基于CT影像特征及人工智能定量参数预测肺腺癌磨玻璃结节生长的危险因素

［摘要］ 目的：通过分析CT影像特征及人工智能定量参数，评估肺腺癌磨玻璃结节生长的危险因素。方法：收集128例经病理证实的肺腺癌磨玻璃结节患者的CT资料，根据结节生长趋势、随访情况，分为生长组59例和稳定组69例。利用人工智能辅助诊断技术对CT图像进行分析，提取相关定性及定量参数，采用单因素和二元logistic回归分析评估各因素与肺腺癌磨玻璃结节生长的关系，绘制ROC曲线分析各危险因素的诊断效能。结果：2组年龄、CT影像特征（磨玻璃结节形态、类型、空泡征、支气管异常、内部血管征、分叶征）及人工智能定量参数（实性成分体积占比、实性成分质量占比、最大CT值、平均CT值、中位数、标准差、偏度、熵）差异均有统计学意义（均Plt;0.05）。内部血管征、实性成分质量占比、平均CT值是肺腺癌磨玻璃结节生长的独立危险因素。ROC曲线分析显示，实性成分质量占比的诊断效能最高（AUC=0.835），其次为平均CT值（AUC=0.766），而内部血管征的诊断效能相对较低（AUC=0.693）。结论：肺腺癌磨玻璃结节的CT影像特征及人工智能定量参数分析显示，内部血管征、实性成分质量占比、平均CT值是预测肺腺癌磨玻璃结节生长的危险因素。

［关键词］ 体层摄影术，X线计算机；肺磨玻璃结节；肺腺癌；结节生长；危险因素

Risk factors of ground-glass nodule growth in lung adenocarcinoma predicted by CT features and quantitative parameters of artificial intelligence

WANG Rong1，2，ZHANG Na1，2，WANG Qian1，2，LIU Zhenhe1，2，XIE Bingkun1，2

1Imaging Center，Dezhou Hospital of Qilu Hospital of Shandong University，Dezhou 253000，China；2Dezhou Key Laboratory of Intelligent Imaging，Dezhou 253000，China.

［Abstract］ Objective：To investigate the risk factors of the growth of ground-glass nodule （GGN） in lung adenocarcinoma by analyzing CT features and quantitative parameters of artificial intelligence （AI）. Methods：CT data of 128 patients with lung adenocarcinoma GGNs were collected. According to the GGNs growth trend，the patients were divided into a growth group （59 cases） and a stable group （69 cases）. AI-assisted diagnosis technique was used to analyze CT images，and the relevant qualitative and quantitative parameters were extracted. Univariate and binary logistic regression analysis were used to evaluate the correlations between the various factors and GGN growth，and ROC curve was drawn to analyze the diagnostic efficacy of each risk factor. Results：There were statistical differences in age，CT features （nodule morphology，type，bubble sign，bronchial abnormality，internal vessel sign，lobulation sign） and AI quantitative parameters （solid component volume ratio，solid component mass ratio，maximum CT value，average CT value，median，standard deviation，skewness，entropy） between the two groups （all Plt;0.05）. Internal vessel sign，solid component mass ratio and average CT value were the independent risk factors for GGN growth. ROC curve analysis showed that the diagnostic efficiency of solid component mass ratio was the highest （AUC of 0.835），followed by the average CT value （AUC of 0.766），while that of internal vessel sign was relatively low （AUC of 0.693）. Conclusions：Based on the analysis of CT features and AI quantitative parameters of GGNs，the internal vessel sign，solid component mass ratio and average CT value are the risk factors for predicting GGN growth.

［Key words］ Tomography，X-ray computed；Pulmonary ground glass nodules；Adenocarcinoma of the lung；Nodular growth；Risk factors

肺腺癌是最常见的肺癌类型，早期诊断治疗对提高患者生存率和生活质量有重要意义［1］。肺腺癌磨玻璃结节的生长趋势和危险因素一直是临床研究的热点［2］。对术前影像学判断性质不明确的结节，随诊观察其是否生长是判断良恶性的重要方法；另外，生长缓慢的早期肺癌并不会显著影响患者的生存率［3］。因此，深度挖掘肺腺癌磨玻璃结节的影像学信息，准确预判结节的生长趋势并精准分层非常重要。医学影像技术和人工智能的快速发展，使得通过CT影像特征及人工智能定量参数评估肺腺癌磨玻璃结节生长的危险因素已成为可能。本研究基于人工智能辅助诊断技术，分析肺腺癌磨玻璃结节生长的危险因素，以期为肺腺癌磨玻璃结节个性化管理和精准诊疗方案的制订提供影像诊断依据。

1" 资料与方法

1.1" 一般资料

选取我院2016年10月至2023年12月经病理证实的肺腺癌患者128例，术前CT检查≥2次，且CT表现为磨玻璃密度结节。纳入标准：①参考《肺结节诊治中国专家共识（2018年版）》［4］中的肺结节定义，即影像学表现为直径≤3 cm的纯磨玻璃或混合磨玻璃阴影；②随访≥2年或随访lt;2年但显示生长；③随访期间未行组织学活检和抗肿瘤治疗。排除标准：①合并其他原发恶性肿瘤病史；②存在呼吸、运动伪影，影响人工智能辅助诊断分割、分析的图像；③电子病历信息不完整。参考国内外文献及Fleischner协会2017指南的规定，肺结节生长的定义是指在多时间窗CT图像上，直径增加gt;2 mm或2次CT检查图像上结节体积增加25%［5-7］。

通过对比人工智能测量肺腺癌磨玻璃结节初次及末次随访CT图像的直径或体积差异情况，将128例分为生长组59例（46.09%）和稳定组69例（53.91%）。本研究经医院伦理委员会审核批准（2023009）。

1.2" 仪器与方法

采用GE Optima 64排CT扫描仪，患者屏气、取仰卧位。扫描参数：采用自动曝光剂量调整扫描模式，80～120 kV，自动毫安秒，矩阵512×512，层厚5 mm。所有肺窗图像采用锐利算法，重建层距1.25 mm，重建层厚1.25 mm。

1.3" 图像分析

将CT图像导入人工智能辅助诊断系统（上海联影公司uAI软件）中的肺结节智能诊断模块分析，由2位具有5年以上工作经验的胸部影像诊断主治医师记录患者临床资料（性别、发现病灶的初始年龄、随访时间、病理类型、结节位置），同时结合人工智能分析软件采用双盲法对结节的CT征象及人工智能定量参数进行分析和记录。CT征象包括结节大小、位置、形状（圆形/类圆形、不规则形）、类型（纯磨玻璃结节、混合磨玻璃结节）、空泡征、支气管异常征（支气管进入病灶并有僵硬、扭曲、狭窄、扩张等）、内部血管征（肺血管进入病灶且走行扭曲、僵直、增粗）、结节边缘征象（分叶征、毛刺征、胸膜牵拉征等）。人工智能定量参数包括结节体积、质量、实性成分体积占比与质量占比、最大CT值、最小CT值、平均CT值、中位数、标准差、峰度、偏度、熵等。若结节不规则、自动识别不准确时，2位医师采用手动识别、协商确定结节范围，意见不一致时，咨询上级医师达成共识。

1.4" 统计学分析

采用SPSS 21.0统计软件进行数据分析。计数资料组间比较行χ2检验。正态分布的计量资料以x±s表示，组间比较行独立样本t检验；非正态分布者以M（QL，QU）表示，组间比较行Mann-Whitney U检验。对差异有统计学意义的CT特征及人工智能定量参数行二元logistic回归分析确定独立危险因素。并绘制ROC曲线，评估独立危险因素的诊断效能。以Plt;0.05为差异有统计学意义。

2" 结果

2.1" 2组一般资料比较

2组性别、随访时间、病灶分布比较，差异均无统计学意义（均Pgt;0.05）；发现病灶的初始年龄及病理类型差异均有统计学意义（均Plt;0.05）（表1）。

2.2" 2组CT影像特征及人工智能定量参数比较

2组结节形状、类型、空泡征、支气管异常征、内部血管征、分叶征比较，差异均有统计学意义（均Plt;0.05）（表2，图1～3）。

2组结节的实性成分体积占比、实性成分质量占比、最大CT值、平均CT值、中位数、标准差、偏度、熵差异均有统计学意义（均Plt;0.05）。

2.3" 二元logistic回归分析

将2组差异有统计学意义的人工智能定量参数及CT影像特征行二元logistic回归分析，结果显示实性成分质量占比、平均CT值、内部血管征是预测肺腺癌磨玻璃结节生长的独立危险因素（表3，4）。

2.4" 肺腺癌磨玻璃结节生长独立危险因素的ROC曲线分析

将logistic回归分析得出的独立危险因素行ROC曲线分析，结果表明在区分肺腺癌磨玻璃结节生长与稳定病变中，实性成分质量占比的诊断效能最高，AUC为0.835，当实性成分质量占比gt;5%，诊断敏感度为84.7%，特异度为76.8%；其次是平均CT值的诊断效能，AUC为0.766，当平均CT值gt;-454.80 HU时，诊断敏感度为69.5%，特异度为79.7%；内部血管征的诊断效能相对较低，AUC为0.693，当结节内出现内部血管异常时，诊断敏感度为66.1%，特异度为72.5%（图4）。

3" 讨论

本研究中肺腺癌患者多见于女性，且生长组患者年龄显著偏大，原因可能为年龄增长导致免疫功能减弱和肿瘤增殖增强，与Sun等［8-9］报道一致。生长组中浸润腺癌比例高，且生长迅速；而稳定组中原位腺癌和微浸润腺癌占比较高，表明这些病理类型的磨玻璃结节生长相对缓慢。

3.1" CT影像特征对肺腺癌磨玻璃结节生长趋势的预测

本研究发现，类圆形的肺结节更易生长，推测圆形肺结节因较少受周围组织限制，可能更易获取养分，生长更均匀快速，与文献［9］报道基本一致。但也有学者认为，不规则结节常提示浸润腺癌的恶性转化［10-11］。此外，混合磨玻璃结节较纯磨玻璃结节有更高的生长风险，混合磨玻璃结节中实性成分的存在可能反映肿瘤细胞的增殖更活跃，从而导致结节生长速度更快。

本研究显示，空泡征、支气管异常征及分叶征在肺腺癌磨玻璃结节的生长组与稳定组间差异有统计学意义。空泡征提示细胞坏死或气体积聚，预示结节可能生长或恶变；支气管异常征反映肿瘤对支气管的压迫或浸润；分叶征则显示肿瘤异质性和生长速度差异。尽管这些特征为非独立危险因素，但其对肺腺癌磨玻璃结节生长的诊断有一定价值，但具体病理机制仍需深入探究。血管重构或新生血管生成是肿瘤发展早期的起始事件之一［12］。本研究中内部血管征是预测肺腺癌磨玻璃结节生长的独立危险因素，内源性和/或外源性肿瘤血管生成和新生血管可能是早期肺癌血管异常的驱动因素，异常的结节内血管为肿瘤提供更多的营养物质，促进生长。研究报道，结节直径、体积越大，累积增长率越高［13］，而本研究提示，结节大小无法准确预测其生长与稳定性，同时毛刺征和胸膜牵拉征等边缘特征在预测肺腺癌磨玻璃结节生长与稳定性方面的作用有限［8］。

3.2" 人工智能定量参数对肺腺癌磨玻璃结节生长趋势的预测

本研究中人工智能定量参数分析显示，肺腺癌磨玻璃结节的实性成分体积占比、实性成分质量占比、最大及平均CT值等参数在生长组与稳定组间差异有统计学意义。其中，实性成分质量占比和平均CT值被确定为预测肺腺癌结节生长的独立危险因素。关于结节内实性成分对预测肺腺癌磨玻璃结节生长与稳定性的判断，文献报道并不一致，Xia等［9，14］的研究显示磨玻璃结节中新的实性成分及实性成分的大小均与肺腺癌磨玻璃结节生长相关。但也有研究认为，磨玻璃结节中实性成分的出现并不是肺腺癌磨玻璃结节生长的危险因素［15］。Sato等［16］发现，单变量分析示磨玻璃结节中的实性成分是肺腺癌磨玻璃结节生长的一个影响因素，而多变量分析结果却与之相反。尽管文献对实性成分在预测中的作用存在分歧，本研究发现实性成分质量占比更能反映肿瘤细胞的增殖活动，为预测肺腺癌磨玻璃结节生长提供了新视角。生长组肺腺癌磨玻璃结节的最大CT值、平均CT值比稳定组更高，较高的CT值提示肺腺癌磨玻璃结节内部的实性成分更多，与Bak等［17-18］研究结果一致。平均CT值反映结节整体密度，是肺腺癌磨玻璃结节生长的独立风险因素。Mao等［19］研究了表现为纯磨玻璃结节肺腺癌的CT值与病理结果，发现平均CT值每增加100 HU，肿瘤成分增加约10%，提示平均CT值可反映结节内部密度和组织成分。另外，在磨玻璃结节CT值分布的研究中，本研究发现中位数、标准差、偏度及熵组间差异均有统计学意义。中位数虽是代表性指标，但在离散型的偏态分布数据中，中位数的代表性会受到一定的影响；标准差反映像素值离散程度；偏度是CT值分布偏斜方向和程度的数字特征，体现CT值分布的对称性，如果CT值均匀分布，偏度就低，本研究中生长组CT值较稳定组分布更均匀；熵则衡量图像纹理复杂性，有研究提出图像纹理越复杂，熵越高［20］，本研究中生长组比稳定组的熵更高，但熵不是判断肺腺癌磨玻璃结节生长的独立危险因素，还需后续研究验证。

本研究将实性成分质量占比、平均CT值、内部血管征等独立危险因素纳入ROC曲线进行分析，发现实性成分质量占比对肺腺癌磨玻璃结节生长的诊断效能最高（AUC=0.835），提示实性成分质量占比是一个重要的预测因子；当平均CT值gt;-454.80 HU时，结节更易生长，敏感度69.5%、特异度79.7%，提示平均CT值可作为肺腺癌磨玻璃结节生长的预测指标。内部血管征也是肺腺癌磨玻璃结节生长的独立危险因素，但其预测生长的效能相对较低，原因可能为内部血管征的评估受到影像学检查技术、观察者间差异等多种因素的影响。

本研究的局限性：①为回顾性研究，随访周期不完全一致，可能存在选择偏倚；②样本量较小，可能影响结果的稳定性和可靠性；③仅分析CT影像特征、人工智能定量参数与肺腺癌磨玻璃结节生长的关系，未探讨分子机制。未来需扩大样本量，进行前瞻性研究，以全面解析肺腺癌磨玻璃结节的演变过程。

总之，肺腺癌磨玻璃结节的CT影像特征及人工智能定量参数分析显示，内部血管征、实性成分质量占比、平均CT值是预测肺腺癌磨玻璃结节生长的危险因素。

［参考文献］

［1］ 中华医学会呼吸病学分会. 早期肺癌诊断中国专家共识（2023年版）［J］. 中华结核和呼吸杂志，2023，46（1）：1-18.

［2］ 尹泚，毛文杰，李斌，等. 人工智能系统在肺结节检出及良恶性鉴别中的应用研究［J］. 中华胸心血管外科杂志，2020，36（9）：553-556.

［3］ ZHANG R，TIAN P，QIU Z，et al. The growth feature and its diagnostic value for benign and malignant pulmonary nodules met in routine clinical practice［J］. J Thorac Dis，2020，12（5）：2019-2030.

［4］ 中华医学会呼吸病学分会肺癌学组，中国肺癌防治联盟专家组. 肺结节诊治中国专家共识（2018年版）［J］. 中华结核和呼吸杂志，2018，41（10）：763-771.

［5］ HOREWEG N，SCHOLTEN E T，DE JONG P A，et al. Detection of lung cancer through low-dose CT screening （NELSON）：a prespecified analysis of screening test performance and interval cancers［J］. The Lancet Oncol，2014，15（12）：1342-1350.

［6］ DEVARAJ A，VAN GINNEKEN B，NAIR A，et al. Use of volumetry for lung nodule management：theory and practice［J］. Radiology，2017，284（3）：630-644.

［7］ BANKIER A A，MACMAHON H，GOO J M，et al. Recommendations for measuring pulmonary nodules at CT：a statement from the fleischner society［J］. Radiology，2017，285（2）：584-600.

［8］ SUN Y，MA Z，ZHAO W，et al. Computed tomography radiomics in growth prediction of pulmonary ground-glass nodules［J］. Eur J Radiol，2023，159：110684.

［9］ XIA T，CAI M，ZHUANG Y，et al. Risk factors for the growth of residual nodule in surgical patients with adenocarcinoma presenting as multifocal ground-glass nodules［J］. Eur J Radiol，2020，133：109332.

［10］ WENG Q，ZHOU L，WANG H，et al. A radiomics model for determining the invasiveness of solitary pulmonary nodules that manifest as part-solid nodules［J］. Clin Radiol，2019，74（12）：933-943.

［11］ MEI X，WANG R，YANG W，et al. Predicting malignancy of pulmonary ground-glass nodules and their invasiveness by random forest［J］. J Thorac Dis，2018，10（1）：458-463.

［12］ GAO F，LI M，GE X，et al. Multi-detector spiral CT study of the relationships between pulmonary ground-glass nodules and blood vessels［J］. Eur Radiol，2013，23（12）：3271-3277.

［13］ QI L L，WU B T，TANG W，et al. Long-term follow-up of persistent pulmonary pure ground-glass nodules with deep learning-assisted nodule segmentation［J］. Eur Radiol，2020，30（2）：744-755.

［14］ LEE H W，JIN K N，LEE J K，et al. Long-term follow-up of ground-glass nodules after 5 years of stability［J］. J Thorac Oncol，2019，14（8）：1370-1377.

［15］ YOON H Y，BAE J Y，KIM Y，et al. Risk factors associated with an increase in the size of ground-glass lung nodules on chest computed tomography［J］. Thorac Cancer，2019，10（7）：1544-1551.

［16］ SATO Y，FUJIMOTO D，MORIMOTO T，et al. Natural history and clinical characteristics of multiple pulmonary nodules with ground glass opacity［J］. Respirology，2017，22（8）：1615-1621.

［17］ BAK S H，LEE H Y，KIM J H，et al. Quantitative CT Scanning analysis of pure ground-glass opacity nodules predicts further CT scanning change［J］. Chest，2016，149（1）：180-191.

［18］ SHI Z，DENG J，SHE Y，et al. Quantitative features can predict further growth of persistent pure ground-glass nodule［J］. Quant Imaging Med Surg，2019，9（2）：283-291.

［19］ MAO H，LABH K，HAN F，et al. Diagnosis of the invasiveness of lung adenocarcinoma manifesting as ground glass opacities on high-resolution computed tomography［J］. Thorac Cancer，2016，7（1）：129-135.

［20］ 吕燕，叶靖，凌俊. 纹理分析评估肺磨玻璃结节样腺癌的浸润性：基于CT平扫与增强图像的对照研究［J］. 放射学实践，2021，36（12）：1503-1508.

（收稿日期" 2024-03-14）