肺结核是一种由结核分枝杆菌引发的传染性疾病。WHO最新统计，全球共有1 060万结核患者；在30个结核病高负担国家中，我国估算结核病发病人数居第3位，占全球发病人数的6.8%，仅次于印度（26%）和印度尼西亚（10%）^[1]。准确检测和诊断肺结核至关重要，传统的检测方法存在较多局限性：痰涂片显微镜检查对细菌量要求较高，易漏诊早期患者，且无法有效区分结核分枝杆菌与其他非结核分枝杆菌，影响结果的准确性；培养法需4~8周出结果，易延误治疗^[2]。随着人工智能在医学领域的深入应用，医学影像人工智能在肺结核的早期筛查、鉴别诊断和预后评估中展示出巨大潜力和应用前景^[3]。在这一过程中，影像组学与深度学习发挥了关键作用^[4]。影像组学通过从医学图像中提取大量高维特征，并利用自动化或半自动化分析方法，将影像数据转化为高分辨力、可分析的数据空间，以帮助医师更精确地诊断和治疗疾病。深度学习，尤其是卷积神经网络（convolutional neural networks，CNN）利用神经网络对肺结核影像数据实现复杂模式的识别与预测，适用于自动化病灶检测、分割和分类。笔者对医学影像人工智能在肺结核领域的应用研究进行综述，探讨其在临床实践中的重要性和应用前景。

1 机器学习在肺结核筛查中的应用研究

影像组学因其高准确率和特异度，在肺结核的早期筛查中具有重要意义。Du Plessis等^[5]采用自动分割模型对266例肺结核患者肺部进行分割，并使用滑动窗口开发二次分割以构建随机森林影像组学模型，其ROC曲线的AUC为0.944 4，显著提高了胸部X线片（chest X-rays，CXR）的准确性，使其重新成为一种高容量筛查工具。

深度学习在处理大规模数据集、复杂结构和非线性问题方面表现出色，具备强大的自动特征提取能力，尤其适用于高分辨力图像分析^[6]，这为肺结核的筛查提供了新的可能性。Wang等^[7]开发了一种基于深度学习的算法用于检测肺结核，其分析3 498张CXR，使用EfficientNetV2作为该算法的基础架构；其在测试组中的AUC为0.878，而在前后位CXR中AUC提升至0.940。Yan等^[8]通过CT扫描数据创建了一个基于深度学习的级联框架，6种肺危重影像学表现提示结核病的总体分类准确率为81.08%~91.05%，表明人工智能适用于肺结核患者的早期筛查和临床管理。

CNN因其卓越的图像空间特征提取能力，在肺结核影像中广泛应用^[9]。Yang等^[10]基于CT创建的CNN诊断模型的总体诊断敏感度和准确率分别为95.49% 和90.40%。将深度学习引入医学影像分析，为实现更高效、自动化的图像处理和诊断决策提供了新的技术路径^[11]。Chen等^[12]评估了基于谷歌Teachable Machine（一种基于深度神经网络的图像分类工具）开发的CXR结核病概率预测算法的有效性。当人类阅读者与人工智能算法结合时，AUC可达0.862~0.885，其准确性接近经验丰富的临床医师。

2 机器学习在肺结核鉴别诊断中的应用研究 2.1 机器学习在鉴别肺结核与非结核分枝杆菌肺炎（non-tuberculous mycobacterium pneumonia，NTMPD）中的应用

近年来，NTM-PD的发病率呈上升趋势^[13]。最新的流行病学调查显示，在一些结核病发病率较低的国家，NTM-PD的发病率甚至超过了结核病^[14]。机器学习通过算法和统计模型分析并提取影像数据特征，能自动检测、分类和预测，并准确鉴别不同类型的疾病。其中，影像组学与深度学习的进步极大地促进了临床对NTM-PD的快速诊断。Zhou等^[15]分析了99例NTM-PD和285例肺结核患者的影像学资料，提取了2 153个影像学特征；支持向量机（support vector machine，SVM）、逻辑回归、极值梯度提升（eXtreme gradient boosting，XGBoost）、随机森林4种监督学习分类器模型在训练队列中的AUC分别为1.000、0.904 4、0.886 8和0.798 2；结果表明，CT影像组学特征有助于鉴别NTM-PD与肺结核，其中SVM性能最稳定。Ying等^[16]开发了一个深度神经网络，创建了基于CXR识别肺结核和NTM-PD患者的深度学习模型，AUC为0.83，表明该模型可作为一线筛查的补充工具。

Yan等^[17]采用监督学习分类器对NTM-PD与肺结核提取的影像组学特征进行分析，其中逻辑回归分类器的准确率、召回率最高，分别为0.92和0.94。Xing等^[18]通过量化CT图像中的空洞和支气管扩张区域，探索了一种区分NTM-PD与肺结核的机器学习方法；研究发现，支气管扩张的信息量相对较大，且具有良好预测性能（AUC为0.84，准确率为85%，敏感度为88%，特异度为80%）；该方法使得早期快速诊断NTM-PD成为可能，有助于肺部疾病的管理和治疗计划的制订。

2.2 机器学习在鉴别肺结核与肺癌中的应用

机器学习通过对影像数据进行深入分析与特征提取，显著提高了疾病诊断的精度和速度，尤其是在复杂影像问题的处理上展现出优越性能。基于多模态数据影像组学模型可有效鉴别肺结核与肺癌。Zhao等^[19]对肺结核和肺癌病变进行了回顾性分析，构建了普通CT影像组学模型和CT增强扫描影像组学模型，并建立了两者联合的组合模型；结果表明组合模型的表现最佳（训练集AUC=0.948，测试集AUC=0.917）。Wei等^[20]从肿块型肺结核和周围型肺癌中提取828个影像组学特征建立预测模型；2组对比分析发现，7个纹理参数、4个定量参数及8项定性CT表现差异均有统计学意义（均P＜0.05），基于CT建立的纹理特征模型、形态学模型和组合预测模型的AUC分别为0.856、0.950和0.982。Zhang等^[21]回顾性分析确诊为孤立性肺结核或孤立性肺腺癌的患者，动脉期和静脉期影像组学模型的AUC分别为0.909和0.834。此外，Zhang等^[22]构建的临床信息与影像组学特征的组合模型在鉴别结节性黏液腺癌与肺结核球中表现优异，训练组、测试组、外部验证组的AUC分别为0.940、0.990和0.960，具有较高的术前预测价值。

此外，PET-CT结合了PET提供的代谢信息和CT提供的解剖结构信息^[23]，通过提取PET-CT图像中的影像组学和语义特征，可准确区分肺结核和肺癌。Niyonkuru等^[24]回顾性纳入接受 ¹⁸F-FDG PET-CT检查的孤立性肺结节患者，并对肺癌和肺结核的大小和最大标准摄取值行散点图拟合线性回归分析，结果显示 ¹⁸FFDG PET-CT的敏感度、特异度和准确率分别为96.0%、48.7% 和92.0%。Du等^[25]量化了PETCT图像中的特征性病变区域，并使用逻辑回归模型绘制影像组学列线图；结果显示，个体化影像组学列线图显著提高了单独语义模型或单独PET-CT特征的诊断性能（AUC=0.97）。

Du等^[26]开发了2个CNN模型（CNNa、CNNb）对肺癌和肺结核进行鉴别诊断，AUC分别为0.85和0.87，表明经过CNN协调后，模型性能得到了提升。Wu等^[27]开发了一种具有跨模态交互的双向注意力感知流体金字塔特征集成融合网络（BAF-Net），在肺癌-肺结核数据集上，其AUC达0.734 2；结果显示，BAF-Net在诊断和预后评估方面优于传统融合策略及单模态的PET或CT单峰网络，展现出更好的性能和鲁棒性。

2.3 机器学习在鉴别肺结核与社区获得性肺炎（community-acquired pneumonia，CAP）中的应用

机器学习核心作用是通过智能算法从医学影像中提取有效信息，提升诊断效率与准确性，并支持医师在复杂临床环境下进行更科学的决策。CAP是指在医院外获得的肺炎^[28]，其与肺结核的临床症状相似，但两者的治疗方法却不同^[29]。因此，开发一种简单且无创的方法快速区分肺结核与CAP对疾病后期治疗至关重要。Li等^[30]开发了基于CT影像组学的预测列线图，其在训练队列、测试队列、验证队列的AUC分别为0.947、0.888、0.850；决策曲线分析表明，该列线图具有良好的临床价值。Han等^[31]开发并验证了一种基于胸部CT的3D-CNN模型，使用Keras深度学习框架构建3D-CNN；结果显示，3D-CNN最优模型在内部和外部测试集上的准确率分别为0.989和0.934，其在2个测试集中的AUC均高于2位放射科医师，且校准度较高。

3 机器学习在检测活动性肺结核（active pulmo⁃ nary tuberculosis，ATB）中的应用研究

Choi等^[32]开发了多模式方法预测ATB，并与基于深度学习的自动检测算法相结合；最佳诊断模型的AUC为0.924，同时在敏感度固定在90% 时，特异度保持在81.4%。Kazemzadeh等^[33]开发了一个深度学习系统检测CXR上的ATB，其AUC为0.89，优于9位印度放射科医师的表现，且其敏感度更高（88% vs. 75%），每检出1例结核病阳性患者的成本降低了40%~80%。

Ma等^[34]开发了一种结合深度学习算法的人工智能自动检测系统，应用U-Net深度学习算法对ATB病变进行自动检测和分割，该系统的AUC、准确率、敏感度、特异度、阳性预测值和阴性预测值分别为0.980、96.8%、96.4%、97.1%、97.1% 和96.4%，在检测和鉴别诊断ATB方面表现良好。

4 机器学习在耐多药结核病（multidrug-resistant tuberculosis，MDR-TB）中的应用研究

早期识别MDR-TB患者，可提高治疗效果并减少传播风险，因此可利用CT影像组学特征开发MDRTB空洞的预测模型。Li等^[35]回顾性分析257例活动性空洞结核病患者，从分段空洞中提取影像组学特征，并使用随机森林分类器构建预测MDR-TB的影像组学模型；结果表明，影像组学模型在训练队列（0.844）和测试队列（0.829）的AUC均显著高于临床模型。Lv等^[36]回顾性分析315例接受长期方案治疗的MDR-TB患者，基于空洞提取影像学特征，使用随机森林分类器选择和建立影像组学模型，同时结合影像组学和临床模型生成了一个组合模型；结果显示，影像组学模型表现良好，在训练和测试队列中的AUC分别为0.892和0.839，与组合模型的性能相似。基于空洞的影像组学模型有望预测接受长期治疗方案的MDR-TB患者的痰培养状态，从而有效指导后续治疗。Jiang等^[37]研究发现，CT影像组学特征对区分药物敏感和耐药肺结核患者具有重要价值，影像组学模型在训练集和验证集中均表现出良好的区分度（AUC=0.891，0.803）。

5 机器学习结合实验室检查在肺结核中的应用研究

结核感染T细胞斑点试验（tuberculous infection of T cells spot test，T-SPOT）是一种检测结核感染的免疫学实验^[38]，其通过测量T细胞对结核分枝杆菌特异性抗原的反应判断是否感染。T-SPOT在敏感度和特异度上通常优于传统的结核皮肤试验。Ying等^[39]建立一种将T-SPOT与基于深度学习的CT图像分析相结合的诊断算法鉴别肺结核与NTM-PD；单独使用T-SPOT的准确率仅80.3%，而T-SPOT阴性且深度学习分类为NTM-PD的亚组准确率达91.7%，T-SPOT阳性和深度学习归类为肺结核的亚组准确率为89.8%，定量机器学习与T-SPOT结合在区分肺结核与NTM-PD中显示出显著优势。

干扰素γ释放试验（interferon gamma release assay，IGRA）是一种用于检测潜在结核感染的血液检测方法^[40]，是帮助临床医师识别潜在结核感染的重要工具，尤其在结核病流行区域和高风险人群中。Park等^[41]收集了IGRA结果连续阳性患者的临床病史，ATB的诊断由计算机辅助诊断（computer-aided diagnosis，CAD）系统和胸部放射科医师分别独立完成评估；研究显示，在不同的情况下，CAD的敏感度较高（AUC=0.818）；在相同的敏感度下，基于CAD预筛查的特异度比放射科医师高（AUC=0.888），且工作量减少了85.2%。

6 机器学习在肺结核治疗评估中的应用研究

机器学习作为对统计算法的高级研究^[42]，能有效预测肺结核患者的治疗成功率。Ahamed等^[43]开发了多个机器学习模型，以确定预测结核病患者在治疗期间痰培养转化的最佳算法；结果显示，决策树模型具有最高的准确率（92.72%）、AUC（0.909）、精确度（95.90%）、召回率（95.60%）。Du Plessis等^[44]利用影像组学，通过实施独特的分割方法进行特征提取和参数图构建，从而获得CXR的影像组学评分（RadScore）、临床评分（TBscore）和X线放射学评分（RLscore）；研究发现，RLscore和RadScore的变化具有更强的相关性，差异有统计学意义（P=0.02），这表明RadScore有可能成为治疗反应的定量监测工具。Lawal等^[45]使用 ¹⁸FFDG PET-CT对按标准方案治疗后复发的敏感性肺结核进行了研究，评估图像中是否存在残余代谢活性；结果显示，在结核病复发患者中，残余代谢活性组肺空洞的发生率较高。

7 总结与展望

医学影像人工智能在临床应用中展现了巨大潜力，但也面临多种挑战。影像组学与深度学习模型的性能高度依赖于高质量的影像数据，将这些模型推广到临床实际应用中需更多的前瞻性研究和多中心验证。未来研究应集中在开发更具可解释性的算法，使医师能更好地理解和信任模型的预测结果。