磨玻璃样结节肺腺癌CT 研究进展

刘倩倩，黄小华，潘 珂（通信作者）

（川北医学院附属医院放射科 四川 南充 637000）

近年，随着低剂量CT（low dose CT，LDCT）普及和高分辨CT（high resolution CT，HRCT）广泛应用，肺磨玻璃结节（ground glass nodule，GGN）检出明显增多。GGN 是指CT 上局部密度增高，其内部的血管纹理和支气管影走形如常，是一种特征非特异性的影像学征象，病因多样，可为感染、出血或肿瘤等。随着对GGN 的研究深入，发现其是早期肺腺癌的影像学表现，恶性率高，病理以腺癌多见，及早手术5 年生存率近100%[1-3]。目前，CT 依然是GGN 筛查、诊断和随访的主要方式。磨玻璃样结节肺腺癌CT 征象识别对诊断、鉴别诊断有十分重要的意义，本文就磨玻璃样结节肺腺癌的CT 征象及研究进展予以综述。

1 分类

GGN 分类尚未统一，多是基于CT 表现，主要分为纯磨玻璃结节（pure GGN，pGGN）、部分实性结节（part solid nodule，PSN）和实性结节（solid nodule，SN）[4]。pGGN 指内无实性成分，PSN 是指内有实性成分的GGN[5]。也有学者把PSN 称为混合磨玻璃结节（mixed GGN，mGGN）。

2011 年，肺癌国际协会对肺腺癌病理分型进行重新分类[6]，分为浸润前病变、微浸润性腺癌（minimally invasive adenocarcinoma，MIA）及浸润性腺癌（invasive adenocarcinoma，IAC），其中浸润前病变包括非典型腺瘤样增生（atypical adenomatous hyperplasia，AAH）和原位腺癌（adenocarcinoma insitu，AIS）。不同类型GGN手术方式和预后不尽相同，浸润前病变只需做局部切除[7]，5 年生存率为100%[3,6]；MIA 为局部肺楔形切除术[7-8]，5 年生存率为87.0%～95.5%[7,9]；IAC 需肺叶切除并淋巴结清扫[10]，由于血管侵犯和淋巴结转移，5 年生存率仅为38%～86%[11]。

2 CT特征征象表现

当下对GGN 的良恶性诊断主要依据是CT 影像表现，特征征象主要包括大小、形态、边缘、毛刺征、实性成分占比、邻近结构关系，这些征象仍然是现阶段影像科医师对GGN 诊断的主要依据[2]。

2.1 大小

大小是评估结节性质的首要重点征象[11-12]，结节的恶变率与其直径呈正相关，直径小于6 mm 时恶性率低于1%，6～8 mm 时恶性率是1%～2%[11]。Lu 等[13]发现GGN 直径＞9.8 mm 是预测良恶性的临界值。肺结节专家共识[5]、NCCN 指南[11]、Fleischner 协会指南[15]对结节的随访策略中指出首要考虑因素仍然是结节的大小，大小是直接决定随访时间、临床诊疗决策的首要因素。研究发现IAC 的直径明显大于浸润前病变，且随着从AAH到IAC 的进展呈现出逐渐增大的趋势[13-14]。虽然对结节大小评判良恶性阈值不一[16]，但都认为直径越大恶性率越大。有研究发现可通过GGN 的大小辅助鉴别IAC 和非IAC，阈值为11.5 mm，AUC 为0.865[17]。但结节大小的测定方法一直存在争议，特别是对于亚毫米结节，不同研究者、不同测量层面、不同测量次数、测量方法（手动测量和AI 自动测量）均会带来较大误差，甚至导致研究结果相反[16]。因此提出测量结节体积、质量、倍增时间来反映GGN 的性质和生长变化情况[11,18-19]，发现测量结节的体积、质量、容积变化率、倍增时间比直径更能反映其动态变化过程，能更敏感地反映其病理变化过程[18]。

2.2 外形

有研究发现pGGN 外形为圆形质软时为恶性可能性更大[13]。mGGN 实性成分位于中央比位于外周边恶性可能性更大[9]。结节外周呈波浪状或扇形时称为分叶征，为深分叶和浅分叶。浅分叶的结节为恶性可能性更大[20]。Wu等[21]发现浸润前病变的边缘光滑，MIA 与周围组织分界不清，因此分叶征被认为是具有侵袭性的特征征象[22]。但GGN较小时，特别是亚毫米，常规CT难以观察分叶征，需在薄层图像上或增大矩阵或对结节进行靶扫描、靶重建，结合多平面重组图像，多方位观察以精准诊断。

2.3 毛刺征

病灶的边缘反映了病变与正常组织的关系，毛刺征是结节CT 征象中较常见的征象，是指结节边缘小棘状突起；但并非是恶性肿瘤的特异性征象，良性病变常亦可见。有研究发现GGN 见毛刺征时更倾向于浸润性病变，病理机制为肿瘤细胞向周围浸润致其毛糙、不光整[22-24]。炎性结节也可见毛刺征象，相对肿瘤而言，炎症所致的毛刺更长更纤细，病理上是由于炎症细胞的浸润致病变边缘与邻近肺组织的渗出牵拉所致。

2.4 空气支气管征

空气支气管征指病灶内细条状的空气密度影，病理基础是软骨弹性层或癌细胞累积支气管。研究把GGN 内的支气管改变分为3 型：Ⅰ型-支气管穿行；Ⅱ型-支气管扩张、扭曲；Ⅲ型-支气管阻塞、截断，随着GGN 侵袭性的增加，更易观察到Ⅱ型和Ⅲ型支气管[25]。Zhang 等[26]发现空气支气管征与pGGN 病理组织学浸润性密切相关；Chu 等[27]发现空气支气管征是pGGN 恶变的潜在危险因素。虽然空气支气管征与GGN 良恶性、浸润性密切相关，但对于早期肺腺癌，特别是外周胸膜下pGGN 空气支气管征概率较小，这时需综合其他特征征象诊断。

2.5 实性成分

实性成分指GGN 内密度更高的实性区域。研究发现结节的实性成分比例越大其潜在恶性的可能性更大[16,28]。学者研究表明GGN 的实性成分是决定预后的主要因素[3,12]。国际肺癌研究学会在对肺癌分期的病理更新中指出GGN 恶性程度与CT 图像中GGN 的实性成分明显相关[29]，GGN 实性成分的量化是研究实性成分对GGN价值的关键点。有学者采用实性成分与肿瘤整体的比率（consolidation tumor ration，CTR）进行GGN 的是实性成分定量，发现CTR 为0 时，病变3 年内进展风险较低，病理类型为浸润前病变；当CTR ＞25%时，3 年内进展的风险较高，病理类型可能为MIA 或IAC；CTR 的增加或总GGN 直径的增加与浸润性肺癌的风险有关[7]。研究显示CTR ＞50%时的GGN 出现淋巴结转移风险更大[30]。对于结节实性成分的评估方法众多，且CT 扫描参数不一致也严重影响实性成分的测量，未来需要更科学、更精准的定量研究方法。

2.6 与邻近结构的关系

GGN 性质与邻近胸膜、血管的改变有直接相关[6]。胸膜凹陷征与GGN 的良恶性诊断密切相关，但并非是特异性征象，炎症性病变、肿瘤性病变亦常可见。从形态学上看，炎症所致的胸膜凹陷范围更大、形态较柔软，肿瘤所致胸膜凹陷范围较局限、形态较僵硬。肿瘤的生长进展离不开新生血管和脉管的重构，这为GGN 供血血管的分析提供理论基础。主要将病灶与血管的关系分为3 型：Ⅰ型，绕行，未进入病灶内，多见于良性病变；Ⅱ型，血管在GGN 内走行如常，多见于浸润前病变或MIA；Ⅲ型，血管走行扭曲、僵直、增粗或聚集等，多见于IAC[31]。有发现GGN 中的血管变化能更早、更准确地反映组织病理学过程，因此，学者[17]将pGGN 内扭曲或扩张的血管和血管聚集定义为血管变化征象，血管变化征象与病变侵袭性直接有关，血管变化征象发生在IAC 为53.3%，而发生在AAH 为12%。总之，通过GGN 与其邻近结构的关系可为肺内亚毫米结节的诊断提供重要诊断价值。

3 影像组学对GGN的价值

随着计算机的迅猛发展，人工智能和影像组学在医学领域的应用越来越广泛，最先在临床应用的便是肺小结节的辅助诊断。影像组学是从CT 图像高通量地提取影像特征、分析病灶异质性、对图像纹理信息进行深度挖掘，提供肿瘤表型及病变微环境信息。目前，影像组学在GGN 研究多为结节良恶性诊断、侵袭性、预测预后和复发、基因突变等方面[32-33]；Cai 等[34]研究发现，影像组学方法对GGN 的诊断有较高的准确性、敏感性和特异性。Sun 等[35]研究发现影像组学能较准确地分析GGN 的侵袭性，结合放射学特征对GGN 侵袭的预测比单一模型预测更好。Liu 等[36]研究发现将影像组学特征与临床信息结合建立后可提高准确性，还发现影组学特征在预测效能方面优于临床特征和常规CT 特征。人工智能和影像组学能提高GGN 的诊断和鉴别诊断、预测预后，但由所涉及的结构和参数较复杂，得到的结果大多是计算机类名词如灰度共生矩阵、熵等，难以与传统医学相关联，难以用医学做出解释和医患沟通，此外还可能出现的过拟合问题，还需要内部和外部验证来确保结果的可靠性，未来还需要更多的研究以建立医学与工学的关联，让人工智能工具更能广泛地为临床服务。

3 小结

通过对GGN 征象的识别能做出较准确的诊断，主要的CT 征象包括结节的大小、外形、毛刺征、空气支气管征、实性成分、结节与邻近胸膜和血管的关系，上述CT征象与结节的性质、侵袭性和预后直接相关。当亚毫米结节时，需注意采用先进的CT 扫描技术（如靶扫描）、后处理方法（如靶重建、高分辨重建、迭代重建）以显示微小结节的细微征象。结合人工智能和影像组学能大大提高对GGN 的正确诊断率，还能预测预后、病理分型及基因突变等信息，为临床治疗方案的抉择提供重要信息；但目前对重要数据的阈值仍未达成共识，需要临床研究人员提出更准确性的预测方法，以提高诊断率。此外，影像科医生仍需重视GGN 的CT 传统征象识别，特别是在青年医师的培养过程中，不能过度依赖人工智能等软件工具。