研究报告

本研究由主要作者Yining Jiang, Siyu Che, Shuangchun Ma, Xinyan Liu, Yan Guo, Ailian Liu, Guosheng Li和Zhiyong Li完成，隶属大连医科大学附属第一医院放射科及相关合作机构。该研究成果发表在《Cancer Imaging》期刊的2021年第21卷，文章标题为”Radiomic Signature Based on CT Imaging to Distinguish Invasive Adenocarcinoma from Minimally Invasive Adenocarcinoma in Pure Ground-Glass Nodules with Pleural Contact”。

学术背景

肺腺癌（adenocarcinoma）是一种常见的肺癌类型，预测和分辨其不同亚型（包括原位腺癌adenocarcinoma in situ，AIS；微浸润腺癌minimally invasive adenocarcinoma，MIA；和浸润腺癌invasive adenocarcinoma，IAC）对患者管理具有重要意义。纯磨玻璃结节（pure ground-glass nodules，pGGNs）这种影像学表现既可能是典型的AIS或MIA，但也可能具有较高浸润性，表现为IAC。

根据国际肺癌研究学会（IASLC）等机构提出的分类标准，MIA的术后生存率高达100%，而IAC的预后相对较差。因此，在影像学上准确区分pGGNs中的IAC和MIA，对指导随访及手术选择极为重要。然而，由于传统CT图像分辨率的限制，影像学特征易于受到主观判断的干扰且难以精准反映肿瘤微观侵袭特性。这种背景下，放射组学（Radiomics）作为一种新兴的影像学分析方法，通过提取高通量影像特征来量化肿瘤内的异质性，为解决上述问题提供了一种非侵入性的方式。本文的研究目标是开发并验证一种基于放射组学特征的模型，以鉴别伴有胸膜接触特征的pGGNs（p-pGGNs）中的IAC和MIA，为临床管理提供依据。

研究流程

本研究涉及以下主要环节：

1. 患者纳入与分组：
   研究回顾性纳入了2012年12月至2018年5月期间接受胸部薄层CT（thin-slice CT, TSCT）检查并经手术病理确诊为单发MIA或IAC的患者。经过筛选，共纳入100例符合条件的p-pGGN病例（IAC 53例，MIA 47例）。患者在纳入前需满足以下条件：CT检查时间与手术时间间隔不超过2周，影像学显示为附着或连通于胸膜面的磨玻璃结节，且无肿块样软组织影。

2. 影像数据采集：
   所有患者均接受非增强TSCT扫描，扫描参数统一，使用≥16排螺旋CT设备，扫描分辨率较高。结合肺窗影像，手动勾画3D感兴趣区（region of interest，ROI）并进行影像分析。

3. 放射组学特征提取及选择：
   使用开源工具3D Slicer（版本4.8.1）提取了ROI内的106项放射组学特征。这些特征涵盖形状、灰度共生矩阵（GLCM）、灰度依赖矩阵（GLDM）等。通过最小绝对收缩和选择算子（LASSO）回归方法对数据进行维度缩减，并结合10折交叉验证选择了7个最具预测意义的特征以构建分类模型。这些特征包括形状上的球形度（sphericity）、小依赖高灰度强调等。

4. 统计分析及模型开发：
   数据分为训练集（69例）和测试集（31例）。基于训练集，通过逻辑回归方法构建了预测IAC的放射组学签名（rad-score）。研究通过受试者操作特征曲线（ROC）、校准曲线和决策曲线分析（DCA）验证模型的性能。

主要研究结果

1. 常规影像特征分析：
   在形态特征中，IAC组具有更高比例的分叶征（54.72% vs 25.53%，p=0.003）和毛刺征（60.37% vs 29.79%，p=0.002）；在定量指标中，IAC组的肿瘤长径（TLD）、垂直径（TVD）和CT值显著高于MIA组。例如，TLD的中位值分别为1.81cm（IAC）和1.28cm（MIA），ROC分析显示TLD的AUC为0.724。

2. 放射组学签名的开发与验证：
   通过LASSO回归选择出的7项放射组学特征展现了出色的鉴别性能。训练集和测试集的AUC分别为0.892（灵敏度0.811，特异性0.719）和0.862（灵敏度0.625，特异性0.800），精确度高于传统CT定量指标。

3. 模型的临床适用性评价：
   决策曲线分析显示，与“全部治疗”或“无治疗”策略相比，该放射组学模型在0至1的阈值范围内均表现出较高的净收益，提示其在临床诊断中的潜在价值。

研究结论

本研究首次构建了基于放射组学特征的签名，用于鉴别呈现为p-pGGNs的MIA与IAC类型，其预测准确性优于传统影像学方法，对指导不同类型手术决策（如局部切除与叶切除）和患者管理（如随访频率）提供了重要参考。这一基于CT影像的量化预测模型为推动个性化医学理念在肺癌影像学中的应用提供了新的思路和方法。

研究亮点

1. 本研究是首例专注于p-pGGNs的MIA与IAC分类的放射组学研究，填补了领域空白。
2. 提出的放射组学签名展现出高灵敏度和特异性，具备良好的推广潜力。
3. 研究流程严格且数据处理方法先进，使用了多种高维数据分析手段（如LASSO和多次交叉验证）。

研究意义及展望

研究显示，基于影像学数据的放射组学分析在提高肺腺癌亚型的精准鉴别率方面具有显著优势。这对尿检手术避免过度切除有临床指导意义，为影像诊断学提供重要参考。同时，本研究的方法也提示，未来放射组学与人工智能结合可能在早诊早治和预测中的应用具有无限可能性。然而，模型的外部验证以及考虑不同扫描仪器和参数影响对于模型广泛推广仍是未来工作的重点。