这篇文档属于类型a，即报告了一项原创性研究。以下是基于文档内容的学术报告：

作者及发表信息

该研究由Wufei Chen、Ruizhi Wang、Zhuangxuan Ma、Yanqing Hua、Dingbiao Mao、Hao Wu、Yuling Yang、Cheng Li和Ming Li共同完成，主要来自复旦大学附属华东医院放射科。研究发表在《Frontiers in Oncology》期刊上，于2022年11月16日发表。

学术背景

研究领域为胸腺肿瘤学（thoracic oncology），具体聚焦于肺癌的早期诊断。近年来，低剂量CT（computed tomography）在肺癌筛查中的普及使得大量早期肺腺癌（lung adenocarcinoma）以部分实性结节（part-solid nodules, PSNs）的形式被发现。由于不同类型的肺腺癌（如原位腺癌（adenocarcinoma in situ, AIS）、微浸润腺癌（minimally invasive adenocarcinoma, MIA）和浸润性腺癌（invasive adenocarcinoma, IAC））在手术管理和预后上存在显著差异，准确区分这些类型具有重要的临床意义。然而，目前对PSNs的恶性潜能的评估主要依赖于影像学或临床经验，缺乏量化和客观的标准。因此，本研究旨在开发一种基于delta-radiomics（delradx）的模型，通过对比增强CT（contrast-enhanced CT, CECT）和非增强CT（noncontrast-enhanced CT, NCECT）数据，预测表现为PSNs的肺腺癌的浸润性，为临床决策提供支持。

研究流程

研究流程包括以下几个主要步骤：

1. 患者筛选与数据收集
   研究回顾性分析了2017年1月至2021年12月期间在本院接受手术切除的肺癌患者。纳入标准包括：病理学确认为肺腺癌；影像学表现为PSNs（直径≤3 cm）；在一次检查中同时获得NCECT和CECT图像；可获得薄层CT图像（1-1.25 mm）。排除标准包括：结节直径小于6 mm；CT图像质量差（如严重运动伪影）；无法提取影像组学特征。最终，299例患者（299个PSNs）被纳入研究，其中159例为AIS/MIA，140例为IAC。病例按7:3的比例随机分为训练集和验证集。

2. 图像采集与特征评估
   NCECT和CECT图像分别通过Siemens Somatom Definition Flash和GE Discovery CT750 HD扫描仪获取。CECT在注射80-100 ml非离子型造影剂后35-60秒进行。两名经验丰富的放射科医生对临床和影像学特征进行盲法评估，包括结节最大直径（nodule_max）、实性成分最大直径（solid_max）以及实性成分与结节的比例（consolidation-to-tumor ratio, CTR）。

3. 结节分割与影像组学特征提取
   使用开源医学图像处理软件3D Slicer对结节进行三维分割，提取NCECT和CECT图像中的740个影像组学特征，并通过delta-radiomics计算特征变化（delradx = featureCECT - featureNCECT）。

4. 特征选择与模型构建
   在训练集中，通过类内相关系数（ICC）>0.8筛选出稳健特征，进一步通过Mann-Whitney U检验和Spearman相关性分析去除冗余特征。最终，使用LASSO-logistic回归算法构建delta-radiomics模型，并与基于NCECT的传统影像组学模型进行比较。

5. 模型评估与临床应用工具开发
   通过ROC曲线下面积（AUC）评估模型性能，并构建包含delta-radiomics特征和影像学特征的整合列线图（nomogram），通过综合判别增量（IDI）、校准曲线、决策曲线分析（DCA）和临床影响图评估其临床应用价值。

主要结果

1. delta-radiomics特征的表现
   在训练集和验证集中，delta-radiomics特征在AIS/MIA组和IAC组之间均表现出显著差异（p < 0.05）。验证集中，delta-radiomics模型的AUC为0.902，显著高于基于NCECT的传统影像组学模型（AUC = 0.856）。

2. 整合列线图的表现
   整合列线图在训练集和验证集中均表现出良好的校准性能，平均绝对误差分别为0.001和0.019。决策曲线分析表明，当阈值概率在90%以内时，整合列线图具有较高的临床应用价值。

结论

本研究开发的delta-radiomics模型在预测表现为PSNs的肺腺癌浸润性方面表现出色，显著优于传统影像组学模型。整合列线图进一步提升了模型性能，为临床决策提供了便捷的工具。研究结果表明，delta-radiomics特征能够提供额外的信息，帮助医生更准确地评估肺腺癌的浸润性，从而优化治疗方案。

研究亮点

1. 创新性方法
   本研究首次将delta-radiomics应用于预测肺腺癌的浸润性，通过对比NCECT和CECT图像的特征变化，揭示了肿瘤异质性与浸润性之间的关系。

2. 临床应用价值
   开发的整合列线图为临床医生提供了一个易于使用的工具，能够在不增加额外检查的情况下，提高对肺腺癌浸润性的预测准确性。

3. 研究设计的严谨性
   研究采用了大规模的回顾性数据，并通过严格的统计学方法筛选和验证特征，确保了模型的稳健性和可靠性。

其他有价值的内容

研究还讨论了delta-radiomics在肿瘤异质性评估中的潜在优势，以及其在其他恶性肿瘤（如结直肠癌和肝癌）中的应用前景。未来的多中心前瞻性研究将进一步验证该模型的普适性和稳定性。