tuberculousinfectionofTcellsspottest，T-SPOT）是一種檢測(cè)結(jié)核感染的免疫學(xué)實(shí)驗(yàn)[38]，其通過測(cè)量T細(xì)胞對(duì)結(jié)核分枝桿菌特異性抗原的反應(yīng)判斷是否感染。T-SPOT在敏感度和特異度上通常優(yōu)于傳統(tǒng)的結(jié)核皮膚試驗(yàn)。Ying等[39]建立一種將T-SPOT與基于深度學(xué)習(xí)的CT圖像分析相結(jié)合的診斷算法鑒別肺結(jié)核與NTM-PD；單獨(dú)使用T-SPOT的準(zhǔn)確率僅 80.3% ，而T-SPOT陰性且深度學(xué)習(xí)分類為NTM-PD的亞組準(zhǔn)確率達(dá) 91.7% T-SPOT陽性和深度學(xué)習(xí)歸類為肺結(jié)核的亞組準(zhǔn)確率為 89.8% ，定量機(jī)器學(xué)習(xí)與T-SPOT結(jié)合在區(qū)分肺結(jié)核與NTM-PD中顯示出顯著優(yōu)勢(shì)。

干擾素 γ 釋放試驗(yàn)（interferon gamma releaseassay，IGRA）是一種用于檢測(cè)潛在結(jié)核感染的血液檢測(cè)方法[40]，是幫助臨床醫(yī)師識(shí)別潛在結(jié)核感染的重要工具，尤其在結(jié)核病流行區(qū)域和高風(fēng)險(xiǎn)人群中。Park等[41]收集了IGRA結(jié)果連續(xù)陽性患者的臨床病史，ATB的診斷由計(jì)算機(jī)輔助診斷（computer-aideddiagnosis，CAD）系統(tǒng)和胸部放射科醫(yī)師分別獨(dú)立完成評(píng)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(yù)篩查的特異度比放射科醫(yī)師高（ AUC=0.888 ，且工作量減少了 85.2% 。

6機(jī)器學(xué)習(xí)在肺結(jié)核治療評(píng)估中的應(yīng)用研究

機(jī)器學(xué)習(xí)作為對(duì)統(tǒng)計(jì)算法的高級(jí)研究[42]，能有效預(yù)測(cè)肺結(jié)核患者的治療成功率。Ahamed等[43]開發(fā)了多個(gè)機(jī)器學(xué)習(xí)模型，以確定預(yù)測(cè)結(jié)核病患者在治療期間痰培養(yǎng)轉(zhuǎn)化的最佳算法；結(jié)果顯示，決策樹模型具有最高的準(zhǔn)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(xué)，通過實(shí)施獨(dú)特的分割方法進(jìn)行特征提取和參數(shù)圖構(gòu)建，從而獲得CXR的影像組學(xué)評(píng)分（RadScore）、臨床評(píng)分（TBscore）和X線放射學(xué)評(píng)分（RLscore）;研究發(fā)現(xiàn)，RLscore和RadScore的變化具有更強(qiáng)的相關(guān)性，差異有統(tǒng)計(jì)學(xué)意義（ P=0.02 ，這表明RadScore有可能成為治療反應(yīng)的定量監(jiān)測(cè)工具。Lawal等[45]使用 ¹⁸F? -FDGPET-CT對(duì)按標(biāo)準(zhǔn)方案治療后復(fù)發(fā)的敏感性肺結(jié)核進(jìn)行了研究，評(píng)估圖像中是否存在殘余代謝活性；結(jié)果顯示，在結(jié)核病復(fù)發(fā)患者中，殘余代謝活性組肺空洞的發(fā)生率較高。

7總結(jié)與展望

醫(yī)學(xué)影像人工智能在臨床應(yīng)用中展現(xiàn)了巨大潛力，但也面臨多種挑戰(zhàn)。影像組學(xué)與深度學(xué)習(xí)模型的性能高度依賴于高質(zhì)量的影像數(shù)據(jù)，將這些模型推廣到臨床實(shí)際應(yīng)用中需更多的前瞻性研究和多中心驗(yàn)證。未來研究應(yīng)集中在開發(fā)更具可解釋性的算法，使醫(yī)師能更好地理解和信任模型的預(yù)測(cè)結(jié)果。

[參考文獻(xiàn)]

[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(yī)學(xué)影像中的研究與 應(yīng)用[J].中國中西醫(yī)結(jié)合影像學(xué)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(yīng)用 現(xiàn)狀及前景［J]．中國中西醫(yī)結(jié)合影像學(xué)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，F(xiàn)OURIEBP，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）