Advances in the Preoperative Prediction of the Spread of Lung Adenocarcinoma Through Air Spaces Using CT Features
-
摘要:
气道播散(STAS)是肺腺癌侵袭性行为中的一种,是亚肺叶切除术后肺腺癌复发和预后较差的危险因素。基于计算机断层扫描(CT)的特征与STAS之间的关联,可以预测肺腺癌患者STAS状态,从而帮助临床选择合适的手术类型。本文就肺腺癌STAS的侵袭性以及基于CT特征及其新技术在术前预测STAS的研究现状进行综述。
Abstract:The spread through air spaces (STAS) is one of the aggressive behaviors of lung adenocarcinoma. It is a risk factor for recurrence and an indicator of poor prognosis after sublobectomy. The association between computed tomography (CT)-based features and STAS can predict the STAS status of patients with lung adenocarcinoma, and thus, assist in the clinical selection of the appropriate type of surgery. This article reviewed the aggressiveness of STAS in lung adenocarcinoma and the current research on the preoperative CT prediction of STAS, as well as related new techniques.
-
Keywords:
- CT /
- artificial intelligence /
- STAS /
- lung adenocarcinoma /
- radiomics
-
随着油气勘探、开发不断深入,地震地质条件简单且容易发现的油气藏越来越少,精细勘探、挖潜的勘探任务越来越重。面对复杂地震地质条件,要保持储量、产量的持续增长,需要解决勘探面临的“低、深、薄、隐”,即低孔隙度、深层目标、薄储层、隐蔽油藏的勘探难题,同时要解决复杂断块、岩性勘探、低信噪比地区勘探以及精细油藏描述与监测等难题。“宽方位、高密度”[1-2]地震数据采集技术,是提供高品质地震资料并解决上述地质难题的一种前缘地震勘探技术。
当前国内外宽方位地震资料采集、处理技术发展比较迅速,但是其解释技术发展相对较慢,国内外学者作了一些有益的探索,如通过采取分方位反演解释等方法取得了一定的效果[3-4]。但分方位解释只是在一定程度上消除了宽方位观测带来的方位各向异性问题,最终成果数据往往只解决了层状各向异性问题而没有考虑方位各向异性效应,如何从全方位地震资料中挖掘更加丰富的地下介质信息成为一个重要的研究热点。由于裂缝性储层通常为垂向各向异性,主要表现为振幅、速度、反射波形及相位随测线方位变化而变化,因此在宽方位叠前资料应用中可以利用纵波信息随方位的变化来预测储层和裂缝,比如利用方位走时、方位衰减、方位速度(VVAZ,速度随方位角变化)和方位振幅变化(AVAZ,振幅随方位角变化)等来预测裂缝[5]。叠前裂缝预测方法已成为生产和科研中常用的有效方法,由于其预测结果的直观性和对小尺度裂缝的强识别能力,已越来越引起研究者的重视并得到较广泛的应用[6]。
在叠前裂缝预测方面,我国学者对此开展了较多的应用研究,如针对火成岩[7]、碳酸盐岩[8]等不同岩性中的裂缝型储层进行预测,已取得了一些成效。刘军迎等[9]研究出一种基于叠前地震反射振幅来检测裂缝的三维叠前裂缝储层预测方法,利用椭圆拟合的方法识别各向异性,进而计算裂缝方向(椭圆长轴的方向)和裂缝密度(椭圆长轴与短轴的比);贾跃玮等[10]基于三维叠前地震资料,采用纵波方位各向异性方法预测火山岩储层裂缝发育方向与相对密度,进一步结合FMI测井标定计算得到具有实际地质意义的裂缝密度定量预测成果;王康宁等[11]针对目标研究区域地震采集方位窄、目的层埋藏深的特点,根据裂缝发育的主方向,优选方位划分数据,使用纵波方位各向异性方法预测碳酸盐岩储层裂缝发育方向与相对密度。
总的来说,当前对叠前宽方位资料的应用主要是进行小尺度裂缝和微裂缝的识别,取得的效果显著,但对如何应用宽方位资料进行各向同性介质储层反演,进一步挖掘宽方位资料的潜力,进行岩性、物性及含油气性预测,该方面研究较少。
本文将针对该方面问题进行攻关研究,通过道集偏移距优选、方位优选、道集优化、迭代反演等手段进一步挖掘宽方位资料在致密储层物性及流体预测上的能力。
1. 区域背景
呼图壁研究区位于准噶尔盆地南缘冲断带中段霍玛吐背斜带,当前完钻大丰1、呼探1、呼6三口井,呼探1井三维与大丰1井三维连片合计面积达1200 km2,其中,呼探1井K1q地层天然气获重大突破,呼6井试油见油气,钻揭规模储层且见大跨度油气显示。2021年提交天然气预测储量1062×108 m3,展示了良好勘探前景,其勘探成果图如图1所示。
前人研究认为下组合广覆式发育K1q(高效)、J3k、J2t、J1s、J1b(规模)5套储层,K1q优质储层主要为辫状河三角洲沉积体系的中细粒、细粒长石岩屑砂岩,砂岩厚度20~90 m,孔隙度6.83%~18.4%。呼探1井显示段张开缝与微裂缝共生,具有复杂缝网特征,显示该层系属于深埋超高压储层,裂缝是油气高渗通道,为高产主控因素。J3k主要分布在南缘中东段,发育扇三角洲沉积体系砂砾岩储层,砂岩整体厚度约150~580 m,是天然气规模勘探有利层系,已钻井均钻揭J3k规模储层,基质物性较差,但裂缝普遍发育。深层中下侏罗统发育头屯河组、三工河组和八道湾组规模储层。因此迫切需要通过叠前高精度反演技术对砂砾岩物性进行识别,结合有效裂缝分布规律研究,预测优质储层分布范围,并支持生产应用。
但研究区钻井少,目的层高产主控因素不清,优质储层岩石物理敏感弹性参数不明确。优质储层表现为双重孔隙度介质特征,砂砾岩储层岩石组分复杂,矿物成熟度较低,常规岩石物理建模方法可能失效,多孔介质复杂岩性岩石物理建模难度大。
深层地震资料主频低,干扰因素多,难以满足精细储层预测要求。当前三维资料采用的是可控震源8~64 Hz扫描频率,地震资料缺失低频、频带窄,分辨率较低,可能还有剩余时差、多次波残留,需要提高地震资料的成像及AVO特征精度,才能满足定量地震振幅解释及叠前地震反演的需求。
传统的叠后波阻抗反演对优质砂砾岩储层无法有效识别,储层物性差,油气检测难度大。自上至下随着上覆地层压力的增加,储层孔隙逐渐减小,储层与围岩的阻抗趋于一致,波阻抗叠置严重,利用叠后分析难以区分储层范围,需要通过叠前高精度反演技术对砂砾岩物性进行识别,但储层油气检测窗口小,优质储层油气分布的预测难度大。
深埋超高压储层发育大量裂缝,为高产主控因素,叠后裂缝预测难以满足高精度裂缝描述要求。目前主要以叠后裂缝预测手段为主,预测效果显示,呼西背斜大小裂缝刻画较清晰,但呼图壁背斜裂缝预测还需进一步细化,叠前宽方位裂缝预测技术能够预测更小尺度裂缝特征,但技术实现代价高、难度大。
本文通过对呼图壁地区叠前储层及流体预测方法进行研究,达到提高深埋储层裂缝及优质储层预测精度,落实有利钻探目标,为下一步勘探开发井位部署提出建议的目的。由于叠后数据丢失叠前方位信息和偏移距信息,因此无论是在储层裂缝预测,还是在储层物性及含油气预测上,存在着精度低、多解性强等问题。宽方位道集由于其方位及偏移距携带大量有关储层物性及含油气信息,具有明显的优势。裂缝作为储集空间和导流通道,是研究区目的层储层高产主控因素之一,基于叠前OVT道集裂缝预测技术应用各向异性理论,不但可以有效预测中小尺度裂缝发育密度,而且可以对裂缝发育方向进行精确预测,具有预测精度高、尺度小、方向性强的特点。
2. 双孔介质测井岩石物理研究
基于测井等基础数据,对单井资料进行质量控制,提高单井资料的质量及精度。之后对单井资料进行环境校正,并联合多井对其进行一致性处理,结合双孔介质储层参数测井解释模型,实现双孔介质的最优化测井解释。图2为呼探1井和呼6井的测井解释成果对比图。从图中可知,面向定量地震需求的最优化解释测井评价解决了老成果中出现的孔隙度0值,粘土含量100% 等不合理现象,并新增总孔隙度及裂缝孔隙度解释成果曲线。
在对目标段测井曲线特征进行系统分析的基础上,对横波速度进行校正,实现各向同性介质岩石物理建模。胡克定律通过如下关系将应力和应变联系起来:
$$ {\tau _{ij}} = {c_{ijkl}}{e_{kl}} \text{,} $$ (1) 式中,
$ {\tau _{ij}} $ 为应力;$ {c_{ijkl}} $ 为弹性张量;$ {e_{kl}} $ 为应变。参考Coates等提出的在线性滑动模型基础上引入等效介质理论[12],在正演计算过程中需要每个差分网格的参数,包括基岩的拉梅常数
$ \lambda $ 和$ \mu $ 、裂缝宽度h、每个网格包含的裂缝长度L以及法向和切向的裂缝柔度ZN和ZT。在等效介质理论中,式(1)中的弹性张量定义为:$$ \left\{ \begin{gathered} {c_{11}} = \left( {\lambda + \mu } \right)\left( {1 - {\delta _N}} \right) \\ {c_{33}} = \left( {\lambda + \mu } \right)\left( {1 - {r^2}{\delta _N}} \right) \\ {c_{13}} = \lambda \left( {1 - {\delta _N}} \right) \\ {c_{55}} = \mu \left( {1 - {\delta _T}} \right) \\ {c_{15}} = {c_{35}} = 0 \\ \end{gathered} \right. \text{,} $$ (2) 式中,
$ r = {\lambda \mathord{\left/ {\vphantom {\lambda {\left( {\lambda + 2\mu } \right)}}} \right. } {\left( {\lambda + 2\mu } \right)}} $ 。基于各向同性介质岩石物理模型和等效介质理论[12],进行正演模拟。图3中展示了呼101井各向同性介质的岩石物理建模成果图,其中,蓝色和红色曲线分别为测量和正演曲线。从图中可以看出,该井的岩石物理正演曲线与实测曲线相关系数处在0.95~0.77之间,将实测与正演弹性曲线相关系数均值作为岩石物理建模符合率指标,呼101井目的层建模平均符合率达到86%。该井7604~7616 m深度范围内为气层储层,其厚度为12 m,2.5 mm日产气量为4.46万方,日产油量为10.3方。
基于Gassman方程,实现流体置换,对纵横波速度比进行恢复,同时实现纵波阻抗曲线的原状地层响应特征恢复,突出甜点储层与泥岩之间的区分度。图4为呼探1井岩石物理建模校正与储层流体置换校正效果对比图,从图中可以看出,在经过岩石物理建模校正及流体置换校正后,含油气砂岩与含水砂岩及致密砂岩弹性特征参数增大,但部分叠置,甜点储层呈现低波阻抗、低纵横波速度比特征,特别是与泥岩区分明显。
此处,引入线性滑动理论,对双孔介质裂缝型储层实现孔缝型储层各向异性介质岩石物理建模,并基于所建立的模型定量模拟岩石各向异性特征,考察裂缝及其流体变化引起的各向异性参数变化特征。图5为呼6井双孔介质岩石物理模型评价成果图。从图中可以看出,呼6井K1q储层中的快、慢纵波速度差异达400 m/s,ε各向异性值为 0.1;快、慢横波差异最大达300 m/s,γ各向异性值为 0.15。
基于呼探1井的测井评价成果曲线,对所建立的孔缝型储层各向异性介质岩石物理模型进行定量模拟岩石各向异性特征,其结果如图6为所示。从图中可以看出,呼探1井K1q储层中的快、慢纵波速度差异最大达600 m/s,ε各向异性值为 0.2;快、慢横波速度差异最大达500 m/s,γ各向异性值为 0.25。
3. 叠前OVT地震各向异性裂缝预测
在呼图壁地区,本文实现了呼1井-呼6井区孔缝型储层各向异性介质岩石物理建模,构建了岩石物理量板,在此基础上,结合叠前OVT域地震数据各向异性反演,可依据振幅和速度属性有效进行叠前AVAZ裂缝预测,实现对探区内目标层组的裂缝走向及强度预测。
3.1 井控OVT域道集优化处理
在呼图壁地区,前期所得到的井控OVT域五维叠前道集存在诸多问题,例如:斜干扰异常、随机噪声、远偏道集不平和信噪比低等。针对上述存在的问题,本文通过线性Radon变换进行斜干扰异常的压制,采用多项式Radon变换对随机噪声进行压制,通过道集拉平去除剩余时差从而将远偏道集拉平,通过入射角域超道集处理改善原始道集信噪比低的问题。图7为呼探1井点OVT道集及其频谱图。从图中可知,原始道集中存在上述的4个问题,其道集主频为25 Hz,频带宽度为5~50 Hz。
图8给出了呼探1井点OVT道集K1q顶面AVOZ曲线在优化前后的对比图。在对井控OVT域五维叠前道集进行优化处理之后,将原始道集与优化后的道集进行对比,可知在经过去噪及优化校正之后,道集中的方位各向异性特征与优化前相似,但其信噪比及AVOZ的规律特征得到了明显提升。
图9为呼探1井点方位角OVT道集在去噪后和拉平后的效果图。从图中可以看出,与图7(a)中的原始道集相比,Radon变换去噪后的道集中呈现出明显的速度各向异性;进行剩余动校正、道集拉平之后,地层中呈现出明显的振幅各向异性,图中结果表明,在进行井控OVT域道集优化处理之后,道集中的各向异性特征得到凸显,适宜进行叠前裂缝预测。
图10为呼探1井主测线裂缝强度剖面。从图中可知,与VVAZ裂缝强度剖面相比,AVAZ裂缝强度剖面具有更高的分辨率,以及良好的预测精度,基于此,AVAZ裂缝强度剖面更加适宜进行叠前裂缝预测。
3.2 叠前OVT域AVAZ裂缝预测
在叠前OVT域道集优化处理、速度和振幅各向异性分析的基础上,本节将分别对呼图壁地区深层目标合层系白垩系清水河组(K1q)与侏罗系喀拉扎组(J3k),以及头屯河组(J2t)进行叠前AVAZ裂缝预测。
3.2.1 清水河组(K1q)叠前AVAZ裂缝预测效果
图11为清水河组(K1q)叠前AVAZ裂缝预测效果,图12为图11中清水河组(K1q)叠前AVAZ裂缝预测效果图中黑框区域的局部放大图,从图中可知,呼探1井、呼101井、102井FMI裂缝走向及强度与AVAZ预测裂缝走向及强度一致。预测呼中1井点位置裂缝较发育,裂缝发育强度略低于呼探1井,裂缝发育方位为北东东向,与呼探1裂缝方位类似。
图13为清水河组(K1q)叠前AVAZ裂缝预测效果图中红框区域的局部放大图,从图中可知,呼6井FMI裂缝走向与AVAZ预测裂缝一致。预测呼东1井、呼中1井点位置裂缝较发育,裂缝发育强度略高于呼6井,裂缝发育方位为北东东向,与呼6井裂缝方位略有不同。
3.2.2 喀拉扎组(J3k)叠前AVAZ裂缝预测效果
图14为喀拉扎组(J1k)叠前AVAZ裂缝预测效果,图15为图14中喀拉扎组(J1k)叠前AVAZ裂缝预测效果图中黑框区域的局部放大图,从图中可知,AVAZ裂缝预测呼101井裂缝强度中等,强度略低于呼探1井,北东走向为主,与FMI测井基本一致;AVAZ裂缝预测呼102井裂缝强度低于呼101井,裂缝走向变化大。
图16为图14中喀拉扎组(J1k)叠前AVAZ裂缝预测效果图中红框区域的局部放大图,从图中可知,AVAZ裂缝预测呼6井裂缝强度弱,南北走向为主,与FMI测井基本一致;AVAZ裂缝预测呼中1井裂缝强度低,强度与呼6井相似;AVAZ裂缝预测呼东1井裂缝强度中等,强度高于呼6井,北东走向。
3.2.3 头屯河组(J2t)叠前AVAZ裂缝预测效果
图17为头屯河组(J2t)叠前AVAZ裂缝预测效果图及局部放大图,从图中可知,AVAZ裂缝预测呼101井、102井J2t裂缝强度大,呼东1井、呼中1井裂缝发育强度中等。
4. 结论
本文在系统分析目标段测井曲线特征基础上,通过微分等效介质岩石物理模型进行横波速度校正,通过Gassman方程流体置换恢复了纵横波速度比和纵波阻抗曲线原状地层响应特征,突出了甜点储层与泥岩区分度;引入线性滑动理论,建立双孔介质裂缝型储层岩石物理模型。将原生孔隙的微分等效介质岩石物理模型与各向异性次生裂缝的线性滑动模型进行有机融合,实现呼1井-呼6井区孔缝型储层各向异性介质岩石物理建模,构建了岩石物理量板。结合叠前OVT域地震数据各向异性反演,有效进行了叠前AVAZ裂缝预测。
-
[1] SIEGEL R L, MILLER K D, FUCHS H E, et al. Cancer Statistics, 2021[J]. Ca-a Cancer Journal For Clinicians, 2021, 71(1): 7−33. doi: 10.3322/caac.21654
[2] AMIN M B, TAMBOLI P, MERCHANT S H, et al. Micropapillary component in lung adenocarcinoma: A distinctive histologic feature with possible prognostic significance[J]. American Journal of Surgical Pathology, 2002, 26(3): 358−364. doi: 10.1097/00000478-200203000-00010
[3] BLAAUWGEERS H, FLIEDER D, WARTH A, et al. A prospective study of loose tissue fragments in non-small cell lung Cancer resection specimens: An alternative view to “spread through air spaces”[J]. American Journal of Surgical Pathology, 2017, 41(9): 1226−1230. doi: 10.1097/PAS.0000000000000889
[4] KADOTA K, NITADORI J, SIMA C S, et al. Tumor spread through air spaces is an important pattern of invasion and impacts the frequency and Location of recurrences after limited resection for small stage I lung adenocarcinomas[J]. Journal of Thoracic Oncology, 2015, 10(5): 806−814. doi: 10.1097/JTO.0000000000000486
[5] TRAVIS W D, BRAMBILLA E, NICHOLSON A G, et al. The 2015 World Health Organization classification of lung tumors: Impact of genetic, clinical and radiologic advances since the 2004 classification[J]. Journal of Thoracic Oncology, 2015, 10(9): 1243−1260. doi: 10.1097/JTO.0000000000000630
[6] WARTH A. Spread through air spaces (STAS): A comprehensive update[J]. Translational Lung Cancer Research, 2017, 6(5): 501−507. doi: 10.21037/tlcr.2017.06.08
[7] DETTERBECK F C, BOFFA D J, KIM A W, et al. The eighth edition lung cancer stage classification[J]. Chest, 2017, 151(1): 193−203. doi: 10.1016/j.chest.2016.10.010
[8] SHIONO S, ENDO M, SUZUKI K, et al. Spread through air spaces is a prognostic factor in sublobar resection of non-small cell lung Cancer[J]. Annals of Thoracic Surgery, 2018, 106(2): 354−360. doi: 10.1016/j.athoracsur.2018.02.076
[9] LIU H, YIN Q, YANG G, et al. Prognostic impact of tumor spread through air spaces in non-small cell lung cancers: A Meta-analysis including 3564 patients[J]. Pathology & Oncology Research, 2019, 25(4): 1303−1310.
[10] DAVID E A, ATAY S M, MCFADDEN P M, et al. Sublobar or suboptimal: Does tumor spread through air spaces signify the end of sublobar resections for T1 N0 adenocarcinomas?[J]. Journal of Thoracic Oncology. 2019, 14(1): 11-12.
[11] DAI C, XIE H, SU H, et al. Tumor spread through air spaces affects the recurrence and overall survival in patients with lung? Adenocarcinoma >2 to 3 cm[J]. Journal of Thoracic Oncology, 2017, 12(7): 1052−1060. doi: 10.1016/j.jtho.2017.03.020
[12] KADOTA K, KUSHIDA Y, KATSUKI N, et al. Tumor spread through air spaces is an independent predictor of recurrence-free survival in patients with resected lung squamous cell carcinoma[J]. American Journal of Surgical Pathology, 2017, 41(8): 1077−1086. doi: 10.1097/PAS.0000000000000872
[13] YOKOYAMA S, MURAKAMI T, TAO H, et al. Tumor spread through air spaces identifies a distinct subgroup with poor prognosis in surgically resected lung pleomorphic carcinoma[J]. Chest, 2018, 154(4): 838−847. doi: 10.1016/j.chest.2018.06.007
[14] CHEN D, MAO Y, WEN J, et al. Tumor spread through air spaces in non-small cell lung cancer: A systematic review and Meta-analysis[J]. Annals of Thoracic Surgery, 2019, 108(3): 945−954. doi: 10.1016/j.athoracsur.2019.02.045
[15] KIM S K, KIM T J, CHUNG M J, et al. Lung adenocarcinoma: CT features associated with spread through air spaces[J]. Radiology, 2018, 289(3): 831−840. doi: 10.1148/radiol.2018180431
[16] MASAI K, SAKURAI H, SUKEDA A, et al. Prognostic impact of margin distance and tumor spread through air spaces in limited resection for primary lung cancer[J]. Journal of Thoracic Oncology, 2017, 12(12): 1788−1797. doi: 10.1016/j.jtho.2017.08.015
[17] 江长思, 罗燕, 唐雪, 等. 基于CT机器学习模型预测肺腺癌气腔播散[J]. 中国医学影像技术, 2020,36(12): 1834−1838. JIANG C S, LUO Y, TANG X, et al. CT-based machine learning model in prediction of spread through air space of lung adenocarcinoma[J]. Chinese Journal of Medical Imaging Technology, 2020, 36(12): 1834−1838. (in Chinese).
[18] 阙敬文, 刘涛, 罗达远, 等. 炎症指标及CT影像学对可手术肺腺癌患者出现气道播散的预测价值[J]. 四川医学, 2022,43(4): 339−344. QUE J W, LIU T, LUO D Y, et al. The predictive value of inflammatory indexes and CT imaging in patients with operable lung adenocarcinoma with spread through air space (STAS)[J]. Sichuan Medical Journal, 2022, 43(4): 339−344. (in Chinese).
[19] TOYOKAWA G, YAMADA Y, TAGAWA T, et al. Significance of spread through air spaces in resected pathological stage Ⅰ lung adenocarcinoma[J]. Annals of Thoracic Surgery, 2018, 105(6): 1655−1663. doi: 10.1016/j.athoracsur.2018.01.037
[20] KOEZUKA S, MIKAMI T, TOCHIGI N, et al. Toward improving prognosis prediction in patients undergoing small lung adenocarcinoma resection: Radiological and pathological assessment of diversity and intratumor heterogeneity[J]. Lung Cancer, 2019, 135: 40−46. doi: 10.1016/j.lungcan.2019.06.023
[21] 尹柯, 巴文娟, 陶俊利, 等. 双能量CT定量参数预测实性肺腺癌气道播散[J]. 中国医学影像技术, 2022,38(10): 1514−1518. YIN K, BA W J, TAO J L, et al. Dual-energy CT quantitative parameters for predicting spreading through air spaces of solid lung adenocarcinoma[J]. Chinese Journal of Medical Imaging Technology, 2022, 38(10): 1514−1518. (in Chinese).
[22] GU Y, SHE Y, XIE D, et al. A texture analysis-based prediction model for lymph node metastasis in stage IA lung adenocarcinoma[J]. Annals of Thoracic Surgery, 2018, 106(1): 214−220. doi: 10.1016/j.athoracsur.2018.02.026
[23] LAMBIN P, RIOS-VELAZQUEZ E, LEIJENAAR R, et al. Radiomics: Extracting more information from medical images using advanced feature analysis[J]. European Journal of Cancer, 2012, 48(4): 441−446. doi: 10.1016/j.ejca.2011.11.036
[24] COROLLER T P, AGRAWAL V, HUYNH E, et al. Radiomic-based pathological response prediction from primary tumors and lymph nodes in NSCLC[J]. Journal of Thoracic Oncology, 2017, 12(3): 467−476. doi: 10.1016/j.jtho.2016.11.2226
[25] COROLLER T P, AGRAWAL V, NARAYAN V, et al. Radiomic phenotype features predict pathological response in non-small cell lung cancer[J]. Radiotherapy and Oncology, 2016, 119(3): 480−486. doi: 10.1016/j.radonc.2016.04.004
[26] LEE G, PARK H, SOHN I, et al. Comprehensive computed tomography radiomics analysis of lung adenocarcinoma for prognostication[J]. Oncologist, 2018, 23(7): 806−813. doi: 10.1634/theoncologist.2017-0538
[27] CHEN D, SHE Y, WANG T, et al. Radiomics-based prediction for tumour spread through air spaces in stage Ⅰ lung adenocarcinoma using machine learning[J]. Journal of Cardiothoracic Surgery, 2020, 58(1): 51−58. doi: 10.1093/ejcts/ezaa011
[28] JIANG C, LUO Y, YUAN J, et al. CT-based radiomics and machine learning to predict spread through air space in lung adenocarcinoma[J]. European Radiology, 2020, 30(7): 4050−4057. doi: 10.1007/s00330-020-06694-z
[29] HAN X, FAN J, ZHENG Y, et al. The value of CT-based radiomics for predicting spread through air spaces in stage IA lung adenocarcinoma[J]. Frontiers in Oncology, 2022, 12: 757389. doi: 10.3389/fonc.2022.757389
[30] ZHUO Y, FENG M, YANG S, et al. Radiomics nomograms of tumors and peritumoral regions for the preoperative prediction of spread through air spaces in lung adenocarcinoma[J]. Translational Oncology, 2020, 13(10): 100820. doi: 10.1016/j.tranon.2020.100820
[31] WU L, YANG X, CAO W, et al. Multiple level CT radiomics features preoperatively predict lymph node metastasis in esophageal cancer: A multicentre retrospective study[J]. Frontiers in Oncology, 2019, 9: 1548.
[32] NAKAURA T, HIGAKI T, AWAI K, et al. A primer for understanding radiology articles about machine learning and deep learning[J]. Diagnostic and Interventional Imaging, 2020, 101(12): 765−770. doi: 10.1016/j.diii.2020.10.001
[33] TAO J, LIANG C, YIN K. 3D convolutional neural network model from contrast-enhanced CT to predict spread through air spaces in non-small cell lung cancer[J]. Diagnostic and Interventional Imaging, 2022, 103(11): 535-544.
计量
- 文章访问数: 358
- HTML全文浏览量: 152
- PDF下载量: 37