这篇文档属于类型a，即报告了一项原创性研究。以下是根据要求生成的学术报告：

作者与机构
本研究的主要作者包括Y. Lv、J. Ye、Y.L. Yin、J. Ling和X.P. Pan，分别来自中国江苏省扬州市的苏北人民医院和中国上海联影智能科技有限公司。研究发表于2022年6月的《Clinical Radiology》期刊。

学术背景
本研究属于医学影像学和肿瘤学领域，旨在探讨和比较基于CT的传统特征、影像组学特征、传统与影像组学结合特征以及Δ-影像组学特征在预测表现为磨玻璃结节（ground-glass nodules, GGNs）的肺腺癌侵袭性方面的性能。肺腺癌是全球发病率和死亡率最高的癌症之一，而GGNs是肺腺癌的常见表现。根据2011年发布的国际多学科分类标准，肺腺癌可分为非典型腺瘤样增生（AAH）、原位腺癌（AIS）、微浸润腺癌（MIA）和浸润性腺癌（IA）。其中，AAH和AIS统称为前驱病变（PILs）。准确评估GGNs的侵袭性对手术方法的选择和预后评估具有重要意义。传统上，CT是诊断GGNs的主要方法，但其依赖于形态学特征，存在主观性和模糊性。影像组学通过从CT图像中提取大量特征并转化为定量数据，能够更深入地挖掘图像信息，提高诊断的客观性和准确性。

研究流程
本研究为回顾性研究，纳入了2016年1月至2021年9月期间经手术确诊为肺腺癌的216个GGNs。所有薄层CT图像被导入联影智能研究平台软件，提取三维感兴趣区域（ROI）的影像组学特征。研究分为以下几个步骤：
1. 数据收集与预处理：通过PACS系统检索符合条件的患者，纳入标准包括至少两次平扫CT检查、结节厚度为1.25 mm、无手术或治疗史、GGN大小在5 mm至3 cm之间。最终纳入216个GGNs，来自182名患者。
2. 特征提取与选择：使用联影智能研究平台软件自动分割肺结节，并提取25种图像滤波器的2600个影像组学特征。通过最小绝对收缩和选择算子（LASSO）回归模型筛选出9个最优特征。
3. 模型构建：构建了四种预测模型，包括传统模型（基于临床和CT形态学特征）、影像组学模型（基于影像组学特征）、结合模型（传统与影像组学特征结合）和Δ-影像组学模型（基于影像组学特征随时间的变化）。
4. 模型评估：使用受试者工作特征曲线（ROC）和曲线下面积（AUC）评估模型的预测性能，并通过训练集和验证集验证模型的稳定性和准确性。

主要结果
1. 传统模型：研究发现，结节类型、长径、形状、边缘、空泡征、空气支气管征、血管聚集和胸膜牵拉在PIL/MIA和IA组之间存在显著差异。传统模型在训练集和验证集中的AUC分别为0.78和0.76，表明其具有一定的诊断能力。
2. 影像组学模型：筛选出的9个影像组学特征在区分IA和PIL/MIA方面表现出色。影像组学模型在训练集和验证集中的AUC分别为0.89和0.87，诊断效率显著高于传统模型。
3. 结合模型：结合传统特征和影像组学特征的模型在训练集和验证集中的AUC分别为0.88和0.88，诊断效率与影像组学模型相当，但特异性和准确性更高。
4. Δ-影像组学模型：基于影像组学特征随时间变化的模型在训练集和验证集中的AUC分别为0.83和0.76，诊断效率略低于影像组学模型和结合模型，但仍优于传统模型。

结论
本研究证实，影像组学模型、结合模型和Δ-影像组学模型在区分IA和PIL/MIA方面均优于传统模型，尤其是影像组学模型和结合模型表现出最高的诊断效率。这些模型通过提取和分析CT图像的定量特征，显著提高了肺腺癌侵袭性预测的准确性，为临床决策提供了重要依据。

研究亮点
1. 创新性方法：本研究首次系统比较了传统特征、影像组学特征和Δ-影像组学特征在预测肺腺癌侵袭性方面的性能，提出了结合模型和Δ-影像组学模型的新思路。
2. 高效诊断工具：影像组学模型和结合模型的AUC均超过0.85，显著提高了GGNs侵袭性诊断的准确性和客观性。
3. 临床应用价值：研究结果为肺腺癌的早期诊断和治疗方案选择提供了科学依据，有助于改善患者预后。

其他价值
本研究还探讨了Δ-影像组学在肿瘤自然病程中的应用，为未来研究提供了新的方向。此外，研究使用的联影智能研究平台软件为影像组学特征的提取和分析提供了高效工具，推动了医学影像技术的进步。

以上报告全面介绍了本研究的背景、流程、结果和意义，为相关领域的研究者提供了详细的参考。