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.
-
肺癌是我国发病率及病死率均居首位的恶性肿瘤，其中肺腺癌是主要的病理亚型[1]。随着高分辨CT和AI软件的广泛应用，肺结节的检出率越来越高，尤其磨玻璃结节（ground glass nodules，GGN）备受大众的关注。相关研究证实[2]，GGN是早期肺腺癌或癌前病变的主要表现形式。2021年WHO肺肿瘤新分类将不典型腺瘤样增生（atypical adenomatous hyperplasia，AAH）和原位腺癌（adenocarcinoma in situ，AIS）归类为腺体前驱病变，微浸润腺癌（microinvasive adenocarcinoma，MIA）和浸润性腺癌（invasive adenocarcinoma，IAC）归类为肺腺癌[3]。腺体前驱病变长期稳定存在，预后好，主要以随访观察为主；MIA具有微浸润性，IAC复发率较高，预后较差，均需手术治疗[4-5]。新分类的发布为腺体前驱病变避免过度治疗增添了新的证据，需临床医生慎重决策。从腺体前驱病变发展至腺癌是一个连续、动态的演变过程[6]，影像表现存在重叠，鉴别存在一定的困难。因此，如果能对GGN进行准确诊断，既可以避免过度治疗，又能合理地选择手术时机，使患者最大程度获益。
相关研究表明[7-10]，AI定量参数以及CT征象均对早期肺腺癌的预测具有重要价值。然而，既往多是将MIA纳入浸润前病变进行研究，AI定量参数联合CT征象鉴别腺体前驱病变和GGN肺腺癌的预测模型较少报道，且本研究纳入研究的变量也较以往研究有所不同。本研究基于肺肿瘤新分类对GGN进行研究，利用AI定量参数和CT征象构建GGN肺腺癌的预测模型，并进行验证，旨在对GGN肺腺癌准确诊断，为临床和患者提供帮助。
1. 资料与方法
1.1 研究对象
回顾性收集2020年1月至2024年6月在阜阳市第二人民医院手术且病理明确的GGN患者225例，男68例，女157例，年龄范围23~81岁，平均年龄56.12±11.91岁，共261枚GGN符合纳入标准。261枚GGN按8∶2随机分为训练集和验证集。根据病理结果AAH和AIS纳入腺体前驱病变组，MIA和IAC纳入腺癌组。本研究获得了医院伦理委员会批准（伦理号：
20231112031 ）。纳入标准：①术后病理证实GGN为AAH、AIS、MIA或IAC；②术前1个月内行胸部CT扫描，并且CT图像显示GGN直径小于3 cm。排除标准：①CT图像质量不佳，结节无法准确评估者；②术前曾接受抗癌辅助治疗的患者。
1.2 检查方法
采用东芝Aquilion 64排CT、GE Revolution 256排CT或 Philips 64排CT行肺部扫描。患者取仰卧位，吸气末屏气，从肺尖扫描至肋膈角。
扫描参数：①东芝Aquilion 64排CT：管电压120 kV，管电流380 mAs，层厚、层间距均为5 mm，重建层厚为0.5 mm或1 mm；②GE Revolution 256排CT：管电压120 kV，自动管电流，层厚、层间距均为5 mm，重建层厚为0.625 mm或1.25 mm；③Philips 64排CT：管电压120 kV，自动管电流，层厚、层间距均为5 mm，重建层厚为0.5 mm或1 mm。扫描矩阵均为512×512；肺窗窗宽：
1500 HU，窗位：−500 HU；纵隔窗窗宽：350 HU，窗位：50 HU。图像自动上传至PACS工作站。1.3 CT图像分析
两名放射主治医师在未知晓病理结果的情况下，在横断面和多平面重组图像上对GGN的CT征象进行独立观察，记录的征象包括GGN的分布、结节类型（纯磨玻璃结节或混合磨玻璃结节）、分叶征、毛刺征、空泡征、胸膜凹陷征、支气管异常征（内部穿行支气管出现扩张、僵直或迂曲等形态改变）和血管异常征（内部穿行血管出现增粗、扭曲或纠集等形态改变）。两者观察结果不一致时，由另一名放射主任医师进行最终判定（图1）。
![]()
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 IAC1.4 肺结节AI定量分析
将CT肺窗薄层图像导入肺结节AI辅助检测软件（uAI-ChestCare，联影智能医疗科技有限公司），记录AI自动计算输出的定量参数，包括长径、平均CT值、中位数、标准差、偏度、峰度、熵、体积、质量、实性体积占比和实性质量占比（图2）。
![]()
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 nodules1.5 统计学方法
本研究使用SPSS 25.0、R4.2和MedCalc软件进行数据统计分析。符合正态分布的计量资料，用
$(\bar x\pm s) $ 表示，采用独立样本t检验；不符合正态分布的计量资料，则用中位数M(Q1，Q3)表示，并采用Mann-Whitney U检验。分类变量则采用$\chi^2 $ 检验。采用Kappa检验分析两名主治医师观察CT征象的一致性，Kappa值大于0.75表示一致性较好，0.40~0.75表示一致性中等，Kappa值小于0.40表示一致性差。训练集中进行单因素分析筛选出有意义的变量，纳入多因素logistic回归以确定GGN肺腺癌的独立危险因素，构建预测模型，并绘制列线图。模型的预测性能采用AUC、校准曲线和DCA曲线进行评估；利用Hosmer-Lemeshow检验进行拟合度检验；AUC间的比较采用Delong检验。均以P < 0.05表示有统计学差异。2. 结果
2.1 患者基本情况
纳入的225例患者中共261枚GGN符合纳入标准，其中经病理证实存在2枚及2枚以上GGN的患者28例。261枚GGN随机拆分后，训练集208枚，其中腺体前驱病变组64枚（AAH 19枚、AIS 45枚），腺癌组144枚（MIA 74枚、IAC 70枚）；验证集53枚，其中腺体前驱病变组19枚（AAH 7枚、IAC 12枚），腺癌组34枚（MIA 19枚、IAC 15枚）（表1）。
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。 2.2 观察者间一致性分析
两名主治医师对261枚GGN的CT征象进行独立观察，结节类型、分叶征、毛刺征、空泡征、血管异常征、支气管异常征和胸膜凹陷征等主观征象的Kappa值范围为0.823~0.934，其一致性较好（表2）。
表 2 观察者间一致性分析Table 2. Interobserver agreement analysisCT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。 2.3 训练集和验证集基线分析
训练集和验证集各变量间的差异均无统计学意义，训练集和验证集均衡性较好，可以进行模型的构建与验证（表3）。
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。 2.4 训练集中两组间各变量单因素分析
腺体前驱病变组和腺癌组的各变量进行比较，结果显示结节类型、分叶征、毛刺征、空泡征、血管异常征、支气管异常征、胸膜凹陷征、长径、平均CT值、中位数、标准差、偏度、熵、体积、质量、实性体积占比和实性质量占比在两组间的差异均具有统计学意义；而GGN的分布和峰度在两组间均无统计学差异（表4）。
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。 2.5 多因素logistic回归分析
将单因素分析中有统计学意义的变量纳入多因素logistic回归，采用逐步回归法进行分析，结果显示分叶征、空泡征、血管异常征、长径、平均CT值是诊断GGN肺腺癌的独立危险因素（P < 0.05）（表5）。
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。 2.6 预测模型的构建
将训练集中的分叶征、空泡征、血管异常征、长径和平均CT值等变量联合构建GGN肺腺癌的预测模型，Logit(P)=0.737+1.147×分叶征+0.941×空泡征+1.267×血管异常征+0.143×长径+0.006×平均CT值，最佳截断值为0.722，方程中的定性变量分叶征、空泡征或血管异常征存在时赋值为1，无则赋值为0。绘制列线图使预测模型可视化，列线图中每个变量的分值代表其对结局事件的影响程度，可根据GGN的个体情况算出总分，总分对应着GGN肺腺癌的风险概率（图3）。
2.7 预测模型的验证
2.7.1 区分度
所构建的预测模型在训练集的AUC、灵敏度和特异度分别为0.901、0.906和0.799，预测模型在验证集的AUC、灵敏度和特异度分别为0.896、0.842和0.735，具有较好的区分度，均优于单个独立危险因素（均P < 0.05）。预测模型区分度较好，均优于分叶征、空泡征、血管异常征、长径和平均CT值的预测效能（均P < 0.05）（图4和表6）。
![]()
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。 2.7.2 校准度
校准曲线显示预测值与实际值具有较高的一致性，Hosmer-Lemeshow检验表明模型在训练集和验证集中均具有较好的拟合度（
$\chi^2 $ =6.135，13.262；均P > 0.05）（图5）。![]()
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)sets2.7.3 临床适用性
DCA曲线显示模型在训练集和验证集中的阈值概率范围分别为0.18~0.96和0.14~0.95时，利用此模型进行干预可获得较高的净获益，均高于“全干预”和“全不干预”两种极端情况下的净获益（图6）。
![]()
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)sets3. 讨论
GGN病理不同，其处理方式存在差别，腺体前驱病变（包括AAH和AIS）以保守为主，而GGN肺腺癌（包括MIA和IAC）具有浸润性，需采用手术治疗，其中IAC预后最差，5年复发率约10%~30%[4-5]。随着GGN检出率的升高，过度治疗的现象时有发生。因此，如何准确地鉴别腺体前驱病变和GGN肺腺癌，对治疗方式的选择和预后具有重要意义。本研究根据病理将GGN分为腺体前驱病变组和腺癌组，利用AI定量参数和CT征象对其进行分析，研究发现分叶征、空泡征、血管异常征、长径和平均CT值是预测GGN肺腺癌的重要危险因素，并以此构建了预测模型，结果显示其具有较好的预测性能。
目前，CT检查是肺结节筛查及随访管理的首选检查方式，诊断肺结节的性质主要依靠CT征象。毛刺征、分叶征、空泡征、胸膜凹陷征、血管异常征和支气管异常征等征象对GGN浸润性的预测具有重要价值，恶性程度越高，其出现的概率越大[11-13]。本研究显示，肺腺癌组恶性征象出现的比例明显高于腺体前驱病变组（P < 0.05），并且发现分叶征、空泡征和血管异常征是预测GGN肺腺癌的独立危险征象，与以往研究相符。分叶征是诊断肺癌的重要征象，是肿瘤在各方向分化、生长速度差异及肿瘤内部对其束缚而形成的；空泡征的出现是因为含气肺组织未被肿瘤组织完全占据或含气的小支气管；随着GGN恶性程度的增加，对血供需求增加，纤维增生及新生血管形成，使内部穿行血管出现增粗、扭曲或纠集等形态改变[13]。此外，本研究发现结节的分布对腺体前驱病变和腺癌的鉴别价值不大，两组间差异无统计学意义，与李祖坤等[14]和魏子洋等[15]的研究结果一致，因为腺体前驱病变其本质是肺腺癌的癌前病变，两者在分布上并无明显差别。
AI影像辅助诊断系统可以对肺结节进行轮廓自动分割及特征获取，减少人工测量误差，提高了准确性和可重复性。既往基于AI的研究表明[16-17]，结节的平均CT值和最大长径均对GGN浸润性及病理类型的鉴别具有重要价值。闵旭红等[18]和邱慎满等[19]利用AI定量参数对腺体前驱病变和腺癌进行了研究，发现长径、平均CT值诊断GGN肺腺癌的独立危险因素。本研究结果也显示长径和平均CT值是诊断GGN肺腺癌的独立危险因素，其原因可能是随着GGN浸润程度的增加，肿瘤内实性成分增多，肺泡间隔增厚，病变累及的范围增大，结节的长径和平均CT值也随之改变。既往报道[16-17,20-22]，GGN的长径鉴别GGN结节的浸润性和非浸润性的最佳截断值多是在7 mm至11 mm范围内，平均CT值的最佳截断值多在−650 HU至−445 HU范围内。在本研究中，长径和平均CT值诊断GGN肺腺癌的最佳截断值分别为11.5 mm、−536.2 HU，与以往结果相近，既往报道的数值间之所以差异较大，可能与研究的分组不同、AI软件算法差异、样本偏倚或GGN内肺泡塌陷等因素有关。
近年来，部分学者[10,18-20]对腺体前驱病变和GGN肺腺癌的预测模型进行了研究，而AI联合CT征象的预测模型较少报道，以往相关研究缺少相关验证、直观的列线图或预测模型的性能存在一定差异。本研究基于AI 定量参数和CT征象构建了GGN肺腺癌的预测模型，并进行了内部验证，一定程度上保证了预测模型性能的稳定性。分叶征、空泡征、血管异常征、长径和平均CT值是诊断早期肺癌常用而重要的指标，以此构建的预测模型具有便捷、实用的特点，且不会增加额外的经济负担。预测模型在训练集中的AUC为0.901，验证集中的AUC为0.896，说明模型具有较好的区分度，预测效能均优于单个的独立危险因素；校准曲线和Hosmer-Lemeshow检验表明模型的预测概率与实际概率具有较高的一致性；DCA曲线显示预测模型具有较好的临床适用性。预测概率的最佳截断值为0.722，当大于0.722时，表示GGN为肺腺癌的可能性较大。此外，将预测模型绘制成简洁、可视化的列线图，为实际应用提供了便利。
本研究的局限性：①本研究为单中心回顾性研究，样本量偏少，未进行外部验证，可能存在一定的选择偏倚，今后需进一步扩大样本量及多中心的研究进行验证；②本研究采用不同CT机型，扫描后的图像层厚不完全相同,可能对结果产生一定的影响，有待今后采用相同CT机型及相同层厚的图像进一行研究。
综上所述，基于AI和CT征象构建的模型可较准确的预测GGN肺腺癌，可以为临床决策提供参考，对GGN避免过度治疗和手术时机的选择具有一定的价值。
-
![]()
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: 64
- HTML全文浏览量: 16
- PDF下载量: 8
