0 引言

       肺癌是全球范围内最常见的癌症之一，也是癌症相关死亡的首要原因^{[1, 2]}。在肺癌的病理谱系中，肺腺癌构成比约为50%，是其中最主要的组织学亚型^[3]。研究数据表明，早期肺癌（IA期）患者术后五年生存率可达84%，其中IA1期患者更是高达95%^[4]，这提示早期诊断肺腺癌对于改善患者预后至关重要。影像学上肺腺癌通常表现为孤立性结节或肿块，而肺炎性占位（如局灶型机化性肺炎、结核性肉芽肿等）在形态上可与其高度相似，且二者在临床症状上（如咳嗽、咳痰等）常有重叠，导致临床误诊率显著增高^{[5, 6]}。这不仅可能导致肺癌治疗时机延误，也可能造成对良性病变过度干预。因此，开发更优异的鉴别诊断方法，实现对早期肺腺癌的精准识别与干预，已成为临床实践中亟待解决的难题。

       影像组学提取并量化人眼难以识别的病灶微观异质性，为疑难病例的诊断提供关键的临床决策支持^{[7, 8]}。目前，大量研究已证实CT影像组学在肺部良恶性结节鉴别诊断中的价值^{[9, 10, 11]}。MRI作为一种无辐射技术，其多参数序列不仅能提供形态学信息，还可用于功能评估。然而，目前针对肺部的MRI研究仍多集中于临床表现及传统MRI影像特征分析^{[12, 13]}。虽有部分研究探讨了基于MRI影像组学在肺部良恶性病变鉴别中的应用^{[14, 15]}，但这些研究大多局限于单一MRI序列分析，仅有极少数研究纳入能反映肿瘤微循环特征的动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）序列。

       多参数MRI影像组学的优势在于序列间的信息互补：T1加权成像（T1-weighted imaging, T1WI）与T2加权成像（T2-weighted imaging, T2WI）提供形态与组织特征，表观扩散系数（apparent diffusion coefficient, ADC）序列反映细胞密度，而DCE-MRI则能独特地评估肿瘤的血管生成与灌注状态。基于此，我们假设系统性地整合这些互补信息，将能更有效地捕捉肺腺癌与肺炎性占位在微观异质性上的本质差异。

       为此，本研究首次系统性整合了包含DCE-MRI在内的多序列（T1WI、T2WI、ADC和DCE-MRI）MRI影像组学特征，并联合临床及传统MRI特征，构建临床-影像-影像组学联合模型。因此，本研究旨在构建并验证一个基于多参数MRI的无创诊断模型，解决肺腺癌与肺炎性占位的临床鉴别难题，以期为此类病变的精准诊断提供一套务实的解决方案。

1 材料与方法

1.1 研究对象

       回顾性收集2022年1月至2025年4月南京中医药大学附属医院肺腺癌以及肺炎性占位患者的临床及MRI影像资料。纳入标准：（1）经手术、经皮穿刺活检病理确诊的肺腺癌及肺炎性占位病例；（2）具备完整的临床及MRI影像学基线资料；（3）病灶最大径为0.6~6.0 cm，能够涵盖临床常见病灶并保证影像分析的可行性^[16]。排除标准：（1）MRI检查图像质量差，可能影响图像分割以及特征提取；（2）既往有恶性肿瘤个人史并接受过放疗、化疗或手术治疗。本研究遵守《赫尔辛基宣言》，经南京中医药大学附属医院伦理委员会审查批准，免除受试者知情同意，批准文号：2023NL-134-02、2023NL-134-03。

1.2 检查方法

       采用GE Architect 3.0 T磁共振成像系统（美国通用电气公司）及30通道相控阵魔毯线圈进行所有MRI检查。所有患者经肘静脉以3.0 mL/s的流速团注入对比剂钆喷酸葡胺注射液（拜耳先灵制药股份公司，德国柏林），剂量为0.1 mmol/kg，随后以相同流速跟注20 mL生理盐水。扫描参数主要包括：T1WI（最短TR，TE 1.1/2.2 ms）、T2WI（自动TR，TE 60 ms）、扩散加权成像（diffusion weighted imaging, DWI）（自动TR，TE 73 ms，b值=50、800 s/mm²）及DCE-MRI（TR 4.9 ms，TE 2.3 ms，层厚2.4 mm，视野380 mm×304 mm）序列。将扫描获得的DWI序列（b值50、800 s/mm²）数据导入医学影像后处理工作站（GE AW 4.7），通过工作站自带的扩散成像分析模块完成ADC图的重建与可视化；同时利用该工作站的动态增强分析模块对DCE-MRI序列进行后处理，绘制时间-信号强度曲线（time-intensity curve, TIC）。

1.3 临床及影像学分析

       通过医院电子病历系统采集患者的临床资料。临床资料包括人口学特征（年龄和性别）、临床表现（咳嗽、咳痰、胸闷或胸痛和发热）以及既往史（吸烟史）。

       在图像分割前，所有MRI图像由一名研究生与一名主治医师（5年经验）采用盲法独立进行影像学特征评估。评估内容主要包括：病灶大小（在T2WI图像肿瘤最大层面上测量其最长径作为长径，并记录与之垂直的最长径作为短径^[17]）、平直征、分叶征、毛刺征、充气支气管征、支气管截断征、坏死、空洞、胸膜凹陷征、胸膜增厚、胸腔积液、肺门/纵隔淋巴结肿大和TIC类型。其中TIC分为三型^[18]：Ⅰ型（流入型）为曲线持续上升，无明确强化峰值；Ⅱ型（平台型）为曲线快速上升至峰值后进入平台期，其廓清率<10%；Ⅲ型（流出型）为曲线快速上升至峰值后下降，其廓清率≥10%。同时，测得病变在T1WI、T2WI、DWI和ADC的信号值，避开病灶内囊性或坏死区。计算T2WI上病变与肌肉信号强度的比值，即病变-肌肉比（lesion-to-muscle ratio, LMR）；计算T2WI上病变与脑脊液信号强度的比值，即病变-脑脊液比（lesion-to-cerebrospinal fluid ratio, LCR）；计算DWI上病变与脊髓信号强度的比值，即病变-脊髓比（lesion-to-spinal cord ratio, LSR），计算公式分别见式（1）~（3）^[19]。

       采用Cohen's Kappa系数评估两位观察者间对上述影像学特征评估的一致性。所有诊断分歧均提交至一名资深胸部影像诊断主任医师（25年经验）进行最终裁定，最终使评估结果达成一致。

1.4 影像组学特征提取与分析

1.4.1 图像预处理及分割

       DCE-MRI图像中选取TIC峰值点对应时相作为影像组学特征提取的目标图像^[20]。将患者T1WI、T2WI、ADC和DCE-MRI各序列原始图像导入Python（Version:3.13.5,https://www.python.org/），由DICOM格式转换为NIfTI格式（压缩为.nii.gz文件），然后对图像进行预处理，包括：体素标准化（1 mm³）、线性插值重采样、高斯滤波去噪及灰度离散化。将预处理后的图像分别导入ITK-SNAP软件（Version:3.8.0, https://www.itksnap.org/）中，设置窗宽为500，窗位为50，以便更清晰地勾画病灶区域。由一名研究生与一名主治医师（5年经验）分别独立使用该软件，沿肿瘤边缘手动逐层勾画感兴趣区（region of interest, ROI），在病灶勾画过程中主动规避主要血管及支气管结构（图1）。对于勾画不一致的病例，则邀请一位具有25年胸部影像诊断经验的主任医师仲裁，最终协商达成一致。勾画操作的可重复性通过Dice系数进行评估。若同一病例中观察到多个病灶，则仅标记最大的病灶。

点击查看大图

图1  病例勾画示意图。男，46 岁，肺腺癌患者。采用ITK-SNAP软件手动勾画ROI。1A：T1WI-FS 病灶ROI 勾画；1B：T2WI-FS 病灶ROI 勾画；1C：ADC图像病灶ROI 勾画；1D：DCE-MRI 图像病灶ROI 勾画；1E：TIC呈流出型，蓝色曲线代表肿块的强化模式，黄色曲线代表肌肉的强化模式；1F：融合T2WI-FS 序列多层ROI 后构建的三维肿瘤立体模型。红色曲线为病灶ROI。ROI：感兴趣区；T1WI-FS：T1 加权脂肪抑制成像；T2WI-FS：T2 加权脂肪抑制成像；ADC：表观扩散系数；DCE-MRI：动态对比增强磁共振成像；TIC：时间-信号强度曲线。
Fig. 1  Case illustration of lesion segmentation: A 46-year-old male patient with lung adenocarcinoma. Manual ROI delineation was performed using ITK-SNAP software. 1A: Delineation of ROIs on T1WI-FS; 1B: Delineation of ROIs on T2WI-FS. 1C: ROI delineation of the lesion on the ADC map. 1D: ROI delineation of the lesion on DCE-MRI. 1E: TIC shows a washout pattern. The blue and yellow curves depict the TIC of the mass and muscle, respectively. 1F: A three-dimensional tumor model constructed by fusing multi-layer ROIs from T2WI-FS sequences. The red curve is the ROI. ROI: region of interest; T1WI-FS: T1-weighted imaging with fat suppression; T2WI-FS: T2-weighted imaging with fat suppression; ADC: apparent diffusion coefficient; DCE-MRI: dynamic contrast-enhanced magnetic resonance imaging; TIC: time-intensity curve.

1.4.2 特征提取及筛选

       对勾画完成的蒙版以.nii.gz格式保存，利用Python软件中的PyRadiomics程序包（Version:3.1.0, https://pyradiomics.readthedocs.io/en/latest/）提取MRI各序列影像组学特征。各序列独立提取影像组学特征，每序列分别提取1316个特征，其类型及数量分布为：14个形态特征、18个一阶特征、24个灰度共生矩阵特征、16个灰度游程矩阵特征、16个灰度区域大小矩阵特征、14个灰度依赖矩阵特征和5个相邻灰度差分矩阵特征。

       采用R软件（Version:4.4.2, https://www.r-project.org/）对提取的影像组学特征进行筛选：首先将总数据集按7∶3的比例随机划分为训练集与测试集。先采用Z-score法对所有特征进行标准化，再基于Spearman相关系数（阈值>0.7）剔除高冗余特征。在此基础上，采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归进行特征选择，并通过十折交叉验证确定最优惩罚参数（λ），筛选出系数非零的关键特征。

1.5 预测模型构建及验证

       针对收集的临床资料及评估的MRI特征，先对其进行单因素分析，筛选出P<0.05的指标。随后，采用向前逐步法（基于似然比检验）进行多因素二元logistic回归分析，以筛选肺腺癌的独立预测因子。变量纳入和剔除的显著性水平分别设定为P<0.05和P>0.10。最终模型中，仅保留其回归系数的Wald检验P值小于0.05的变量，并将其定义为肺腺癌的独立预测因子，据此分别构建临床模型与临床-影像模型。

       基于筛选出的关键影像组学特征，通过其标准化后的LASSO回归系数加权求和，计算出影像组学评分（radiomics score, Radscore），使用逻辑回归算法（logistic regression, LR）构建影像组学模型，包括单一序列（T1WI、T2WI、DCE-MRI）与多序列组合（T1WI+T2WI、T1WI+T2WI+ADC、T1WI+T2WI+ADC+DCE-MRI）模型。在训练集、测试集对各模型进行验证，提取相关诊断性能指标，依据指标表现选取最优MRI影像组学模型。最后，将前述筛选出的肺腺癌临床、MRI特征独立预测因子，与最优影像组学模型的Radscore共同作为自变量，再次进行逻辑回归拟合，以此建立临床-影像-影像组学联合模型，并据此生成可视化列线图。

1.6 统计学分析

       统计分析均在SPSS（Version:22.0,https://www.ibm.com/products/spss-statistics）、R软件中进行。描述性统计：连续变量符合正态分布者采用均值±标准差表示，非正态分布者以中位数（上下四分位数）表示；分类变量则以例数（构成比）表示。组间比较：连续变量符合正态分布者采用两独立样本t检验，非正态分布者采用Mann-Whitney U检验；分类变量采用χ²检验。模型评价：通过受试者工作特征（receiver operating characteristic, ROC）曲线及曲线下面积（area under the curve, AUC）、准确度、敏感度、特异度、阳性预测值（positive predictive value, PPV）以及阴性预测值（negative predictive value, NPV）评估模型诊断性能；采用DeLong检验比较不同模型间的AUC差异；利用校准曲线评估模型预测概率与实际概率的一致性，通过决策曲线分析（decision curve analysis, DCA）评估模型临床实用性。检验水准设定为P<0.05。

2 结果

2.1 一般资料

       本研究共纳入136例患者，其中肺腺癌与肺炎性占位各68例（各占50.0%）。肺炎性占位组纳入的类型包括机化性肺炎23例、结核性肉芽肿40例、隐球菌5例。

       对两组患者的临床及MRI特征进行比较分析（表1）。结果显示，在临床特征方面，肺腺癌组与肺炎性占位组在年龄、吸烟史和咳嗽三个特征上差异具有统计学意义（P<0.05）；影像学特征上，显示二者在病灶长径、ADC值、TIC分型、平直征以及充气支气管征上具有统计学意义（P<0.05）。两名评估者对关键分类MRI特征（TIC分型、平直征、充气支气管征）的评估表现出良好的一致性，Cohen's Kappa系数均大于0.6。

点击查看表格

表1  患者临床特征与影像特征比较
Tab.1  Comparison of clinical characteristics and imaging features in patients

2.2 特征筛选及最优模型构建

       两位观察者独立勾画ROI的一致性分析显示，Dice系数为0.82，提示病灶勾画具有较好的一致性。通过PyRadiomics程序包从T1WI、T2WI、ADC及DCE-MRI四个序列中共提取出5264个影像组学特征，再利用R软件完成特征筛选，分别建立了基于单一序列与多序列组合的影像组学预测模型。其中，在单序列MRI模型构建中，针对T1WI、T2WI和DCE-MRI序列各筛选了12、8和2个最佳特征；在构建T1WI+T2WI、T1WI+T2WI+ADC和T1WI+T2WI+ADC+DCE-MRI这三个多序列影像组学模型时，各筛选出了12、12和13个最佳特征（图2）。

       分析各影像组学模型的ROC曲线（图3），模型在训练集和测试集的AUC范围分别为0.710~0.888、0.668~0.798（表2）。系统比较不同模型的预测性能，发现T1WI+T2WI+ADC+DCE-MRI四序列模型在训练集中展现出最优的综合病灶鉴别能力（AUC=0.888），其特异度（89.6%）与PPV（88.1%）尤为突出。尽管测试集中该模型的AUC（0.738）与部分三序列模型相当，但模型之间AUC 差异均无统计学意义（P>0.05），综合多序列信息整合的潜在优势及训练集的稳定表现，本研究最终将T1WI+T2WI+ADC+DCE-MRI四序列联合模型确定为最优MRI影像组学模型。

点击查看大图

图2  多序列MRI影像组学特征筛选（T1WI+T2WI+ADC+DCE-MRI）。2A：基于交叉验证的LASSO回归确定最优惩罚参数（λ）；2B：LASSO回归特征筛选路径图；2C：最优13个特征系数图。ADC：表观扩散系数；DCE-MRI：动态对比增强磁共振成像；LASSO：最小绝对收缩和选择算子。
Fig. 2  Multi-sequence MRI radiomics feature selection (T1WI+T2WI+ADC +DCE-MRI). 2A: The optimal penalty parameter (λ) is identified through LASSO regression based on cross-validation. 2B: LASSO regression feature selection path plot. 2C: Coefficient plot of the 13 optimal selected features. ADC: apparent diffusion coefficient; DCE-MRI: dynamic contrast-enhanced magnetic resonance imaging; LASSO: least absolute shrinkage and selection operator.

点击查看大图

图3  基于不同MRI序列的影像组学模型性能验证。3A：单序列模型（训练集）；3B：单序列模型（测试集）；3C：多序列模型（训练集）；3D：多序列模型（测试集）。ADC：表观扩散系数；DCE-MRI：动态对比增强磁共振成像；AUC：曲线下面积。
Fig. 3  Performance validation of radiomics models based on different MRI sequences. 3A: Single-sequence model (training set). 3B: Single-sequence model (test set). 3C: Multi-sequence model (training set). 3D: Multi-sequence model (test set). ADC: apparent diffusion coefficient; DCE-MRI: dynamic contrast-enhanced magnetic resonance imaging; AUC: area under the curve.

点击查看表格

表2  不同模型在训练集和测试集的预测效能
Tab. 2  Predictive performance of different models in the training and test sets

2.3 联合模型构建与验证

       多因素logistic回归分析显示，年龄、吸烟史、ADC值、平直征和TIC类型是肺腺癌的独立预测因子（分别P=0.013、0.003、<0.001、0.023、0.011）（表3）。基于此构建临床模型和临床-影像模型。进一步融合Radscore建立临床-影像-影像组学联合模型，并绘制其列线图（图4C）。

       模型在训练集与测试集中的性能见表4和图4A~4B。训练集中，临床模型（模型1）、临床-影像模型（模型2）和临床-影像-影像组学联合模型（模型3）的AUC分别为0.628、0.758和0.924；测试集中，三者的AUC分别为0.660、0.890和0.853。DeLong检验结果进一步支持了联合模型的效能：在训练集中，模型3与模型1、模型2的AUC差异均具有显著统计学意义（P均<0.001），模型2与模型1的AUC差异亦具有统计学意义（P=0.017）；在测试集中，模型3与模型2的AUC差异无统计学意义（P=0.974），而此二者与模型1的AUC差异均具有统计学意义（P<0.05）。此外，联合模型在经过偏差校正的校准曲线与理想参考线高度重合，表明模型具有良好的校准度，即其预测风险能够准确反映实际风险（图5A）。DCA结果显示，联合模型的净获益在绝大多数阈值概率下均高于其他模型（图5B）。

点击查看大图

图4  各模型ROC 曲线对比和列线图。4A：训练集ROC 曲线；4B：测试集ROC 曲线；4C：临床-影像-影像组学联合模型列线图。模型1：临床模型；模型2：临床-影像型；模型3：临床-影像-影像组学联合模型。ROC：受试者工作特征；AUC：曲线下面积；TIC：时间-信号强度曲线；ADC：表观扩散系数；Radscore：影像组学评分。
Fig. 4  Comparison of ROC curves for the models and nomogram. 4A: ROC curves in the training set. 4B: ROC curves in the test set. 4C: Nomogram of the clinical-imaging-radiomics combined model. Model 1: clinical model; Model 2: clinical-imaging model; Model 3: clinical-imaging-radiomics combined model. ROC: receiver operating characteristic; AUC: area under the curve; TIC: time-intensity curve; ADC: apparent diffusion coefficient; Radscore: radiomics score.

点击查看大图

图5  临床-影像-影像组学联合模型的校正曲线（5A）和决策曲线（5B）。X轴为阈值概率，Y轴为净效益。
Fig. 5  Calibration curve (5A) of the clinical-imaging-radiomics combined model and decision curve (5B). X-axis: Threshold probability; Y-axis: Net benefit.

点击查看表格

表3  肺腺癌和肺炎性占位患者单因素及多因素回归分析结果
Tab. 3  Univariate and multivariate analysis of factors associated with lung adenocarcinoma and pulmonary inflammatory masses

点击查看表格

表4  训练集和测试集中不同模型的预测性能比较
Tab. 4  Comparison of the predictive performance of different models in the training and test sets

3 讨论

       本研究基于T1WI、T2WI、ADC以及DCE-MRI序列分别构建了单一序列和多序列组合模型鉴别肺腺癌和肺炎性占位，结果表明T1WI+T2WI+ADC+DCE-MRI四序列模型预测性能表现最佳。基于临床、MRI影像学特征与最佳影像组学特征构建的联合模型诊断性能明显优于单一临床模型及临床-影像模型，该联合模型不仅为降低临床误诊率提供了有效的量化工具，也为实现更精准的无创诊断开拓了新的途径。

3.1 临床及MRI特征的预测价值

       临床因素常可指导医生对肺腺癌与肺炎性占位的鉴别诊断方向，通常高龄、吸烟史可显著增加肺结节为恶性（肺腺癌）的风险^{[21, 22]}。而胸部MRI多序列成像中，病灶的大小与信号特征也是鉴别肺结节良恶性的重要依据^[14]。其中，DWI是最早且目前应用最广泛的鉴别肺部良恶性病变的磁共振扩散加权成像技术，基于DWI序列获得的ADC图像，可通过量化水分子扩散程度为病灶良恶性鉴别提供关键定量依据^{[23, 24]}。本研究经过多因素logistic回归分析，确定年龄和吸烟史为肺腺癌在临床特征中的独立预测因子；而MRI影像特征中的独立预测因子除ADC值外，本研究还发现了平直征与TIC分型对于肺腺癌与肺炎性占位的鉴别诊断价值。有研究表明，肺癌中基于TIC衍生的半定量参数达峰时间（time to peak, TTP）较炎性结节缩短，而曲线斜率增加^[25]。本研究发现，TIC的流出型（OR=4.150、P=0.034）以及平台型（OR=4.878、P=0.004）提示有恶性肿瘤的可能性，与既往研究相一致^{[26, 27]}。这是由于对比剂洗入阶段所呈现的肿瘤内空间异质性，与肿瘤的代谢水平密切相关^{[28, 29]}。此外，TIC的直观性优于视觉评估，能够精准地解读病灶内部的血流动力学特征^[30]，这对肺腺癌与肺炎性占位的鉴别具有重要的辅助价值。

       本研究基于单因素及多因素分析得到具有统计学意义的临床及MRI特征，分别构建了临床模型与临床-影像模型，这两个模型在训练集上的AUC分别为0.628与0.758，测试集上分别为0.660与0.890。以上结果表明，现有模型虽具备一定的判别能力，但其性能仍有较大提升空间，尤其是临床模型。此外，临床-影像模型在训练集与测试集间的性能波动，也提示其稳健性有待加强。这表明需要引入更能表征病灶内在异质性的新特征维度，以构建性能更优且更稳定的模型。

3.2 多序列影像组学模型的整合优势与策略针对性

       研究表明，影像组学通过提取诸如纹理特征在内的多维定量特征，能够无创地反映肺部病变的异质性及其潜在的病理生理机制^{[27, 31]}。该技术已逐步应用于肺结节良恶性鉴别、疗效评估及预后预测等领域^{[32, 33]}。基于此，本研究通过整合多序列MRI信息提取高通量特征，以构建肺部病变的影像组学鉴别模型。然而，在肺部结节的精细化诊断方面，现有MRI影像组学研究多集中于广义的“良性”与“恶性”的二分法^{[9, 34]}，旨在精准鉴别特定类型结节的影像组学模型鲜有报道。因此，为克服病理异质性导致的泛化瓶颈，本研究没有采用宽泛的良恶性二分法，而是将模型构建精确聚焦于肺腺癌与肺炎性占位这一对临床亟需区分的具体实体。这一针对性策略使特征筛选与优化更具生物学意义和临床实用性。

       此外，本研究在平扫序列（T1WI、T2WI、ADC）基础上，创新性地引入了DCE-MRI序列。DCE-MRI不仅被证实具有与PET/CT相近的鉴别诊断效能且无辐射、成本效益更高^[35]，其定量参数（如K^trans）更能直接反映肺肿瘤的微血管密度与通透性^[36]。因此，在MRI增强早期，肿瘤组织由于丰富的新生血管及高通透性表现为快速明显强化^[37]，而TIC上的峰值点的出现，正是反映了对比剂在病灶血管内首次通过并积聚至最高浓度的过程，此刻微血管的通透性差异与血流量差异在影像上体现得最为显著。基于此，本研究选取了TIC峰值点对应时相的MRI增强图像进行特征的提取。肺腺癌与肺炎性占位在微血管生成与灌注模式上的本质差异，是传统形态学序列（T1WI、T2WI）和反映细胞密度的ADC序列均无法充分捕获的。DCE-MRI序列的引入，为本研究的影像组学模型增添了独特的血流动力学功能维度。

       最后，本研究基于MRI平扫加增强序列（T1WI、T2WI、ADC和DCE-MRI）分别构建了单序列和多序列组合模型。结果显示，与其他模型相比，T1WI+T2WI+ADC+DCE-MRI四序列模型的AUC在训练集上达到最高（AUC=0.888），优于其他单一序列或组合模型。

3.3 联合模型的鉴别与临床适用性

       本研究观察到，最优影像组学模型在测试集的性能（AUC=0.738）较训练集有所下降，这提示病理异质性可能对影像组学模型泛化能力构成挑战^[38]。这也解释了临床-影像模型在训练集与测试集间出现的性能波动。因此，我们通过整合筛选后有鉴别意义的临床特征、MRI特征以及多序列MRI影像组学特征，构建出鉴别性能最优的联合模型（训练集及测试集的AUC值分别达0.924、0.853），该模型包含宏观的临床特征与微观的影像组学特征，成功实现了效能与稳健性的统一，证明了综合性模型在克服异质性方面的重要价值。

       与追求技术前沿复杂性的范式不同，本研究的创新性在于针对肺腺癌与肺炎性占位鉴别诊断这一明确的临床痛点，提出了一套务实的整合分析方案。其核心是深度融合临床特征、传统影像标志物以及多序列（特别是具备血流动力学功能的DCE-MRI）影像组学特征，从而构建了一个兼具高性能、强稳健性与良好可解释性的联合诊断模型。最后，我们将这一复杂模型输出为可视化的列线图，将算法结果以最直观的方式交给临床医生，显著提升了模型的临床实用性与转化潜力。

3.4 局限性与展望

       本研究存在若干局限性。首先，回顾性设计和有限样本量可能影响结果的普适性。未来的关键方向是在标准化影像协议下，利用大规模、多中心的前瞻性队列对模型进行严格的外部验证，以证实并提升其稳健性。其次，回顾性设计本身难以避免诊疗路径依赖性带来的选择偏倚，例如高度怀疑恶性者更易获得活检。最后，本研究采用逐层手动勾画ROI的方式，虽确保了分割准确性，但过程耗时且易引入观察者间差异；未来工作我们将探索深度学习开发自动化分割算法，以提升模型的临床部署效率。

4 结论

       综上，基于多序列MRI构建影像组学模型有助于鉴别肺腺癌与肺炎性占位，联合临床及MRI影像特征后能够提升该模型的鉴别诊断效能，该联合模型可作为可靠的量化诊断工具，为临床医生制订个体化诊疗方案提供参考。