双中心378例PCD-CT光谱重建影像组学：VNC训练模型区分肝脏良恶性病变AUC达0.899，高keV与VNC测试更稳定
核心概要
这项双中心研究纳入378例（190例良性、227个病灶；188例恶性、2681个病灶）局灶性肝脏病变患者，用nnU-Net自动分割并经腹部放射科医师确认后，从PCD-CT的9个光谱数据集（40、50、70、90、110、140、180 keV、虚拟平扫VNC和碘密度图IDM）提取影像组学特征，训练多种机器学习模型并按患者聚合病灶级预测，结果显示基于VNC训练的随机森林模型性能最高（AUC 0.899，95% CI 0.840-0.951，准确率83.5%），跨域分析中各训练重建的平均AUC相近（0.75-0.83），而测试重建的选择影响表现：110、140、180 keV与VNC测试最稳定（中位AUC≥
深度剖析
在PCD-CT多光谱重建上构建的影像组学机器学习流程能够区分肝脏良性与恶性病变，基于VNC训练的随机森林模型取得最高性能，AUC为0.899（95% CI 0.840-0.951），准确率83.5%。 此前肝脏病变的无创分类多依赖常规CT，本研究把PCD-CT的光谱能力（虚拟单能级与物质分解图像）与影像组学机器学习结合，并给出患者层面的分类结果。 来自2家机构的378例患者队列，病灶由nnU-Net自动分割并经腹部放射科医师确认，采用患者层面分析并将病灶级预测按患者聚合，报告了AUC的95%置信区间与准确率。
跨域分析显示，不同训练重建得到的平均AUC相近（0.75-0.83），但测试重建的选择显著影响评估表现：110、140、180 keV与VNC测试最稳定（中位AUC≥0.83），40 keV、50 keV与IDM则较低且波动更大（中位AUC≤0.71）。 该研究不只报告单一重建下的最优结果，而是系统比较了全部训练-测试重建组合，把“测试用哪个重建”作为影响性能的独立因素提出。 基于9个光谱数据集（40-180 keV、VNC、IDM）的全组合交叉评估，以中位AUC刻画稳定性，并区分了训练端与测试端重建的作用。
作者提出，将高能级重建与VNC图像纳入肝脏病变风险分层的影像组学工作流，可能支持无创分诊并减少对侵入性诊断的需求。 把技术层面的重建选择结论转化为临床工作流建议，指向无创分诊这一具体应用场景。 该建议为作者基于上述分类性能与稳定性结果提出的结论性展望，文中未报告分诊路径或减少侵入性检查的前瞻性验证数据。
启示与展望
该结果适用于在2家机构使用PCD-CT扫描、具有局灶性肝脏病变的患者群体，其流程依赖nnU-Net自动分割加放射科医师确认，以及9个特定光谱重建（40-180 keV、VNC、IDM）。对希望构建肝脏病变影像组学分类流程的影像科与研究者而言，本文提示可优先考虑高能级重建与VNC图像作为测试域，并提示训练端重建选择的影响相对较小。作者提出的无创分诊与减少侵入性诊断属于应用方向，需在相应临床路径中进一步评估。
读者仍需关注：跨域分析中训练重建的平均AUC区间（0.75-0.83）与最优VNC模型的AUC 0.899之间的差距如何解释；40 keV、50 keV与IDM表现较低且波动更大，是否与低能级图像噪声或碘密度图的特征表达有关；良性与恶性组在病灶数量上差异明显（227对2681），患者层面聚合如何影响这一不平衡下的性能；以及高能级与VNC的稳定性结论在其他机构、其他扫描协议与不同人群中的可重复性。此外，本文为快速解析文本，未包含图表与补充材料，因此无法核对特征筛选细节、模型超参数与逐重建的完整性能表。