这篇文档属于类型a，即单篇原创研究报告。以下是针对该研究的学术报告：

研究作者及机构

本研究的主要作者包括Fu-Zong Wu、Yun-Ju Wu和En-Kuei Tang。他们分别来自高雄荣民总医院放射科、阳明大学医学院、中山大学医学院、高雄师范大学软件工程与管理系以及高雄荣民总医院外科。该研究发表于2023年2月的《Quantitative Imaging in Medicine and Surgery》期刊上，文章标题为《An Integrated Nomogram Combined Semantic-Radiomic Features to Predict Invasive Pulmonary Adenocarcinomas in Subjects with Persistent Subsolid Nodules》。

学术背景

本研究的主要科学领域是医学影像学，特别是肺部亚实性结节（Subsolid Nodules, SSNs）的早期诊断。由于低剂量CT（Computed Tomography）在肺癌筛查中的广泛应用，亚实性结节的检出率显著增加，尤其是在亚洲非吸烟人群中。亚实性结节包括纯磨玻璃结节（Pure Ground-Glass Nodules, GGNs）和部分实性结节（Part-Solid Nodules, PSNs），这些结节与肺腺癌谱系病变（如非典型腺瘤样增生、原位腺癌、微浸润腺癌和浸润性肺腺癌）密切相关。术前准确区分浸润性肺腺癌（Invasive Pulmonary Adenocarcinoma, IPA）和非浸润性病变对于指导手术决策和避免过度治疗具有重要意义。然而，现有的诊断方法在区分这些病变时存在不一致性。因此，本研究旨在开发和验证一种基于语义-影像组学特征的最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）衍生列线图（Nomogram）模型，以提高对浸润性肺腺癌的预测准确性。

研究流程

本研究分为以下几个主要步骤：

1. 研究对象的选择与分组
   研究回顾性分析了2016年2月至2020年8月在高雄荣民总医院接受手术切除的260例持续性亚实性结节患者。所有患者均在接受胸部CT检查后3个月内进行了手术切除。研究对象被分为训练队列（n=195）和验证队列（n=65），比例为3:1。

2. CT图像获取与预处理
   所有患者均在手术前3个月内接受了薄层胸部CT扫描，扫描设备包括16层、64层和256层CT扫描仪。扫描参数包括120 kVp的管电压、1-2.5 mm的层厚以及软组织重建算法。

3. 语义特征与影像组学特征提取
   研究从CT图像中提取了9个语义特征，包括结节位置、结节大小、结节类型、实性部分、囊性改变、空气支气管征、形状、圆度和实性成分与肿瘤的比率（Consolidation to Tumor Ratio, CTR）。此外，使用LIFEX软件手动提取了41个影像组学特征，包括灰度直方图特征、一阶特征、二阶特征和高阶特征。

4. LASSO模型构建与验证
   研究使用LASSO回归和十倍交叉验证方法，在训练队列中构建了基于语义-影像组学特征的预测模型。最终选择了6个预测因子（结节大小、CTR、圆度、GLCM_entropy_log10、Histo_entropy_log10和Conventional_Humean）来构建列线图模型。模型的校准能力通过Hosmer-Lemeshow检验进行评估。

5. 模型比较与性能评估
   研究比较了7种预测模型的诊断性能，包括语义-影像组学模型、临床-语义模型、放射科医生1和2的模型、CTR模型、结节大小模型和圆度模型。使用ROC曲线下面积（AUC）、Akaike信息准则（AIC）和贝叶斯信息准则（BIC）来评估模型的判别能力。

主要结果

1. 训练队列与验证队列的基线特征
   训练队列中，106例为浸润性病变，89例为非浸润性病变；验证队列中，33例为浸润性病变，32例为非浸润性病变。两组在年龄、性别、吸烟史、结节位置、结节类型等临床和语义特征上无显著差异。

2. LASSO模型的构建与验证
   语义-影像组学模型在训练队列中的AUC为0.957（95% CI: 0.918-0.981），灵敏度为92.45%，特异性为88.64%。验证队列中的AUC为0.960（95% CI: 0.9168-1.000），表明模型具有良好的校准能力和判别能力。

3. 模型比较结果
   语义-影像组学模型的AUC显著高于其他模型（临床-语义模型AUC=0.924，放射科医生1模型AUC=0.728，放射科医生2模型AUC=0.851，CTR模型AUC=0.886，结节大小模型AUC=0.856，圆度模型AUC=0.765）。该模型的AIC和BIC值也低于其他模型，表明其具有更好的预测性能。

结论

本研究成功开发并验证了一种基于语义-影像组学特征的LASSO衍生列线图模型，能够有效区分浸润性肺腺癌和非浸润性病变。该模型在训练和验证队列中均表现出良好的校准能力和判别能力，显著优于传统的临床-语义模型和放射科医生的诊断性能。该列线图模型可以帮助临床医生在术前更准确地识别浸润性肺腺癌，从而指导个性化医疗和手术决策，避免过度治疗。

研究亮点

1. 重要发现
   本研究首次将语义特征与影像组学特征相结合，构建了用于预测浸润性肺腺癌的列线图模型，显著提高了诊断准确性。

2. 方法创新
   研究使用了LASSO回归和十倍交叉验证方法，优化了特征选择，并开发了具有高判别能力的预测模型。

3. 研究对象的特殊性
   研究聚焦于持续性亚实性结节患者，这一群体在亚洲非吸烟人群中具有较高的肺腺癌发病率，研究结果具有重要的临床应用价值。

其他有价值的内容

本研究还讨论了不同预测模型在区分浸润性肺腺癌和非浸润性病变中的表现，并强调了影像组学特征在提高诊断准确性中的重要作用。此外，研究还指出了未来研究的方向，包括多中心外部验证和自动化ROI分割技术的应用，以进一步提高模型的稳定性和临床适用性。

通过本研究，临床医生可以更准确地识别浸润性肺腺癌，从而为患者提供更精准的治疗方案，减少不必要的医疗干预。