这篇文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：
该研究的主要作者包括Sunyi Zheng、Jiaxin Liu和Jiping Xie，他们均来自中国天津医科大学肿瘤医院。研究发表在2025年的期刊Cancer Imaging上。
该研究的主要科学领域是肺癌影像学，特别是针对浸润性非黏液性肺腺癌（invasive non-mucinous adenocarcinoma, ADC）的病理分级系统。研究背景基于国际肺癌研究协会（IASLC）提出的新型分级系统，该系统结合了高等级模式（high-grade patterns, HGP）和主要亚型（predominant subtypes, PS）。研究旨在探讨通过影像学特征（如放射组学特征）和临床语义特征，预测HGP和PS的可行性，从而为术前诊断和治疗计划提供支持。
研究分为多个步骤，详细流程如下：
研究对象与数据选择
研究回顾性地纳入了958名在2022年4月至2023年12月期间接受根治性手术切除的肺腺癌患者。最终筛选出529例符合标准的肺腺癌患者，随机分为训练集和验证集，比例为7:3。所有患者均接受了术前薄层胸部CT扫描，且术后病理报告详细记录了病理亚型的比例。
病理学评估
两名病理学家（分别具有3年和10年经验）对浸润性非黏液性肺腺癌进行了病理学评估。病理分类遵循世界卫生组织（WHO）第5版胸部肿瘤分类标准，详细记录了每种病理亚型的比例，并根据IASLC分级系统进行分级。
CT检查与临床语义特征提取
患者接受了低剂量胸部CT扫描，扫描范围从肺尖到膈肌以下。两名经验丰富的放射科医生独立评估了每位患者的肺部结节，并记录了14项临床语义特征，包括年龄、性别、结节直径、结节类型、结节位置等。
结节分割与放射组学特征提取
使用3D Slicer软件对每个肺部病变的感兴趣区域进行半自动分割，并通过PyRadiomics提取了1834个放射组学特征。为确保特征的一致性，研究还进行了放射组学特征的重复性评估，最终保留了1465个具有良好重复性的特征。
模型开发
研究开发了两种两步模型：一种基于放射组学特征，另一种基于临床语义特征。两步模型由两个子模型组成：第一个子模型评估HGP是否超过20%，第二个子模型区分鳞屑样（lepidic）和腺泡/乳头状（acinar/papillary）主要亚型。此外，研究还开发了两种一步模型，分别直接使用临床语义特征或放射组学特征进行IASLC分级。
统计分析
使用Python进行统计分析，模型性能通过曲线下面积（AUC）、敏感性、特异性和F1分数进行评估。Delong检验用于比较不同模型的AUC差异，Cohen’s Kappa检验用于评估模型与病理学家分级的一致性。
两步模型的性能
基于放射组学特征的两步模型在预测IASLC分级方面表现最佳，AUC值分别为0.95（1级）、0.85（2级）和0.96（3级）。相比之下，基于临床语义特征的两步模型表现较差，AUC值分别为0.91、0.66和0.77。
一步模型的性能
基于放射组学特征的一步模型在预测IASLC分级时，AUC值分别为0.95、0.63和0.82。基于临床语义特征的一步模型表现最差，AUC值分别为0.90、0.53和0.67。
子模型的性能
在预测HGP是否超过20%时，放射组学子模型的AUC显著高于临床语义子模型（0.95 vs. 0.77）。在区分主要亚型时，放射组学子模型在训练集上表现显著优于临床语义子模型，但在验证集上差异不显著。
模型的一致性
基于放射组学特征的两步模型与病理学家的IASLC分级一致性较高，尤其是在3级分级上，Kappa值超过0.7，表明该模型在识别高等级患者方面具有潜力。
研究表明，通过预测主要亚型和高等级模式，基于放射组学特征的两步模型能够准确区分IASLC分级，尤其是在术前识别高等级患者方面表现出色。该模型可为术前治疗计划（如新辅助治疗和淋巴结清扫）提供有价值的参考，从而改善患者预后。
创新性方法
研究首次提出了基于放射组学特征的两步模型，通过预测HGP和PS来实现IASLC分级，显著提高了分级的准确性。
高预测性能
基于放射组学特征的两步模型在预测IASLC分级时表现出色，尤其是在识别高等级患者方面，AUC值高达0.96。
临床应用价值
该模型可为术前诊断和治疗决策提供支持，特别是在选择新辅助治疗和淋巴结清扫方面具有重要临床意义。
研究还探讨了CT扫描设备对模型性能的影响，发现不同设备（如GE和Siemens）对模型性能的影响较小，但建议在未来的研究中纳入更多Siemens扫描数据以进一步提高模型性能。此外，研究指出，未来的研究应考虑整合更多临床数据（如吸烟史、淋巴血管侵犯等）以优化模型。
总体而言，该研究为肺癌术前诊断和治疗提供了新的思路和方法，具有重要的科学和临床应用价值。