该文档属于类型a，即报告了一项原创研究。以下是基于文档内容的学术报告：
主要作者及研究机构
本研究由Yingli Sun、Zongjing Ma、Wei Zhao、Liang Jin、Pan Gao、Kun Wang、Xuemei Huang、Shaofeng Duan和Ming Li等人共同完成。主要研究机构包括复旦大学附属华东医院放射科、中南大学湘雅二医院放射科、湖南省医学影像临床研究中心以及GE Healthcare上海分公司。该研究于2022年12月31日在线发表在《European Journal of Radiology》期刊上。
学术背景
本研究的科学领域为医学影像学，具体涉及计算机断层扫描（Computed Tomography, CT）影像组学在肺磨玻璃结节（Ground-Glass Nodules, GGNs）生长预测中的应用。随着肺癌筛查和高分辨率CT的普及，肺结节的检出率显著增加，其中磨玻璃结节的恶性概率较高。然而，如何在临床实践中对GGNs进行个体化随访仍然是一个挑战。准确预测GGNs的生长或长期稳定性对于优化随访间隔至关重要。因此，本研究旨在开发一种基于CT影像组学和临床特征的模型，以预测GGNs的生长趋势，从而为个性化随访策略提供依据。
研究流程
本研究为回顾性研究，共纳入253名患者的1115张CT图像。研究流程包括以下几个主要步骤：
数据收集与分组
从电子病历和放射信息系统中收集所有符合条件的CT检查数据。通过关键词筛选出包含GGNs的病例，并由两名放射科医生进行筛选和确认。最终将1115张CT图像随机分为训练集（70%）和验证集（30%）。
影像特征评估
由两名放射科医生对每张CT图像的影像特征进行评估，包括结节的位置、密度、形状、分叶、毛刺、气泡征、血管改变和胸膜附着等。
结节分割与影像组学特征提取
使用3D Slicer软件手动勾画结节感兴趣区（Volume of Interest, VOI），并利用PyRadiomics工具包提取影像组学特征。共提取了1218个特征，并通过类内相关系数（Intraclass Correlation Coefficient, ICC）评估特征的可重复性，仅保留ICC≥0.80的稳健特征。
模型开发与验证
使用最小冗余最大相关性（Minimum Redundancy Maximum Relevance, MRMR）和最小绝对收缩与选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）方法进行特征选择和降维，最终构建影像组学特征模型。此外，结合临床特征（年龄、位置和大小）构建了个体化预测列线图模型。通过受试者工作特征曲线（Receiver Operating Characteristic, ROC）分析评估模型的预测性能，并使用DeLong方法比较不同模型的ROC曲线。
统计分析
使用R软件进行特征选择、建模和统计分析。采用卡方检验或Fisher精确检验分析分类变量，独立样本t检验或Kruskal-Wallis检验分析连续变量。多因素逻辑回归分析用于确定GGNs生长的独立预测因素。
主要结果
1. 数据集特征
最终数据集包括253个GGNs，其中生长组和稳定组分别包含535个和580个GGNs。生长组中，458个GGs显示大小变化，286个显示密度变化，209个同时显示大小和密度变化。稳定组中，无GGNs接受手术切除。
影像组学特征模型
影像组学特征模型在训练集和验证集中的AUC分别为0.836和0.818，显著优于临床模型（AUC分别为0.772和0.735）。
列线图模型
结合影像组学特征和临床特征的列线图模型在训练集和验证集中的AUC分别为0.843和0.824，与影像组学特征模型的AUC相似（DeLong检验，训练集p=0.09；验证集p=0.37）。
临床特征分析
单因素分析显示，年龄、性别、位置和大小在生长组和稳定组之间存在显著差异。多因素逻辑回归分析表明，年龄、位置和大小是GGNs生长的独立预测因素。
结论
本研究开发并验证了一种结合影像组学特征、大小、年龄和位置的列线图模型，用于预测GGNs的生长或长期稳定性。该模型在训练集和验证集中均表现出良好的性能，可能为优化GGNs的随访管理提供依据。
研究亮点
1. 创新性
本研究首次尝试利用CT影像组学预测GGNs的生长趋势，填补了该领域的研究空白。
方法学优势
采用MRMR和LASSO方法进行特征选择和降维，结合影像组学特征和临床特征构建了个体化预测模型，显著提高了预测准确性。
临床价值
该模型能够帮助临床医生更准确地判断GGNs的生长趋势，从而减少不必要的随访，降低患者焦虑和医疗资源浪费。
其他有价值的内容
本研究还讨论了GGNs的形态学特征与其生长趋势的关系，发现传统影像学特征在预测GGNs生长或长期稳定性方面的价值有限。影像组学通过多维度参数挖掘了更多重要特征，为GGNs的个性化管理提供了新的思路。
以上是对该研究的全面报告，涵盖了研究的背景、流程、结果、结论及其科学和临床价值。