基于CT影像放射组学预测纯磨玻璃结节（pGGNs）侵袭性的研究

一、研究的主要作者、机构以及期刊信息

这项研究题为《Chest radiomics for lung adenocarcinoma manifesting as pure ground-glass nodules: invasive prediction》，主要作者包括Yingli Sun、Cheng Li、Liang Jin、Pan Gao等，来自复旦大学附属华东医院影像医学部门和功能与分子医学影像研究所，同时还有部分作者属于GE Healthcare以及其他医疗机构。这篇论文刊登于European Radiology期刊，在线发表时间为2020年3月11日。

二、研究背景、目的及科学意义

1. 科学领域及研究背景

该研究属于放射组学（radiomics）应用于肺部疾病诊断领域。随着CT成像技术的进步及健康体检意识的增强，越来越多的肺部磨玻璃结节（GGNs, ground-glass nodules）在影像检查中被检出。特别是纯磨玻璃结节（pGGNs, pure ground-glass nodules），通常被认为是低速发展、预后良好的一种肺腺癌表现类型。

然而，多项研究表明，部分小于5毫米的pGGNs在随访3.5年后会出现生长甚至侵袭性改变（约10%生长，1%发展为侵袭性病变）。其他研究显示，高达52%-58%的pGGNs在随访的过程中有所进展。因此，对于携带侵袭成分的pGGNs，采用统一的保守随访策略是不可取的。

2. 研究目的

本研究旨在开发一种基于CT影像放射组学与传统影像特征结合的融合模型，以非侵入性的方式预测pGGNs的侵袭性，弥补仅依赖传统CT特征（如边缘形态、结节大小等）诊断侵袭性缺乏系统性与准确性的不足。

三、研究流程及实验过程

1. 研究流程概述

研究包括数据收集、影像特征与放射组学特征提取、模型开发和验证几个主要步骤，详细的工作流程包括以下关键节点：

2. 数据收集与研究对象

本研究为回顾性研究，数据来自2011年1月至2017年10月间华东医院收治的纯磨玻璃结节患者。共纳入了395例来自385名患者的纯磨玻璃结节，这些结节均通过病理确诊为非侵袭性病变（包括良性结节、AAH、AIS）或侵袭性病变（包括MIA、IPA）。样本被随机分配为训练集（n=277）和验证集（n=118），并进一步引入了来自另一医院的53例数据用于测试模型的外部验证。

3. 影像采集与CT特征评估

所有入组患者的胸部CT检查采用了高分辨率设备（如GE Discovery CT750 HD、Siemens Somatom Definition Flash等）。薄层片厚≤1.5毫米。两位经验丰富的胸部放射科医生分别独立评估了每个结节的影像特征，包括边缘清晰度、分叶、毛刺、气泡透亮征、蜂窝征、血管改变及胸膜附着等，并在存在争议时通过共识解决。

4. 放射组学特征提取

放射组学特征提取使用开源软件3D Slicer完成，由经验丰富的放射科医生人工勾画结节的兴趣体积（VOI, volume of interest），提取总共396个特征，包括：肿瘤大小、形状、灰阶直方图统计值、一阶统计参数、及高级纹理特征（如灰度共生矩阵和灰度游程长度矩阵）。提取数据后，利用基于人工智能处理的标准化软件（Artificial Intelligence Kit, GE Healthcare）进行分析。

5. 建模与分析

通过对放射组学特征进行重复性检测（以ICC > 0.8为标准），最终使用最小绝对收缩与选择算子（LASSO, least absolute shrinkage and selection operator）构建一个Rad-score（放射组学评分）。进一步结合CT影像特征与Rad-score，利用多变量逻辑回归分析建立传统影像模型、放射组学模型，以及两者结合的综合模型，并通过ROC曲线分析评估其预测性能。

6. 个性化预测列线图（Nomogram）的开发

研究最终使用四个独立预测因子：Rad-score、边缘形态（边缘清晰度）、毛刺及尺寸，开发了一个列线图模型，展示个体预测的风险概率，并通过决策曲线分析（DCA, decision curve analysis）评估其临床适用性。

四、研究主要结果

1. CT影像特征与模型性能

边缘清晰度、毛刺及结节尺寸在侵袭性预测中均表现出显著差异（p < 0.001）。基于这三项特征的CT影像模型在验证集中的AUC为0.71。

2. 放射组学Rad-score的结果

最终选取5个特征用于建立Rad-score，包括ClusterShade、GLCMEntropy等纹理特征以及表面体积比（Surface-Volume Ratio）。Rad-score在验证集的AUC为0.72，与传统影像模型相近。

3. 综合模型的优越性

将Rad-score和影像特征结合的综合模型，在验证集中的AUC达到0.77，高于单一模型。决策曲线分析进一步显示，在阈值概率大于10%的情况下，综合模型具有更高的临床决策效益。

五、结论及价值

1. 研究结论

本研究成功开发并验证了一个基于CT影像放射组学和传统影像特征相结合的预测模型，能够以非侵入性的方式评估纯磨玻璃结节的侵袭性，为个体化判断和临床决策提供了重要支持。

2. 科学与应用价值

该研究具有重要临床意义，能够帮助避免pGGNs患者的盲目随访或过度侵入性治疗，为医疗资源的合理分配和治疗方案的优化提供客观依据。同时，该模型结合了人工智能技术，充分发挥了放射组学在肿瘤无创预测中的潜力，对于影像科医生与临床医生具有较高的实用参考价值。

六、研究亮点

• 方法创新性：首次将放射组学特征与传统影像特征结合，显著提升了纯磨玻璃结节的侵袭性风险预测能力。
• 工具开发：开发了个性化风险预测列线图（Nomogram），直观展示个体侵袭性风险。
• 临床适用性：结合Rad-score的决策曲线分析显示其可有效改善临床决策质量。

七、研究局限性与展望

研究承认其局限性，如数据偏向于手术切除的pGGNs样本、数据集单中心来源、人工勾画的VOI耗时较长等。未来需要多中心数据验证，并开发更高效的自动分割算法，以提高模型的通用性与实用性。