Development and Validation of a Nomogram Model for Lung Adenocarcinoma with Ground Glass Nodules Using AI Quantitative Parameters and CT Signs
-
摘要:
目的：基于AI定量参数和CT征象构建磨玻璃结节（GGN）肺腺癌的预测模型，并探讨模型的预测价值及进行验证。方法：回顾性收集我院术后病理明确的GGN患者225例，符合纳入标准的GGN 共261 枚，按8∶2随机拆分为训练集和验证集。根据病理结果将GGN分为腺体前驱病变组和腺癌组，比较训练集中两组的AI定量参数和CT征象的差异性，运用多因素logistic回归筛选GGN肺腺癌的独立危险因素，构建预测模型及绘制列线图。采用受试者工作特征曲线（ROC）下面积（AUC）、校准曲线和临床决策曲线（DCA）评估模型的预测性能，验证集对模型进行验证。结果：Kappa检验显示两名主治医师对CT征象的观察一致较好。训练集和验证集基线分析显示，两者各变量均无统计学差异。训练集中，经单因素、多因素分析显示分叶征（OR=3.147，95% CI：1.303~7.601）、空泡征（OR=2.563，95% CI：1.109~5.922）、血管异常征（OR=3.551，95% CI：1.545~8.164）、长径（OR=1.154，95% CI：1.014~1.312）、平均CT值（OR=1.006，95% CI：1.003~1.009）是GGN肺腺癌的独立危险因素，预测模型在训练集和验证集的AUC分别为0.901（95% CI：0.859~0.943）和0.896（95% CI：0.810~0.983），具有较好的区分度，均优于单个独立危险因素。Hosmer-Lemeshow检验显示模型在训练集和验证集中均具有较好的拟合度；DCA曲线显示模型具有较好的临床适用性。结论：基于AI定量参数和CT征象构建的GGN肺腺癌预测模型具有较好的预测性能，可以为临床决策提供参考。
Abstract:Objective: We aimed to develop a predictive model for lung adenocarcinoma with ground glass nodules (GGNs) based on artificial intelligence (AI) and computed tomography (CT) features, and to evaluate the model’s predictive value. Methods: A total of 261 GGNs from 225 patients diagnosed after surgery at our hospital were retrospectively collected and randomly divided into a training set and a validation set in an 8:2 ratio. The GGNs were classified into preneoplastic lesions and adenocarcinoma groups based on pathological results. AI-derived quantitative parameters and CT signs from the training set were compared between the two groups, and independent risk factors were identified using multivariate logistic regression. A predictive model and nomogram were developed, and model performance was assessed through the area under the ROC curve (AUC), calibration curve, and clinical decision curve analysis (DCA). The model was subsequently validated using the validation set. Results: Kappa test indicated good agreement between the two attending physicians in their assessment of CT signs. Baseline analysis revealed no statistical differences between variables in both training and validation sets. In the training set, lobulation sign (OR=3.147, 95% CI: 1.303-7.601), vacuole sign (OR=2.563, 95% CI: 1.109-5.922), vascular abnormalities (OR=3.551, 95% CI: 1.545-8.164), long diameter (OR=1.154, 95% CI: 1.014-1.312), and mean CT value (OR=1.006, 95% CI: 1.003-1.009) were identified as independent risk factors for adenocarcinoma in GGN after univariate and multivariate analysis. The predictive model constructed based on this information showed good discrimination ability, with an AUC of 0.901 (95% CI: 0.859-0.943) in the training set and an AUC of 0.896 (95% CI: 0.810-0.983) in the validation set, significantly outperforming individual risk factors. The Hosmer-lemeshow test demonstrated good model fit in both sets and DCA showed its strong clinical applicability. Conclusion: The model based on AI and CT signs demonstrated good predictive performance for GGN lung adenocarcinoma, providing valuable insights for clinical decision-making.
-
结直肠癌（colorectal cancer，CRC）是全球第3大常见恶性肿瘤和第2大癌症相关死亡原因[1]。据报道，在接受手术切除的CRC患者中，高达30％ 的患者在术后3年内复发[2]。肿瘤沉积（tumor deposits，TD）定义为位于结肠或直肠周围脂肪中的离散肿瘤灶，没有残留淋巴结或可识别的血管或神经结构的组织学证据[3]。研究证实，TD是CRC预后不良的独立因素，TD阳性肿瘤表现出更具侵袭性的生物学行为，导致CRC患者的无病生存率和总生存率降低[4-5]。
根据第8版AJCC TNM分期系统，任何区域淋巴结转移阴性但TD阳性的T分期病变归类为N1c[6]。TD阳性可改善CRC患者的临床分期，例如，TD阳性的Ⅰ期患者（T1-2N0）应重新分类并作为Ⅲ期患者（T1-2 N1 c）治疗。对于TD阳性的早期直肠癌，推荐进行全直肠系膜切除的根治性手术，而不是经肛门内镜局部手术[7]。研究表明，新辅助放疗和化疗可以减少直肠癌的TD，从而降低局部复发率[8-9]。因此，TD阳性的CRC患者可能需要更积极的新辅助治疗。然而，TD的诊断主要依靠术后的病理评估。如果能在治疗前准确识别TD，对判断CRC患者的临床分期、选择治疗方案和判断预后具有重要意义。
本研究拟评估基于CT影像组学列线图在预测CRC患者TD及预后中的价值。
1. 资料与方法
1.1 一般资料
本研究得到我院伦理委员会批准（2023-k-110），放弃了患者知情同意的要求。回顾性收集本院接受根治性手术的321名CRC患者（2017年3月至2020年3月）。纳入标准：①术前一周内行腹部增强CT检查；②术后病理TD状态清晰；③CT图像质量好，临床病理资料完整。排除标准：①肿瘤较小影响肿瘤全体积靶区勾画；②并发其他恶性肿瘤；③术前经历过抗肿瘤治疗；④术后失访。
最后，入组患者6∶4随机分配到训练集（n=194）和验证集（n=127）。临床基线资料包括性别、年龄、术前癌胚抗原（CEA）水平、术前糖类抗原199（CA199）水平、乳酸脱氢酶水平、白蛋白/球蛋白比值、肿瘤位置、肿瘤大小、病理分级、病理TNM分期及CT报告的淋巴结状态（CT-N）[10-11]。CT-N是指CT报告的淋巴结有无转移，包括无转移和有转移。
本研究参考以往有关CT图像评估CRC淋巴结转移的相关研究[10-11]，对CT图像上淋巴结有无转移进行综合评估，考虑淋巴结的大小、形态特征、密度以及强化特征等因素。
增强CT图像判断淋巴结状态的标准[10-11]，包括短径大于5 mm的淋巴结/结节灶进行直径测量和形态分析：淋巴结短径与长径之比大于0.8；3个或3个以上的淋巴结成簇状分布；淋巴结内密度不均匀、淋巴结边缘不规则，强化不均匀；CT报告的淋巴结有转移是指至少符合上述一个条件的淋巴结。此外，两位具有丰富经验的消化道肿瘤影像诊断医生进行了独立评估，对于两位医生之间存在的任何分歧，均进行讨论，直至达成最终一致意见。
1.2 仪器与方法
采用Siemens Somatom 64排CT机行腹部扫描。参数：管电压120 kV，自动调制管电流，准直10 mm，矩阵512×512，层厚5 mm、层间距5 mm。
平扫后以2.5～3.0 mL/s速率经肘前静脉注射对比剂碘海醇（浓度300 mgI/mL）1.5 mL/kg体重，延迟60 s行门静脉期扫描。
1.3 肿瘤分割和特征提取
利用ITK-SNAP 3.8.0软件，通过手动操作，在门静脉期图像上细致地分割整个肿瘤区域（图1）。两位在肿瘤影像诊断方面有10年（L）和20年（F）经验的医生对30个随机选择的病例进行了ROI分割。4周后，医生L重复了这些分割。计算组间和组内相关系数（interclass and intraclass correlation coefficients，ICCs）以评估特征提取的组间和组内一致性（ICCs＞0.75表示特征提取具有较好的一致性）。其余病例的分割由医生L执行。
在图像分割过程中，医生对TD状态不知。使用Pyradiomics提取特征。
1.4 特征筛选与模型构建
通过最大相关最小冗余（maximal redundancy minimal relevance，mRMR）和最小绝对收缩选择算子（least absolute shrinkage and selection operator，LASSO）算法进行特征筛选，通过所选择的特征和其系数线性组合计算每个患者的影像组学评分（radiomics score，Radcore）并构建影像组学模型。
通过单因素Logistic回归分析获得具有统计学意义的术前危险变量，然后进入多因素分析，建立临床模型和列线图。
1.5 术后随访
术后随访通过电话或查阅病历进行。术后前2年每3个月随访1次，第3年开始每6个月随访1次，所有患者至少随访36个月。研究次要终点是无复发生存（recurrence-free survival，RFS），定义为自手术日期到确认的临床复发日期或最后一次随访日期的时间间隔。随访截止日期为2023年3月。
生存曲线用Kaplan-Meier法绘制，用log-rank检验进行比较。对单因素分析中达到统计学意义的变量进行多因素Cox回归分析，以选择RFS的独立危险因素。
1.6 统计分析
使用SPSS软件（版本26.0 IBM）和R软件（版本4.1.0）进行数据分析。分类变量采用Fisher’s精确检验或
$\chi^2 $ 检验，连续变量采用独立样本t检验或Mann-Whitney U检验比较患者基线特征。绘制受试者工作特征（receiver operating characteristic curve，ROC）曲线评价模型预测效能；Delong检验比较不同模型效能差异；Hosmer-Lemeshow检验评价校准曲线的校准度；决策曲线分析模型的临床应用价值。P＜0.05为差异具有统计学意义。2. 结果
2.1 基线资料
共321例CRC患者纳入分析，表1总结了患者基线特征。TD阳性组与阴性组患者CT-N、CEA、CA199、病理T分期、病理N分期、病理M分期、肿瘤分级差异均有统计学意义，其余参数差异无统计学意义。
表 1 321例CRC患者基线资料比较Table 1. Comparison of baseline data of 321 patients with CRC临床资料 TD阴性（n=214例） TD阳性（n=107例） P $\chi^2 $/Z 性别 0.52 0.41 女 90 49 男 124 58 年龄 67.00 （60.00, 74.00） 68.00 （62.00,74.00） 0.72 -0.35 CEA （阳性＞5 ng/mL） ＜0.01 19.55 阴性 128 36 阳性 86 71 CA199 （阳性＞30 U/mL） ＜0.01 22.63 阴性 181 65 阳性 33 42 白蛋白/球蛋白比值
（阳性＜1.5 or ＞2.5）0.13 2.25 阴性 117 49 阳性 97 58 乳酸脱氢酶 0.11 2.62 阴性 185 85 阳性 29 22 肿瘤位置 0.10 4.70 右侧结肠 63 36 左侧结肠 110 42 直肠 41 29 CT报告的淋巴结状态 ＜0.01 22.21 无转移 143 42 有转移 71 65 肿瘤大小/cm 4.20（3.50，5.50） 4.50（3.00，5.90） 0.29 -1.05 病理T分期 0.02 9.40 1 7 0 2 20 5 3 74 29 4 113 73 病理N分期 ＜0.01 49.20 0 130 25 1 63 44 2 21 38 病理M分期 ＜0.01 22.14 0 208 88 1 6 19 肿瘤分级 ＜0.01 9.72 Ⅰ 13 1 Ⅱ 171 79 Ⅲ 30 27 对术前临床参数进行单、多因素logistic回归分析，并确定CT-N [OR=2.83，95％ CI（1.48，5.41）]、CEA [OR=2.48，95％ CI（1.26，4.91）]和CA199 [OR=2.23，95％ CI（1.06，4.70）]是TD的独立预测因子。由此构建的临床模型的AUC在训练集、验证集分别为0.72（95％ CI: 0.64～0.79）、0.71（95％ CI: 0.62～0.80）。
2.2 影像组学模型构建
从每个ROI共提取
1218 个影像组学特征，其中ICCs＞0.75的特征有1009 个。通过mRMR算法对上述ICCs＞0.75的特征进行筛选以去除冗余和不相关的特征。然后，通过LASSO回归算法确定了13个具有非零系数的特征。使用13个特征的各自系数加权来计算每位患者的Radscore，并由此构建影像组学模型。AUC在训练集和验证集分别为0.80（95％ CI: 0.73～0.87）、0.79（95％ CI: 0.70～0.88）。2.3 列线图构建
由临床独立预测因子和Radscore构建列线图（图2），其预测效能在训练集和验证集分别为0.85（95％ CI: 0.79～0.91）、0.85（95％ CI: 0.77～0.92）（图3）。表2显示了3种模型的预测效能。Delong检验显示，在训练集和验证集，列线图与临床模型的AUC差异有统计学意义；列线图与影像组学模型的AUC差异亦有统计学意义；而影像组学模型与临床模型的AUC差异无统计学意义。Hosmer-Lemeshow检验表明列线图在训练集和验证集拟合良好（
$\chi^2 $ = 6.37，P=0.61；$\chi^2 $ = 5.42，P=0.71）（图4）。![]()
图 2 预测CRC患者TD的影像组学列线图Figure 2. The radiomics nomogram for predicting TD in patients with CRC![]()
图 3 临床模型、影像组学模型及列线图预测CRC患者TD的ROC曲线. （a）训练集；（b）验证集Figure 3. The ROC curves for predicting CRC patients TD using the clinical model, radiomics model, and nomogram (a) training set, (b) validation set表 2 影像组学模型、临床模型及列线图预测CRC患者TD的效能Table 2. The efficacy of radiomics model, clinical model and nomogram in predicting TD in patients with CRC模型 AUC 准确率/％ 敏感度/％ 特异度/％ 影像组学模型 训练集 0.80 0.75 0.72 0.77 验证集 0.79 0.70 0.67 0.72 临床模型 训练集 0.72 0.68 0.55 0.74 验证集 0.71 0.69 0.45 0.80 列线图 训练集 0.85 0.82 0.71 0.88 验证集 0.85 0.77 0.64 0.84 ![]()
图 4 列线图预测CRC患者TD的校准曲线 （a）训练集；（b）验证集Figure 4. Calibration curve for predicting TD in CRC patients using the nomogram (a) training set, (b) validation set决策曲线分析显示在0.1～0.9的阈值概率范围内，列线图获得了更高的净收益（图5）。图6显示了TD阳性和TD阴性CRC患者的CT图像、肿瘤病理图像及TD病理图像。
![]()
图 5 不同模型预测CRC患者TD的决策曲线 （a）训练集；（b）验证集Figure 5. Decision curve analysis for predicting TD in CRC patients using different models (a) training set, (b) validation set![]()
图 6 TD阳性和TD阴性CRC患者示例。（a）69岁男性右侧结肠癌患者，CT图像（左）、结肠癌HE染色图像，X20（中）、TD HE染色图像，X20（右）；（b）52岁女性乙状结肠癌患者，CT图像（左）、乙状结肠癌HE染色图像，X20（中）、TD HE染色图像，X20（右）；（c）76岁男性乙状结肠癌患者，CT图像（左）、乙状结肠癌HE染色图像，X20（中）、正常淋巴结HE染色图像，X20（右）Figure 6. Representative examples of TD-positive and TD-negative CRC patients. (a) A 69-year-old male with right-sided colon cancer. CT image (left), HE-stained image of colon cancer (middle, X20), and HE-stained image of TD (right, X20). (b) A 52-year-old female with sigmoid colon cancer. CT image (left), HE-stained image of sigmoid colon cancer (middle, X20), and HE-stained image of TD (right, X20). (c) A 76-year-old male with sigmoid colon cancer. CT image (left), HE-stained image of sigmoid colon cancer (middle, X20), and HE-stained image of normal lymph node (right, X20)2.4 生存预测
截至2023年3月所有患者全部完成随访，总的RFS为30.22％（97/321），中位随访时间为44个月（范围为3～72个月）。其中病理性TD阳性患者中位RFS为30个月（3～61个月），病理性TD阴性患者中位RFS为49.5个月（9～72个月）（log-rank检验，P＜0.01）。在列线图预测的TD状态中，列线图预测的TD阳性患者中位RFS为28个月（3～68个月），列线图预测的TD阴性患者的中位RFS为50个月（7～72个月）（log-rank检验，P＜0.01）。
根据病理TD和列线图预测的TD状态的Kaplan-Meier曲线如图7所示，病理TD和列线图预测的TD状态可有效识别高复发风险组和低复发风险组，高风险组的RFS低于低风险组。多因素Cox回归分析显示列线图预测的TD是RFS的独立危险因素［HR=4.97，95％ CI（2.96，8.33）］。
![]()
图 7 根据病理TD状态（a）和列线图预测TD状态（b）绘制RFS曲线Figure 7. RFS curves based on pathological TD status (a) and nomogram-predicted TD status (b)3. 讨论
本研究发现整合了CT影像组学特征和独立预测因子（CT-N、CEA和CA199）的列线图能够在术前有效的预测CRC TD，为TD的个性化术前预测提供了一种直接、无创的方法。此外，列线图与CRC患者RFS相关，在预测患者的预后中发挥着重要作用。
影像组学涉及从医学图像中提取定量特征，为表征肿瘤表型和提高癌症诊断、预后和治疗反应提供了潜力。既往研究表明影像组学预测直肠癌的TD是可行的。Chen等[12]建立了基于超声的影像组学模型以直肠癌TD的术前预测（127例），在验证集中，影像组学模型的AUC为0.74；Yang等[13]建立了基于MRI的影像组学模型来预测139名直肠癌患者的TD，虽然验证集AUC为0.80，但敏感性为0.33。此外，之前的研究样本量偏少且只关注于评估影像组学对TD状态预测的价值，而没有提供进一步的预后信息。
本研究选取了13个影像组学特征进行组学模型开发，其中11个纹理特征和2个一阶特征，纹理特征（11个）显著多于一阶特征（2个）。这种现象的原因可能是纹理特征能够反映相邻像素之间的关系，从而更全面、更深入地反映肿瘤的内在特征。相比之下，一阶特征主要依赖于强度信息的统计，只能反映肿瘤的单像素值。因此，它在TD状态预测中的价值有限。
有趣的是，SumSquares是预测CRC TD最有价值的参数，指灰度共生矩阵（GLCM）中每对像素灰度级之间概率的平方和，可以提供关于肿瘤纹理复杂性和规则性的信息。SumSquares值越大表示图像中灰度级对越多且这些灰度级对之间具有较强的相互关系，反映了肿瘤组织的纹理结构和组织结构越复杂，表明肿瘤的异质性越高、侵袭性越强。这可能与肿瘤血供不足、细胞坏死、生长不均匀有关。这进一步表明影像组学特征能更好地反映肿瘤的异质性。
在大数据和精准医学时代，单一的临床模型或影像组学模型已不能满足个性化预测。本研究通过多因素Logistic回归分析得出CEA、CA199和CT-N是预测TD的独立预测因子。以往研究表明，基线血清CEA和CA199水平越高，CRC的预后和疗效越差[14-15]。本研究发现血清CEA和CA199水平越高，TD阳性的可能性越大，这与TD阳性CRC的生物学行为更具侵袭性有关。此外，本研究还发现TD的发生与CT-N之间存在相关性，这与以前的研究一致[16]。即与淋巴结转移阴性患者相比，淋巴结转移阳性患者患TD的风险更高。
一般说来，TD的发生与CRC的恶性程度呈正相关。这些临床参数容易获得，因此是预测TD的无创指标。然而，基于临床因素（CEA、CA199和CT-N）所构建的临床模型对TD的预测只获得了中等的效能（训练集AUC为0.72），低于列线图的预测效能。导致这种现象可能有两个主要原因：首先，临床模型综合了临床因素和CT成像特征，只反映了特定的肿瘤信息，即使具有上述相同特征的患者也可能表现出不同的TD状态；其次，从基于整个肿瘤的CT图像中提取的影像组学特征能够全面量化肿瘤的异质性，进而能够捕捉肿瘤的异质性信息，而传统的临床模型并不能提供这些信息。此外，影像组学模型预测TD的良好能力也证实了其预测价值。
与之前的研究不同[12-13]，本研究将TD作为分层因素，并探讨了TD预测的列线图在预测RFS方面的价值。多项研究表明，病理的TD与CRC预后较差有关[4-5]。与之前的研究结果一致，本研究发现TD是RFS的独立危险因素，列线图预测的TD阳性组（高复发风险组）和TD阴性组（低复发风险组）之间的RFS有显著差异，其中高复发风险组患者的RFS明显低于低复发风险组。由于高复发风险组的预后结果并不令人满意，新辅助治疗可能是高复发风险组患者更好的选择。因此，基于本研究构建的影像组学列线图指导治疗计划和实施个性化治疗是有前景的。
本研究局限性。①回顾性研究，存在选择偏倚；②组学特征仅从门脉期图像中提取，联合多期图像信息可能识别更多有价值的影像组学特征；③单中心研究，缺乏外部验证。
总之，本研究构建的基于CT影像组学列线图能够在术前预测CRC患者TD和RFS。
-
![]()
图 1 不典型腺瘤样增生、原位腺癌、微浸润腺癌和浸润性腺癌的CT表现
注：（a）右肺上叶GGN，边界清楚，大小6 mm×6 mm，病理AAH；（b）右肺上叶GGN，见空泡征，大小11 mm×9 mm，病理AIS；（c）左肺上叶GGN，见分叶征，大小11 mm×10 mm，病理MIA；（d）右肺下叶GGN，可见空泡征、分叶征、叶间胸膜凹陷及内部血管增粗，大小25 mm×20 mm，病理IAC。
Figure 1. The CT manifestations of AAH, AIS, MIA, and IAC
![]()
图 2 肺结节AI软件自动测量的磨玻璃结节各定量参数
Figure 2. Quantitative parameters of GGN automatically measured by AI software for pulmonary nodules
![]()
图 4 预测模型和独立危险因素在训练集（a）及验证集（b）的ROC曲线
Figure 4. ROC curves of the prediction model and independent risk factors in the training (a) and validation (b) sets
![]()
图 5 预测模型在训练集（a）和验证集（b）中的校准曲线
Figure 5. Calibration curves of the prediction model in the training (a) and validation (b)sets
![]()
图 6 预测模型在训练集（a）和验证集（b）中的DCA曲线
Figure 6. DCA curves of the prediction model in the training (a) and validation (b)sets
表 1 患者基本情况
Table 1 Patient baseline characteristics
项目 数值 纳入患者数/例 225 性别/例（%） 男 68（30.2） 女 157（69.8） 年龄/岁 56.12±11.91 病理证实存在≥2枚GGN的患者/例（%） 28（12.4） 纳入GGN数/枚 261 病理亚型/枚（%） AAH 26（10.0） AIS 57（21.8） MIA 93（35.6） IAC 85（32.6） 训练集/枚 208 验证集/枚 53 注：GGN为磨玻璃结节；AAH为不典型腺瘤样增生；AIS为原位腺癌；MIA为微浸润腺癌；IAC为浸润性腺癌。 
下载: 导出CSV
表 2 观察者间一致性分析
Table 2 Interobserver agreement analysis
CT征象 Kappa值 标准误 P值 95% CI 结节类型 0.823 0.035 < 0.001 0.754~0.892 分叶征 0.892 0.028 < 0.001 0.837~0.947 毛刺征 0.934 0.027 < 0.001 0.881~0.987 空泡征 0.930 0.023 < 0.001 0.885~0.975 血管异常征 0.902 0.028 < 0.001 0.847~0.957 支气管异常征 0.876 0.031 < 0.001 0.815~0.936 胸膜凹陷征 0.870 0.033 < 0.001 0.805~0.934 注：95%CI为95%置信区间。
下载: 导出CSV
表 3 训练集和验证集各变量间的比较
Table 3 Comparison of variables between training and validation sets
变量 训练集（n=208枚） 验证集（n=53枚） $\chi^2 $/Z值 P 分布（右上/右中/右下/左上/左下） 74/15/49/41/29 23/9/7/8/6 7.884* 0.096 结节类型（pGGN/mGGN） 101/107 26/27 0.004* 0.948 分叶征（是/否） 119/89 26/27 1.138* 0.286 毛刺征（是/否） 53/155 7/46 3.594* 0.058 空泡征（是/否） 120/88 27/26 0.782* 0.377 血管异常征（是/否） 131/77 32/21 0.122* 0.727 支气管异常征（是/否） 74/134 18/35 0.048* 0.826 胸膜凹陷征（是/否） 70/138 11/42 3.284* 0.070 长径/mm 11.00（8.00，15.00） 10.00（7.00，15.00） 1.072# 0.284 平均CT值/HU −491.75（−575.60，−357.27） −508.50（−579.20，−384.90） 0.857# 0.391 中位数/HU −500.75（−603.25，−349.50） −530.00（−613.00，−341.00） 0.615# 0.539 标准差/HU 165.75（121.45，215.30） 169.40 （119.0，205.00） 0.719# 0.472 峰度 3.20（2.60，4.10）） 3.10（2.60，4.10） 0.518# 0.604 偏度 0.20 （−0.10，0.70） 0.40 （0.00，0.60） 1.244# 0.213 熵 8.10（6.97，9.00） 8.00（6.70，8.90） 0.784# 0.433 体积/mm3 496.45（219.90， 1209.47 ）336.34（205.70， 1138.81 ）1.306# 0.192 实性体积占比/% 14.90（3.40，42.65） 16.90（3.30，41.10） 0.345# 0.730 质量/mg 238.16（108.51，677.99） 181.68（85.90，538.61） 1.261# 0.207 实性质量占比/% 26.20（6.40，56.75） 29.30（5.90，52.70） 0.362# 0.717 注：pGGN为纯磨玻璃结节；mGGN为混合磨玻璃结节；*表示采用$\chi^2 $检验；#表示采用Mann-Whitney U检验。
下载: 导出CSV
表 4 训练集中腺体前驱病变组和腺癌组各变量单因素分析
Table 4 Univariate analysis of gland prodromal lesion and adenocarcinoma groups in the training set
变量 腺体前驱病变组（n=64枚） 腺癌组（n=144枚） $\chi^2 $/Z值 P 分布（右上/右中/右下/左上/左下） 23/6/17/10/8 51/9/32/31/21 1.879* 0.758 结节类型（pGGN/mGGN） 51/13 50/94 35.864* < 0.001 分叶征（是/否） 12/52 107/37 55.863* < 0.001 毛刺征（是/否） 1/63 52/92 27.852* < 0.001 空泡征（是/否） 22/42 98/46 20.592* < 0.001 血管异常征（是/否） 19/45 112/32 43.950* < 0.001 支气管异常征（是/否） 7/57 67/77 24.487* < 0.001 胸膜凹陷征（是/否） 7/57 63/81 21.365* < 0.001 长径/mm 8.00（7.00，10.00） 13.00（9.00，17.00） 6.546# < 0.001 平均CT值/HU −568.85（−656.60，−485.78） −437.25（−533.12，−287.55） 6.115# < 0.001 中位数/HU −585.50（−664.50，−474.25） −438.00（−570.25，−284.50） 4.975# < 0.001 标准差/HU 124.05（106.23，155.58） 190.05（144.53，230.75） 5.693# < 0.001 偏度 0.40 （0.10，0.90） 0.10 （−0.20，0.60） 3.122# 0.002 峰度 3.25（2.70，4.23） 3.20（2.60，4.03） 1.085# 0.278 熵 7.20（6.27，8.03） 8.50（7.50，9.20） 5.859# < 0.001 体积/mm3 253.60（143.55，457.18） 769.21（340.69， 1916.84 ）6.119# < 0.001 实性体积占比/% 4.60（0.27，16.65） 26.00（8.20，51.82） 5.832# < 0.001 质量/mg 113.88（62.84，172.66） 423.36（171.90， 1105.06 ）6.988# < 0.001 实性质量占比/% 7.20（0.55，25.22） 40.65（14.60，67.12） 6.031# < 0.001 注：pGGN为纯磨玻璃结节；mGGN为混合磨玻璃结节；*表示采用$\chi^2 $检验；#表示采用Mann−Whitney U检验。
下载: 导出CSV
表 5 训练集中磨玻璃结节肺腺癌的多因素分析结果
Table 5 Results of multivariate analysis of GGN lung adenocarcinomas in the training set
变量 β 标准误 Wald $\chi^2 $值 P OR （95% CI） 分叶征 1.147 0.450 6.496 0.011 3.147（1.303~7.601） 空泡征 0.941 0.427 4.852 0.028 2.563（1.109~5.922） 血管异常征 1.267 0.425 8.901 0.003 3.551（1.545~8.164） 长径 0.143 0.066 4.749 0.029 1.154（1.014~1.312） 平均CT值 0.006 0.002 13.762 < 0.001 1.006（1.003~1.009） 常量 0.737 0.975 0.571 0.450 2.089（0.309~14.110） 注：β为回归系数；OR为优势比；95%CI为95%置信区间。
下载: 导出CSV
表 6 预测模型和独立危险因素诊断磨玻璃结节肺腺癌的效能
Table 6 Performance of predictive models and independent risk factors in the diagnosis of GGN lung adenocarcinoma
分组 指标 AUC（95%CI） 截断值 灵敏度 特异度 训练集 预测模型 0.901（0.859~0.943） 0.722 0.906 0.799 分叶征* 0.778（0.718~0.838） − 0.812 0.743 空泡征* 0.668（0.598~0.738） − 0.656 0.681 血管异常征* 0.740（0.675~0.806） − 0.703 0.778 长径* 0.784（0.721~0.846） 11.5 mm 0.922 0.604 平均CT值* 0.766（0.699~0.832） −536.2 HU 0.625 0.711 验证集 预测模型 0.896（0.810~0.983） 0.722△ 0.842 0.735 分叶征# 0.759（0.643~0.875） − 0.842 0.676 空泡征# 0.733（0.610~0.856） − 0.789 0.676 血管异常征# 0.724（0.595~0.854） − 0.684 0.765 长径# 0.762（0.633~0.890） 11.5 mm△ 0.947 0.588 平均CT值# 0.755（0.627~0.884） −536.2 HU△ 0.684 0.706 注：*和#分别表示训练集和验证集中，单个独立危险因素的AUC与预测模型比较均P < 0.05；△表示预测模型、长径及平均CT值在验证集中进行验证时，其截断值均取自于训练集。
下载: 导出CSV
-
[1] 中华医学会呼吸病学分会. 早期肺癌诊断中国专家共识(2023年版)[J]. 中华结核和呼吸杂志, 2023, 46(1): 1-18. DOI: 10.3760/cma.j.cn112147-20220712-00592. CHINESE THORACIC SOCIETY. Chinese expert consensus on diagnosis of early lung cancer (2023 Edition)[J]. Chinese Journal of Tuberculosis and Respiratory Diseases, 2023, 46(1): 1-18. DOI: 10.3760/cma.j.cn112147-20220712-00592.
[2] ZHANG P J, LI T R, TAO X M, et al. HRCT features between lepidic-predominant type and other pathological subtypes in early-stage invasive pulmonary adenocarcinoma appearing as a ground-glass nodule[J]. BMC Cancer, 2021, 21(1): 1124. DOI: 10.1186/s12885-021-08821-5.
[3] NICHOLSON A G, TSAO M S, BEASLEY M B, et al. The 2021 WHO classification of lung tumors: Impact of advances since 2015[J]. Journal of thoracic oncology, 2022, 17(3): 362-387. DOI: 10.1016/j.jtho.2021.11.003.
[4] 龚海鹏, 司海峰, 邢金丽, 等. MSCT多平面重建技术用于磨玻璃结节样肺腺癌的鉴别诊断价值研究[J]. 中国CT和MRI杂志, 2023, 21(2): 52-54. DOI: 10.3969/j.issn.1672-5131.2023.02.019. GONG H P, SI H F, XING J L, et al. Value of MSCT multiplanar reconstruction in the differential diagnosis of ground glass nodular lung adenocarcinoma[J]. Chinese Journal of CT and MRI, 2023, 21(2): 52-54. DOI: 10.3969/j.issn.1672-5131.2023.02.019.
[5] WANG T, SHE Y, YANG Y, et al. Radiomics for survival risk stratification of clinical and pathologic stage IA pure-solid non-small cell lung cancer[J]. Radiology, 2022, 302(2): 425-434. DOI: 10.1148/radiol.2021210109.
[6] 王思齐, 付泽辉, 邱建国. 表现为磨玻璃结节的肺腺癌诊断研究进展[J]. 国际医学放射学杂志, 2021, 44(1): 67-71,85. DOI: 10.19300/j.2021.Z18282. WANG S Q, FU Z H, QIU J G. Progressin the diagnosis of lung adenocarcinoma manifesting as ground glass nodule[J]. International Journal of Medical Radiology, 2021, 44(1): 67-71,85. DOI: 10.19300/j.2021.Z18282.
[7] QIU T C, RU X S, YIN K, et al. Two nomograms based on CT features to predict tumor invasiveness of pulmonary adenocarcinoma and growth in pure GGN: A retrospective analysis[J]. Japanese Journal of Radiology, 2020, 38(8): 761-770. DOI: 10.1007/s11604-020-00957-x.
[8] GAO F, SUN Y L, ZHANG G Z, et al. CT characterization of different pathological types of subcentimeter pulmonary ground-glass nodular lesions (Article)[J]. British Journal of Radiology, 2019, 92(1094): 20180204. DOI: 10.1259/bjr.20180204.
[9] 邓琦, 潘爱珍, 徐志锋, 等. 基于AI技术CT直方图参数模型预测微小磨玻璃结节样肺腺癌浸润性[J]. 放射学实践, 2022, 37(8): 977-981. DOI: 10.13609/j.cnki.1000G0313.2022.08.010. DENG Q, PAN A Z, XU Z F, et al. The predictive value of CT histogram parameter model based on artificial intelligence technology for the invasiveness of microscopic ground-glass nodular lung adenocarcinoma[J]. Radiologic Practice, 2022, 37(8): 977-981. DOI: 10.13609/j.cnki.1000G0313.2022.08.010.
[10] GAO R J, GAO Y H, ZHANG J, et al. A nomogram for predicting invasiveness of lung adenocarcinoma manifesting as pure ground-glass nodules: Incorporating subjective CT signs and histogram parameters based on artificial intelligence[J]. Journal of cancer research and clinical oncology, 2023, 149(17): 15323-15333. DOI: 10.1007/s00432-023-05262-4.
[11] 尹柯, 周容玉, 伍建林. 基于HRCT诊断模型鉴别纯磨玻璃结节样肺腺癌浸润程度研究进展[J]. CT理论与应用研究, 2020, 29(5): 621-629. DOI: 10.15953/j.1004-4140.2020.29.05.14. YIN K, ZHOU R Y, WU J L. The research progress of HRCT-based diagnostic models for differentiating infiltration degree of pure ground glass nodular lung adenocarcinoma[J]. CT Theory and Applications, 2020, 29(5): 621-629. DOI: 10.15953/j.1004-4140.2020.29.05.14.
[12] MA X B, XU Q L, LI N, et al. A decision tree model to distinguish between benign and malignant pulmonary nodules on CT scans[J]. European review for medical and pharmacological sciences, 2023, 27(12): 5692-5699. DOI: 10.26355/eurrev_202306_32809.
[13] 高琳, 张晶, 顾慧, 等. CT特征预测基于2021年肺肿瘤新分类肺纯磨玻璃结节浸润性及浸润程度的价值[J]. 中华放射学杂志, 2022, 56(6): 616-622. DOI: 10.3760/cma.j.cn112149-20210707-00641. GAO L, ZHANG J, GU H. The value of CT features in predicting the invasion and invasive degree of lung pure ground-glass nodules based on the new classification of lung tumor in 2021[J]. Chinese Journal of Radiology, 2022, 56(6): 616-622. DOI: 10.3760/cma.j.cn112149-20210707-00641.
[14] 李祖坤, 郭静清, 陈国宁, 等. CT特征在鉴别原位癌和微浸润腺癌中的价值[J]. 临床肺科杂志, 2024, 29(2): 231-235. DOI: 10.3969/j.issn.1009-6663.2024.02.014. LI Z K, GUO J Q, CHEN G N, Value of CT features in distinguishing between carcinoma in situ and minimally invasive adenocarcinoma[J]. Journal of Clinical Pulmonary Medicine, 2024, 29(2): 231-235. DOI:10.3969/j.issn.1009-6663.2024.02.014. (in Chinese).
[15] 魏子洋, 周清清, 邢滔, 等. 薄层电子计算机断层扫描+纹理技术联合微RNA-25对纯磨玻璃结节浸润性的诊断价值[J]. 安徽医药, 2024, 28(2): 326-330. DOI: 10.3969/j.issn.1009-6469.2024.02.025. WEI Z Y, ZHOU Q Q, XING T, et al. Guidance value of thin-layer CT+texture technique combined with miR-25 to evaluate infiltrative pure ground glass nodules[J]. Anhui Medical and Pharmaceutical Journal, 2024, 28(2): 326-330. DOI: 10.3969/j.issn.1009-6469.2024.02.025.
[16] HE S Y, CHEN C E, WANG Z G, et al. The use of the mean computed tomography value to predict the invasiveness of ground-glass nodules: A meta-analysis[J]. Asian Journal of Surgery, 2023, 46(2): 677-682. DOI: 10.1016/j.asjsur.2022.07.031.
[17] 石逸秋, 沈雨雯, 陈劼, 等. CT定量参数预测肺磨玻璃结节病理类型的价值[J]. 中国肺癌杂志, 2024, 27(2): 118-125. DOI: 10.3779/j.issn.1009-3419.2024.102.09. SHI Y Q, SHEN Y W, CHEN J, et al. Value of CT quantitative parameters in prediction of pathological types of lung ground glass nodules[J]. Chinese Journal of Lung Cancer, 2024, 27(2): 118-125. DOI: 10.3779/j.issn.1009-3419.2024.102.09.
[18] 闵旭红, 王召华, 马冬春, 等. 基于人工智能诊断术前预测肺磨玻璃结节浸润程度的应用价值[J]. 实用放射学杂志, 2022, 38(8): 1242-1246. DOI: 10.3969/j.issn.1002-1671.2022.08.006. MIN X H, WANG Z H, MA D C, et al. Application value of artificial intelligence diagnostics in predicting the infiltration degree of lung ground glass nodules preoperatively[J]. Journal of Practical Radiology, 2022, 38(8): 1242-1246. DOI: 10.3969/j.issn.1002-1671.2022.08.006.
[19] 邱慎满, 孟闫凯, 赵恒亮, 等. 基于CT形态及定量学特征构建多原发肺腺癌、腺体前驱病变风险分层模型[J]. 临床放射学杂志, 2022, 41(5): 860-865. DOI: 10.13437/j.cnki.jcr.2022.05.001. QIU S M, MENG Y K, ZHAO H L, et al. To constitution a risk stratification model of multiple primary lung adenocarcinoma and gland precursor lesions based on CT morphological and quantitative characteristics[J]. Journal of Clinical Radiology, 2022, 41(5): 860-865. DOI: 10.13437/j.cnki.jcr.2022.05.001.
[20] 陈松, 李清楚, 陈如潭, 等. CT三维定量参数对纯磨玻璃结节中腺体前驱病变的预测价值[J]. 临床放射学杂志, 2023, 42(4): 575-580. CHEN S, LI Q C, CHEN R T, et al. The predictive value of CT three-dimensional quantitative parameters for precursor glandular lesions in pure ground-glass nodules[J]. Journal of Clinical Radiology, 2023, 42(4): 575-580. (in Chinese).
[21] 俞慧波, 陈中港, 李琼, 等. 月牙征预测纯磨玻璃结节肺腺癌浸润性的价值[J]. 中华放射学杂志, 2021, 55(4): 403-408. DOI: 10.3760/cma.j.cn112149-20200609-00791. YU H B, CHEN Z G, LI Q, Crescent sign for predicting the invasiveness of lung adenocarcinoma with pure ground-glass opacity[J]. Chinese Journal of Radiology, 2021, 55(4): 403-408. DOI:10.3760/cma.j.cn112149-20200609-00791. (in Chinese).
[22] 慎源洁, 肖新广, 张欣, 等. 直径<3cm纯磨玻璃结节肺腺癌组织病理学与CT定量值的关系[J]. 实用放射学杂志, 2023, 39(6): 908-911. DOI: 10.3969/j.issn.1002-1671.2023.06.010. SHEN Y J, XIAO X G, ZHANG X, et al. The relationship between histopathology and CT quantitative value in pure ground glass nodule lung adenocarcinoma with diameter <3cm[J]. Journal of Practical Radiology, 2023, 39(6): 908-911. DOI: 10.3969/j.issn.1002-1671.2023.06.010.
计量
- 文章访问数: 61
- HTML全文浏览量: 16
- PDF下载量: 8
