腺癌是非小细胞肺癌中最常见的亚型，使其成为给定的非对比肺癌筛查人群中最常见的真阳性结果，而非钙化肉芽肿代表最常见且可能最令人困惑的假阳性发现。区分这两种病理状况是胸部放射科医师面临的最具挑战性的问题之一，因为它们在CT图像上的外观相似。大多数非钙化肉芽肿(<1 cm大小)，如腺癌，在感染的急性期，也倾向于在PET / CT中出现氟脱氧葡萄糖。
　　 有在使用radiomics(计算机提取的成像特性)的CT图像对肺CT图像(良性和恶性结节区分)。科学家等证明肺结节的形状特征可以帮助检测筛查CT图像上的恶性结节。然而，在25%的良性结节中也可以看到恶性结节的分叶状特征。深学习算法的出现，特别是卷积神经网络(细胞神经网络)，已经成为一种流行的方法对肺结节分类。研究人员在888 CT图像上构建三维CNN，以获得92%的灵敏度，并减少肺结节中的假阳性检测。另一项基于CNN的研究在776个结节的恶性肿瘤分类中获得了4.5%的错误率。
　　 尽管基于放射学或基于CNN的分析来区分良性和恶性肺结节是广泛的，但没有特别强调在CT图像上区分肉芽肿和腺癌。在55个结节的单点研究中，评估了结节内纹理在区分肉芽肿和腺癌中的作用。然而，我们不知道有任何工作试图集体评估结节形状和结节内异质性的结构模式的作用，并评估结节外的结构周围栖息地，以分类来自腺癌的肉芽肿。对50个结节的小数据集进行未经证实的诊断，评估肺实质以鉴定39个重要的放射学特征，但缺乏用于最终确定算法效用的独立验证集。
　　 肿瘤周围基质中肿瘤浸润淋巴细胞和肿瘤相关基质巨噬细胞的密度已显示与转移可能性相关。我们假设肿瘤周围区域可能拥有这些有价值的信息，以提高结节内放射学分析的效率。我们的研究试图评估与结节外的非均匀性模式相关的放射学特征(周围结构生境)是否可预测非对比CT图像的恶性，以及周围和结构内放射学模式的组合是否更能预测结节恶性肿瘤与单独的肺结节内测量相比。对145名患者的队列进行了机器分类器的评估，以评估每个结节与内部和周围放射组织特征的组合，以区分非对比CT图像上的腺癌和肉芽肿。
　　 试验发现，在肿瘤外5 mm附近，Gabor滤器的低频和中频在腺癌中的反应较高。在代表性的苏木精和伊红染色图像中，肿瘤界面具有密集包裹的肿瘤浸润淋巴细胞和肿瘤相关巨噬细胞的“边缘”。在宏观尺度上，腺癌周围密集的基质肿瘤浸润淋巴细胞在CT图像上表现出光滑的纹理，并可能导致低频Gabor滤波器的高表达。同样，Laws能量特征检测到腺癌中斑点的异质模式，可能检测到更高的肿瘤浸润淋巴细胞的存在。在肉芽肿和正常肺的界面，组织细胞和巨噬细胞形成巨细胞，细胞具有细长或纺锤形的细胞核，彼此大致平行。在CT图像的宏观层面上，这种巨大细胞的分散外观可能解释了中频Gabor特征的更高表现。在评估结节内区域时，研究发现低频Gabor特征在腺癌中表达较高，可能反映了高的细胞核与细胞质比率。类似地，肉芽肿中的低细胞核与细胞质比率可以解释由高频Gabor特征捕获的更多的漫射边缘和模糊的斑点样式。研究结果与Braman等人达成共识(巨大细胞的这种分散的外观可能解释了中频Gabor特征的更高表现。在评估结节内区域时，研究发现低频Gabor特征在腺癌中表达较高，可能反映了高的细胞核与细胞质比率。类似地，肉芽肿中的低细胞核与细胞质比率可以解释由高频Gabor特征捕获的更多的漫射边缘和模糊的斑点样式。研究人员达成共识(巨大细胞的这种分散的外观可能解释了中频Gabor特征的更高表现。在评估结节内区域时，发现低频Gabor特征在腺癌中表达较高，可能反映了高的细胞核与细胞质比率。类似地，肉芽肿中的低细胞核与细胞质比率可以解释由高频Gabor特征捕获的更多的漫射边缘和模糊的斑点样式。研究结果与Braman等人达成共识(肉芽肿中低的细胞核与细胞质的比率可以解释由高频Gabor特征捕获的更多的漫反射边缘和模糊的斑点状图案。研究结果与Braman等人达成共识(肉芽肿中低的细胞核与细胞质的比率可以解释由高频Gabor特征捕获的更多的漫反射边缘和模糊的斑点状图案。研究结果与Braman等人达成共识，谁报告紧邻乳腺恶性肿瘤周围的瘤周微环境与疾病侵袭性有关，可以预测治疗反应。
　　 大多数肺癌使用radiomic方法集中于仅仅从非增强CT检查恶性肺结节纹理分析和形状特征。为了明确区分腺癌和肉芽肿，一项研究使用基于结节放射组学的方法，仅使用Haralick特征获得88%的敏感性。但是，数据集仅包含来自单个站点的55个结节，并且它们的模型未在独立集合上进行验证。Alilou等人表明，在67名患者的独立试验组中，基于形状的特征(例如粗糙度，凸度和球形度)能够区分腺癌和肉芽肿，AUC为0.72。不同于先前报道的方法，研究人员的功能选择方法并没有选择在intranodular和perinodular纹理特征基于形状的特点，这表明计算机提取perinodular纹理特征比任何给定的结节的形状属性的详细预测恶性肿瘤。
　　 大多数CNN方法优于传统的基于radiomic的办法，但这些算法在既没有一组诊断规则，也不是洞察结果。研究的CNN结果与结合了内部和外部结构特征的机器学习算法相当。然而，尽管有超参数优化，但CNN的结果可能受到训练样本大小的影响。
　　 研究的回顾性设计是仅限于腺癌和肉芽肿，目前模仿真正的临床困境的可能性很高，尤其是在俄亥俄河谷或美国上中西部地区。需要进一步的工作，专注于将其他良性和恶性结节纳入分类器并在更大的多站点数据集上进行验证。多个研究小组报道的定性语义特征如结节位置，空化，和钙化。因此，需要额外的工作来整合这些放射科医师制作的功能，以分析它们在队列中的重要性。此外，研究仅提取了最大代表性切片的二维纹理特征，但研究人员计划采用三维纹理特征。未来的方向还包括更全面地分析训练模型中的差异作为图像采集参数的函数，以确定结节内和周围结构特征是否会随着切片厚度和重建内核的变化而变化。
　　 此外，研究包括筛查和诊断图像。为了部署计算机辅助肺癌筛查工具，必须明确开发一种机器学习模型，该模型仅针对CT图像进行筛查。最后，作为癌症筛查工具的临床翻译需要仔细规划，以便在决策支持模式中将人和机器的解释结合在一起。
　　 总之，研究人员引入了一种机器学习方法，该方法证明了在非对比胸部CT成像中结合结节的纹理特征及其直接周围肺实质的效用，以区分恶性和良性结节。结节周结构纹理特征与结节内纹理的结合提高了分类器区分腺癌和肉芽肿的预测能力。