肺结节患者恶性肿瘤预测模型的评估
肺结节模型 评价指标
肺结节模型的评价指标主要包括以下几种：
1. 精确度（Precision）：预测为正样本中实际为正样本的概率。
2. 召回率（Recall）：实际为正样本的样本中被预测为正样本的概率。
3. F1值（F1-score）：精确度和召回率的调和平均数。
4. AUC（Area Under Curve）：ROC曲线下的面积，用于衡量模型的分类性能。
5. 诊断准确率：对肺结节进行良恶性判断的准确率。
6. 灵敏度（Sensitivity）：又称真阳性率，实际为正样本的样本中被预测为正样本的概率。
7. 特异性（Specificity）：又称真阴性率，实际为负样本的样本中被预测为负样本的概率。
这些评价指标用于评估肺结节模型的性能和诊断准确性。
在实际应用中，需要根据实际需求和关注点选择合适的评价指标。
肺结节良恶性概率预测模型的建立与验证
㊃肿瘤专栏㊃[收稿日期]2023-03-17[基金项目]广安市肺结节/肺癌全程管理研究(2020S Y F 03)[作者简介]黄语嫣(1994-),女,四川德阳人,川北医学院附属医院医学硕士研究生,从事呼吸肿瘤诊治研究㊂*通信作者㊂E -m a i l :l a n q i l i l y@163.c o m 肺结节良恶性概率预测模型的建立与验证黄语嫣1,邓太兵2,庞 敏1,姜永杰1,蒋 莉1*(1.川北医学院附属医院呼吸与危重症医学科,四川南充637000;2.四川省广安市人民医院呼吸与危重症医学,四川广安638001) [摘要] 目的通过分析肺结节的临床特征和影像学表现,筛选影响肺结节良恶性的因素,并建立及验证预测模型,为肺结节良恶性的鉴别提供参考依据㊂方法选取肺结节患者1160例为研究对象,所有患者按2ʒ1随机分为2组,建模组773例,验证组387例㊂建模组数据进行单因素分析,差异有统计学意义的变量纳入二元L o g i s t i c 回归分析,获得肺结节良恶性病变的独立预测因子,建立良恶性概率预测模型㊂验证并比较本研究模型与传统经典模型M a yo 模型㊁B r o c k 模型㊁V A 模型㊁北京大学人民医院模型之间的预测性能㊂结果性别㊁年龄㊁肺癌家族史㊁结节质地㊁结节直径㊁分叶征㊁空泡征㊁血管集束征㊁钙化征㊁细支气管征㊁胸膜牵拉征为肺结节良恶性病变的独立预测因子(P <0.05)㊂本研究模型的受试者工作特征曲线下面积(0.856)高于M a y o 模型(0.604)㊁B r o c k 模型(0.447)㊁V A 模型(0.569)及北京大学人民医院模型(0.677),其预测敏感度为86.10%,特异度为73.70%㊂结论本研究构建的预测模型具有良好的诊断效能,可能优于传统经典模型,对临床医生鉴别肺结节的良恶性有一定的参考价值㊂[关键词] 多发性肺结节;肺肿瘤;预测模型 d o i :10.3969/j .i s s n .1007-3205.2024.03.005 [中图分类号] R 734.2 [文献标志码] A [文章编号] 1007-3205(2024)03-0278-06E s t a b l i s h m e n t a n dv a l i d a t i o no f p r o b a b i l i t yp r e d i c t i o nm o d e l f o r b e n i gn a n dm a l i g n a n t p u l m o n a r y no d u l e s HU A N G Y u -y a n 1,D E N G T a i -b i n g 2,P A N G M i n 1,J I A N G Y o n g -ji e 1,J I A N GL i 1*(1.D e p a r t m e n t o f R e s p i r a t o r y a n dC r i t i c a lC a r eM e d i c i n e ,t h eA f f i l i a t e d H o s p i t a l o f No r t hS i c h u a n M e d i c a lC o l l e g e ,N a n c h o n g 637000,C h i n a ;2.D e p a r t m e n t o f R e s p i r a t o r y an d C r i t i c a lC a r eM e d i c i n e ,G u a n g 'a nP e o p l e 'sH o s pi t a l ,S i c h u a nP r o v i n c e ,G u a n g'a n 638001,C h i n a )[A b s t r a c t ] O b j e c t i v e T oa n a l y z e t h e c l i n i c a l c h a r a c t e r i s t i c s a n d i m a g i n g m a n i f e s t a t i o n so f p u l m o n a r y n o d u l e s ,t o s c r e e n t h e f a c t o r s t h a t a f f e c t t h em a l i g n a n c y o f p u l m o n a r y no d u l e s ,a n d t o e s t a b l i s ha n dv a l i d a t e p r e d i c t i o nm o d e l s ,t h u s p r o v i d i n g a r e f e r e n c e b a s i s f o r t h e d i f f e r e n t i a t i o n o f b e n i g na n d m a l i g n a n t p u l m o n a r y n o d u l e s .M e t h o d s At o t a lo f1160p a t i e n t sw i t h p u l m o n a r y n o d u l e sw e r e s e l e c t e da s t h e r e s e a r c hs u b j e c t s ,a n dt h e nr a n d o m l y d i v i d e d i n t o t w o g r o u psa t a r a t i oo f 2ʒ1:am o d e l i n gg r o u p (n =773)a n dav a l i d a t i o n g r o u p (n =387).U n i v a r i a t ea n a l ys i s w a sc o n d u c t e d o n t h e d a t a o f m o d e l i n g g r o u p ,a n d v a r i a b l e s w i t h s t a t i s t i c a l l y s i g n i f i c a n t d i f f e r e n c e sw e r e i n c l u d e di nb i n a r y l o g i s t i cr e g r e s s i o na n a l y s i st oo b t a i ni n d e pe n d e n t p r e d i c t i v ef a c t o r s f o rb e n ig na n d m a l i g n a n t p u l m o n a r y n o d u l e s ,a n dt oe s t a b l i s ha p r o b a b i l i t ypr e d i c t i o n m o d e l f o r b e n i g n a n dm a l i g n a n t l e s i o n s .T h e p r e d i c t i v e p e r f o r m a n c e o f t h i sm o d e l w i t h t r a d i t i o n a l ㊃872㊃第45卷第3期2024年3月河北医科大学学报J O U R N A L O F H E B E I M E D I C A L U N I V E R S I T YV o l .45 N o .3M a r . 2024c l a s s i cm ode l s s u c ha s M a y o m o d e l,B r o c k m o d e l,V A m o d e l,a n d m o d e l o fP e k i n g U n i v e r s i t y P e o p l e's H o s p i t a lw a sv e r if i e da n dc o m p a r e d.R e s u l t s Ag e,g e n d e r,f a m i l yhi s t o r y o fl u n g c a n c e r,n o d u l e t e x t u r e,n o d u l ed i a m e t e r,l o b u l a t i o ns i g n,v a c u o l a r s i g n,v a s c u l a rb u n d l es i g n, c a l c i f i c a t i o ns i g n,b r o n c h i o l i t i ss i g n,a n d p l e u r a l t r a c t i o ns i g n w e r ei n d e p e n d e n t p r e d i c t o r so fb e n i g na n d m a l i g n a n t p u l m o n a r y n o d u l e s(P<0.05).T h ea r e au n d e rt h er ec e i v e ro p e r a t i n gc h a r a c t e r i s t i c(R O C)c u r v e(A U C)o f t h i sm ode l(0.856)w a s h i g h e r t h a n t h a t of t h eM a y om o d e l(0.604),B r o c km o d e l(0.447),V A m o d e l(0.569),a n d m o d e lo fP e k i n g U n i v e r s i t y P e o p l e'sH o s p i t a l(0.677),w i t ha p r e d i c t i v e s e n s i t i v i t y o f86.10%a n d a s p e c i f i c i t y o f73.70%.C o n c l u s i o n T h e p r e d i c t i o nm o d e l c o n s t r u c t e d i n t h i s s t u d y i sw i t h g o o dd i a g n o s t i c e f f i c a c y,w h i c h m a y b e s u p e r i o r t o t h e t r a d i t i o n a lm o d e l s,w h i c hh a s g r e a t e r r e f e r e n c ev a l u e f o r c l i n i c i a n s t od i s t i n g u i s h t h eb e n i g na n dm a l i g n a n t p u l m o n a r y n o d u l e s.[K e y w o r d s] m u l t i p l e p u l m o n a r y n o d u l e s;l u n g n e o p l a s m s;p r e d i c t i o nm o d e l肺结节是影像学上直径ɤ3c m的局灶㊁密度增高的肺部阴影,性质为实性或亚实性,可以是孤立性或多发性,且无肺不张㊁肺门淋巴结肿大及胸腔积液[1]㊂由于近年来人们对体检的重视及低剂量计算机断层扫描(l o w-d o s e h e l i c a l c o m p u t e d t o m o g r a p h y,L D C T)的广泛应用,肺结节的检出率明显升高㊂研究[2]显示,在北美㊁欧洲和东亚地区,肺结节的发病率分别为23%㊁29%㊁35.5%,恶变率分别为1.7%㊁1.2%㊁0.54%㊂如今,肺癌仍为世界癌症死亡的主要原因㊂肺癌的5年生存率从I A1期至I V B期为92%~100%㊂早期诊断肺癌尤为重要㊂美国肺癌筛查结果显示,L D C T的应用使肺癌病死率相对降低20%㊂但C T筛查可出现大量假阳性结果[3],增加后期随访及治疗的经济负担和精神负担㊂活检为有创检查,不必要情况下需尽量避免㊂因此,运用肺结节良恶性预测模型,在活检之前评估肺癌的概率十分重要㊂基于此,本研究旨在通过分析肺结节的临床特征和影像学表现,筛选影响肺结节良恶性的因素,并建立及验证预测模型,为肺结节良恶性的鉴别提供参考依据㊂1资料与方法1.1一般资料选取2019年1月 2021年11月川北医学院附属医院和广安市人民医院收治的肺结节患者1160例为试验组,其中男性544例,女性616例,平均年龄(56.37ʃ10.56)岁,恶性结节共805例,占69.40%,良性结节共355例,占30.60%㊂纳入标准:①胸部C T示直径介于5~30mm的肺结节病例;②肺部原发,病理诊断明确,恶性可为外科手术和小活检标本,良性为外科手术标本;③病理诊断前半年内在研究中心拍摄过胸部C T㊂排除标准:①完全钙化结节;②临床信息不完整,无法采集数据;③既往肺癌病史㊂本研究通过医院伦理委员会批准㊂所有患者及其家属均知情同意且签署知情同意书㊂1.2数据收集收集患者的临床资料㊁结节的影像学特征㊂临床资料包括性别㊁年龄㊁吸烟史㊁年吸烟量㊁粉尘接触史㊁合并症(慢性阻塞性肺病㊁弥漫性肺纤维化㊁既往肺结核㊁尘肺)㊁既往恶性肿瘤史㊁恶性肿瘤家族史㊁肺癌家族史㊁非肺癌恶性肿瘤家族史㊂影像学特征包括结节质地(实性结节㊁混合磨玻璃结节㊁纯磨玻璃结节)㊁结节直径(mm)㊁结节位置(右肺上㊁中㊁下叶;左肺上㊁下叶)㊁结节形态㊁边缘光滑与否㊁毛刺征㊁分叶征㊁钙化征㊁空洞征㊁空泡征㊁血管集束征㊁细支气管征㊁胸膜牵拉征㊂影像学特征由影像科医生判读结果为准㊂1.3构建及验证模型所有患者按2ʒ1随机分为2组,建模组773例,验证组387例㊂建模组数据进行单因素分析,差异有统计学意义的变量纳入二元L o g i s t i c回归分析,获得肺结节良恶性病变的独立预测因子,建立良恶性概率预测模型㊂绘制受试者工作特征(r e c e i v e ro p e r a t i n g c h a r a c t e r i s t i c,R O C)曲线,计算曲线下面积(a r e au n d e r c u r v e,A U C),确定最佳诊断分界点,计算敏感度(s e n s i t i v i t y,S e)㊁特异度(s p e c i f i c i t y,S p)㊁阳性预测值(p o s i t i v e p r e d i c t i v ev a l u e,P P V)㊁阴性预测值(n e g a t i v e p r e d i c t i v ev a l u e,N P V)㊁正确率(a c c u r a c y,A c c)㊂将验证组代入M a y o模型㊁B r o c k模型㊁V A模型㊁P K U P H模型及本研究模型,绘制R O C曲线,计算不同模型的A U C㊁S e㊁S p㊁P P V㊁N P V㊁A c c,比较模型预测性能㊂1.4统计学方法应用S P S S26.0统计软件分析数据㊂计量资料比较采用t检验和M a n n-W h i t n e y U检验,计数资料比较采用χ2检验,采用二元㊃972㊃河北医科大学学报第45卷第3期L o gi s t i c 回归分析获得预测独立因子,绘制R O C 曲线检测最佳诊断分界点㊂P <0.05为差异有统计学意义㊂2 结 果2.1 建模组的单因素分析 良恶性病变组在性别㊁年龄㊁吸烟史㊁年吸烟量㊁肺癌家族史㊁结节质地㊁结节直径㊁结节边缘和形态㊁分叶征㊁钙化征㊁空泡征㊁血管集束征㊁细支气管征㊁胸膜牵拉征方面的比较差异有统计学意义(P <0.05),见表1㊂表1 建模组肺结节的单因素分析T a b l e 1 U n i v a r i a t e a n a l y s i s o f p u l m o n a r y n o d u l e s i n t h em o d e l i n g g r o u p组别例数性别(例数,%)男性女性年龄(x -ʃs ,岁)吸烟史(例数,%)有无年吸烟量(例数,%)ȡ400支/年<400支/年良性病变组262156(59.5)106(40.5)55.53ʃ10.3089(34.0)173(66.0)86(32.8)176(67.2)恶性病变组511216(42.3)295(57.7)57.78ʃ10.44136(26.6)375(73.4)126(24.7)385(75.3)χ2/t 值20.6962.8594.5405.804P 值<0.0010.0040.0330.016组别例数恶性肿瘤家族史(例数,%)有无肺癌家族史(例数,%)有无非肺癌家族史(例数,%)有无良性病变组2626(2.3)256(97.7)2(0.8)260(99.2)5(1.9)257(98.1)恶性病变组51120(3.9)491(96.1)17(3.3)494(96.7)5(1.0)506(99.0)χ2/t 值1.4054.7470.558P 值0.2360.0290.455组别例数胸膜牵拉征(例数,%)有无质地(例数,%)实性结节混合磨玻璃结节纯磨玻璃结节良性病变组262144(55.0)118(45.0)208(79.4)25(9.5)29(11.1)恶性病变组511334(65.4)177(34.6)300(58.7)156(30.5)55(10.8)χ2/t 值7.93843.864P 值0.005<0.001组别例数位置(例数,%)右上右中右下左上左下形态(例数,%)规则不规则良性病变组26294(35.9)17(6.5)62(23.7)48(18.3)41(15.6)25(9.5)237(90.5)恶性病变组511170(33.3)43(8.4)87(17.0)129(25.2)82(16.0)21(4.1)490(95.9)χ2/t 值8.7779.133P 值0.0670.003组别例数边缘(例数,%)光滑不光滑毛刺征(例数,%)有无细支气管征(例数,%)有无良性病变组26243(16.4)219(83.6)67(25.6)195(74.4)22(8.4)240(91.6)恶性病变组51155(10.8)456(89.2)164(32.1)347(67.9)174(34.1)337(65.9)χ2/t 值4.9923.51560.225P 值0.0250.061<0.001组别例数分叶征(例数,%)有无钙化征(例数,%)有无空洞征(例数,%)有无良性病变组262210(80.2)52(19.8)2(0.4)509(99.6)4(1.5)258(98.5)恶性病变组511442(86.5)69(13.5)16(6.1)246(93.9)13(2.5)498(97.5)χ2/t 值5.28024.8760.833P 值0.022<0.0010.361组别例数空泡征(例数,%)有无血管集束征(例数,%)有无良性病变组26221(8.0) 241(92.0)141(53.8)121(46.2)恶性病变组51170(13.7)441(86.3)442(86.5)69(13.5)χ2/t 值5.38699.782P 值0.020<0.0012.2 多因素分析结果 以肺结节病变良恶性为因变量(良性=0,恶性=1)以单因素分析中差异有统计学意义的变量为自变量(赋值表见表2),纳入二元L o g i s t i c 回归分析,结果显示性别㊁年龄㊁肺癌家族史㊁结节质地㊁结节直径㊁分叶征㊁空泡征㊁血管集束征㊁钙化征㊁细支气管征㊁胸膜牵拉征为肺结节良恶性病变的独立预测因子(P <0.05)㊂结节质地中,混合磨玻璃更易发生恶性病变(P <0.05)㊂见表3㊂㊃082㊃河北医科大学学报 第45卷 第3期表2L o g i s t i c回归分析法赋值T a b l e2L o g i s t i c r e g r e s s i o na n a l y s i s a s s i g n m e n t s变量赋值变量赋值变量赋值年龄连续变量年吸烟量<400支/年=0,ȡ400支/年=1肺癌家族史无=0,有=1性别男性=0,女性=1钙化征无=0,有=1结节直径连续变量吸烟史无=0,有=1质地纯磨玻璃结节=1,混合磨玻璃结节=2,实性结节=3血管集束征无=0,有=1分叶征无=0,有=1形态不规则=0,规则=1胸膜牵拉征无=0,有=1空泡征无=0,有=1边缘不光滑=0,光滑=1细支气管征无=0,有=1表3建模组肺结节的多因素分析T a b l e3M u l t i v a r i a t e a n a l y s i s o f p u l m o n a r y n o d u l e s i n t h em o d e l i n g g r o u p 指标回归系数标准误W a l dχ2值P值O R值95%C I 年龄0.0210.0104.7750.0291.0211.002~1.041性别0.9250.19921.543<0.0012.5211.706~3.725肺癌家族史1.6570.8114.1780.0415.2441.071~25.686结节质地纯磨玻璃结节0.8550.3147.4300.0062.3511.271~4.345混合性磨玻璃结节2.0800.30247.534<0.0018.0074.432~14.464结节直径0.0600.01613.144<0.0011.0611.028~1.096分叶征0.5690.2804.1360.0421.7661.021~3.054钙化征-4.2000.99917.676<0.0010.0150.002~0.106空泡征1.0930.32511.3240.0012.9821.578~5.634血管集束征1.9510.22475.785<0.0017.0374.535~10.918细支气管征1.6880.27437.862<0.0015.4113.160~9.265胸膜牵拉征0.5150.2175.6270.0181.6741.094~2.563 2.3构建和评价临床预测模型预测模型使用以下公式计算恶性概率:恶性概率(P)=e x/(1+e x),x=-4.890+(0.021ˑ年龄)+(0.925ˑ性别)+(1.657ˑ肺癌家族史)+(0.855ˑ纯磨玻璃结节)+(2.080ˑ混合磨玻璃结)+(0.515ˑ胸膜牵拉征)+(0.569ˑ分叶征)+(0.06ˑ结节直径+1.093ˑ空泡征-4.2ˑ钙化征+1.951ˑ血管集束征+1.688ˑ细支气管征)㊂其中,e为自然对数,X方程中,性别为女,取值为1,性别为男,取值为0;对于肺癌家族史㊁纯磨玻璃结节㊁混合磨玻璃结节㊁血管集束征㊁钙化征㊁空泡征㊁细支气管征㊁胸膜牵拉征㊁分叶征,有对应元素取值为1,否则为0㊂绘制建模组R O C曲线(图1),其A U C为0.852(95%C I:0.823~0.881)㊂模型最佳诊断分界点为0.667,S e为78.5%,S p为80.0%,P P V为87.0%,N P V 为78.0%,A c c为78.0%㊂2.4模型的验证及比较将验证组数据代入M a y o 模型㊁B r o c k模型㊁V A模型㊁P K U P H模型及本研究模型,绘制R O C曲线(图2),比较各模型的A U C㊁S e㊁S p㊁P P V㊁N P V㊁A c c,结果显示本研究模型A U C 明显高于其余4种模型,其预测敏感度为86.10%,特异度为73.70%,见表4㊂图1建模组的R O C曲线F i g u r e1R O Cc u r v e o f t h em o d e l i n g g r o u p图2验证组各模型的R O C曲线F i g u r e2R O Cc u r v e o f e a c hm o d e l i n t h e v a l i d a t i o n g r o u p㊃182㊃河北医科大学学报第45卷第3期表4 验证组各模型的预测性能T a b l e 4 P r e d i c t i o n p e r f o r m a n c e o f e a c hm o d e l i n t h e v a l i d a t i o n g r o u p模型A U CS e (%)S p (%)P P V (%)P V 值(%)A C C (%)95%C IM a yo 0.60451.4080.9082.0032.0056.000.541~0.666B r o c k 0.44710.4090.9074.000.0074.000.381~0.514P K U P H 0.67763.9064.6084.0038.0064.000.615~0.738V A 0.56968.1047.5079.0034.0063.000.503~0.634本研究0.85686.1073.7091.0065.0083.000.811~0.9013 讨 论M a yo 模型㊁B r o c k 模型㊁V A 模型㊁P K U P H 模型均在国内群体验证过且是最被感兴趣的国内外经典良恶性概率预测模型[4]㊂但M a yo 模型的影像学资料来源于胸部X 线片,约12%的肺结节无确切的良恶性诊断结果[5],可能导致模型的准确性欠佳㊂B r o c k 模型纳入的患者年龄50~75岁,均有吸烟史,且排除了既往肿瘤史患者[6],模型的适用人群范围可能较窄㊂V A 模型研究主体人群为老年白人男性,且90%以上的患者有吸烟史[7],导致模型在女性患者中应用受限㊂前3个模型均是基于非亚洲人群建立的,亚太结节评估指南指出,在非亚洲人群中开发的评估模型可能存在不适用性㊂P K U P H 模型基于国内人群建立,在国内应用较广泛,但该模型排除了5年内有恶性肿瘤史的患者[8],使得其运用范围受到一定的限制㊂而本研究分析了2个中心共1160例肺结节患者患者多达23项临床数据和影像学特征,所有病例都有完整的影像学数据及明确的病理诊断,经过单因素㊁多因素分析,筛选了11项肺结节良恶性独立预测因子,构建了新的预测模型,用于评估肺结节的恶性风险,验证并比较了新模型与M a yo 模型㊁B r o c k 模型㊁V A 模型㊁P K U P H 模型之间的预测性能,结果显示本模型的A U C 大于经典模型,证明本研究模型预测肺结节良恶性能力可能优于现有的4个模型,对于良恶性肺结节的鉴别可能有更高的临床价值㊂与上述4个经典预测模型一样,本研究模型中也包含性别㊁年龄㊁结节直径㊁钙化征,另外,本研究模型新增了结节质地(包括纯磨玻璃和混合磨玻璃)㊁血管集束征㊁空泡征㊁细支气管征㊁胸膜牵拉征㊁分叶征和肺癌家族史㊂M c W i l l i a m s 等[6]对1871例包括7008个肺结节的研究显示,混合磨玻璃结节类型是癌症的预测因素㊂本研究结果也显示结节质地是肺结节良恶性的危险因素,并且混合磨玻璃结节恶性风险更高㊂血管征是恶性肿瘤的重要指标,肿瘤的生长和转移依赖于新生血管㊂血管集束征在良性结节中占31%,恶性结节中占54%㊂Z h o u 等[9]建立的孤立性肺结节恶性肿瘤风险临床模型中,纳入血管集束征为危险因素㊂本研究结果与既往研究结果一致,认为有血管集束征的肺结节恶性风险更大㊂肺结节中直径<5mm 的低密度区为空泡征,而低密度区连续多个层面,直达结节外缘为细支气管征㊂本研究结果显示空泡征和细支气管征为恶性肺结节的危险因素,与既往研究结果一致㊂X i a 等[10]建立肺癌预测模型中包括了空泡征和细支气管征,Z h a o 等[11]也将细支气管征纳入预测模型,H o u 等[12]认为空泡征的存在与恶性结节相关㊂本研究模型中还包括胸膜牵拉征和分叶征,X i a 等[10]研究显示,胸膜牵拉征和分叶征均为恶性肺结节的独立预测因素,Z h a o 等[11]同样在肺结节的良恶性预测模型中纳入了胸膜牵拉征,Y u 等[13]开发的孤立性肺结节恶性预测模型中也包括了分叶征㊂肺癌家族史与肺癌风险相关并被用作肺癌风险的预测因子[14],M c W i l l i a m s 等[6]研究中建立的完整模型也将肺癌家族史归为癌症的预测因素㊂本研究模型中不包括毛刺征㊁上叶位置和吸烟史㊂毛刺征也可出现于良性病变中㊂荟萃分析[15]显示周围型肺癌和炎性假瘤都可有毛刺征,但肺癌的毛刺短而细,炎性假瘤的毛刺长而粗㊂W e i 等[16]研究表明肺结核也有毛刺表现,王新强等[17]在错构瘤中显示毛刺征,X i a o 等[18]报道了肺部炎性结节中有毛刺征㊂本研究单因素分析显示毛刺征在肺结节良恶性方面比较差异无统计学意义,可能与本研究中肺结核㊁炎性假瘤及炎性结节占比较大相关㊂对于上叶位置,其是我国肺结核好发部位,因此对于位于上叶位置的肺结节恶性概率大的说法并不完全适合我国[1]㊂本研究中腺癌比率明显高于鳞癌,与既往研究[4]一致㊂近年来,可能由于空气污染等原因,非吸烟肺癌患者比率逐年升高,且女性腺癌发病率较高㊂有对中国不同地区6家医院的8392名员工的体检资料的研究,结果也显示肺癌患者中非吸烟者多于吸烟者[19]㊂综上所述,本研究筛选出性别㊁年龄㊁肺癌家族史㊁结节质地㊁结节直径㊁分叶征㊁空泡征㊁血管集束㊃282㊃河北医科大学学报 第45卷 第3期征㊁钙化征㊁细支气管征㊁胸膜牵拉征是判断肺结节良恶性病变的独立预测因子㊂结节质地中,磨玻璃结节发生恶性病变的风险高于实性结节,且混合磨玻璃结节更容易发生恶性病变㊂本研究建立的预测模型区分度优于传统经典模型,但本研究模型在其他人群中的表现是否也优于传统模型,还需要更多研究验证㊂[参考文献][1]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.[2]S u n g H,F e r l a y J,S i e g e lR L,e ta l.G l o b a lc a n c e rs t a t i s t i c s2020:G L O B O C A N e s t i m a t e s o fi n c i d e n c e a n d m o r t a l i t yw o r l d w i d e f o r36c a n c e r s i n185c o u n t r i e s[J].C A C a n c e rJC l i n,2021,71(3):209-249.[3] H e X,X u e N,L i u X,e t a l.A n o v e lc l i n i c a l m o d e lf o rp r e d i c t i n g m a l i g n a n c y o f s o l i t a r y p u l m o n a r y n o d u l e s:am u l t i c e n t e r s t u d y i n c h i n e s e p o p u l a t i o n[J].C a n c e rC e l l I n t,2021,21(1):115.[4]王昭珏,赵静,王孟昭.孤立性肺结节恶性概率预测模型的研究进展及临床应用[J].中国肺癌杂志,2021,24(9):660-667.[5]S w e n s e n S J,S i l v e r s t e i n M D,I l s t r u p D M,e t a l.T h ep r o b a b i l i t y o f m a l i g n a n c y i n s o l i t a r y p u l m o n a r y n o d u l e s.A p p l i c a t i o n t o s m a l l r a d i o l o g i c a l l y i n d e t e r m i n a t en o d u l e s[J].A r c h I n t e r n M e d,1997,157(8):849-855.[6] M c W i l l i a m sA,T a mm e m a g iM C,M a y oJ R,e t a l.P r o b a b i l i t yo f c a n c e r i n p u l m o n a r y n o d u l e s d e t e c t e d o n f i r s t s c r e e n i n g C T[J].NE n g l JM e d,2013,369(10):910-919.[7] G o u l d MK,A n a n t hL,B a r n e t tP G,e t a l.Ac l i n i c a lm o d e l t oe s t i m a t e t h e p r e t e s t p r o b a b i l i t y of l u ng c a n c e r i n p a t i e n t sw i t hs o l i t a r yp u l m o n a r y n o d u l e s[J].C h e s t,2007,131(2):383-388.[8]李运,陈克终,隋锡朝,等.孤立性肺结节良恶性判断数学预测模型的建立[J].北京大学学报(医学版),2011,43(3):450-454.[9] Z h o uL,Z h o uZ,L i uF,e t a l.E s t a b l i s h m e n t a n dv a l i d a t i o no fa c l i n i c a lm o d e l f o r d i a g n o s i n g s o l i t a r y p u l m o n a r y n o d u l e s[J].J S u r g O n c o l,2022,126(7):1316-1329.[10] X i aC,L i u M,L i X,e t a l.P r e d i c t i o n m o d e l f o r l u n g c a n c e r i nh i g h-r i s kn o d u l e s b e i n g c o n s i d e r e d f o r r e s e c t i o n:d e v e l o p m e n ta n dv a l i d a t i o n i na c h i n e s e p o p u l a t i o n[J].F r o n tO n c o l,2021,11:700179.[11] Z h a oH C,X uQ S,S h i Y B,e t a l.C l i n i c a l-r a d i o l o g i c a l p r e d i c t i v em o d e l i nd i f f e r e n t i a l d i a g n o s i so f s m a l l(ɤ20mm)s o l i t a r yp u l m o n a r y n o d u l e s[J].B M CP u l m M e d,2021,21(1):281.[12] H o u H,Y u S,X u Z,e ta l.P r e d i c t i o n o f m a l i g n a n c y f o rs o l i t a r y p u l m o n a r y n o d u l e s b a s e d o n i m a g i n g,c l i n i c a lc h a r a c t e r i s t i c sa n dt u m o r m a r k e rl e v e l s[J].E u rJ C a n c e rP r e v,2021,30(5):382-388.[13] Y u M,W a n g Z,Y a n g G,e ta l.A m o d e lo f m a l i g n a n tr i s kp r e d i c t i o n f o r s o l i t a r yp u l m o n a r y n o d u l e so n18F-F D GP E T/C T:B u i l d i n g a n d e s t i m a t i n g[J].T h o r a cC a n c e r,2020,11(5):1211-1215.[14] T o u m a z i s I,B a s t a n iM,H a nS S,e t a l.R i s k-b a s e d l u n g c a n c e rs c r e e n i n g:As y s t e m a t i c r e v i e w[J].L u n g C a n c e r,2020,147:154-186.[15] Z h e n g S,S h u J,X u e J,e ta l.C T S i g n s a n d d i f f e r e n t i a ld i a g n o s i s o f pe r i p h e r a l l u n g c a n c e r a n d i nf l a mm a t o r yp s e u d o t u m o r:am e t a-a n a l y s i s[J].JH e a l t h cE n g,2022,2022:3547070.[16] W e iS,S h i B,Z h a n g J,e t a l.D i f f e r e n t i a t i n g m a s s-l i k et u b e r c u l o s i sf r o m l u n g c a n c e rb a s e d o nr a d i o m i c sa n d C Tf e a t u r e s[J].T r a n s l C a n c e rR e s,2021,10(10):4454-4463.[17]王新强,王永广,李军.肺纤维平滑肌瘤型错构瘤C T表现与病理对照分析[J].国际医药卫生导报,2020,26(5):714-716.[18] X i a o Y D,L v F J,L i W J,e t a l.S o l i t a r y p u l m o n a r yi n f l a mm a t o r y n o d u l e:c t f e a t u r e s a n d p a t h o l o g i c a l f i n d i n g s[J].J I n f l a mm R e s,2021,14:2741-2751.[19] Z h a n g Y,J h e o nS,L iH,e ta l.R e s u l t so f l o w-d o s ec o m p u t e dt o m o g r a p h y a sar e g u l a rh e a l t he x a m i n a t i o na m o n g C h i n e s eh o s p i t a l e m p l o y e e s[J].JT h o r a cC a r d i o v a s cS u r g,2020,160(3):824-831.e4.(本文编辑:何祯)㊃382㊃黄语嫣等肺结节良恶性概率预测模型的建立与验证。
单、双指数模型DWI在良恶性肺结节鉴别诊断中的应用
单、双指数模型DWI在良恶性肺结节鉴别诊断中的应用洪琴;江建芹;崔磊;胡春洪;王玉玲;徐高峰【摘要】目的:比较磁共振单、双指数模型DWI定量参数对肺结节良恶性的鉴别诊断价值.方法:对32例肺结节患者(男15例,女17例;良性11例,恶性21例;直径1.5～2.9 cm)行3.0T磁共振单指数(b=0、300和800 s/mm2)及体素内不相干运动(IVIM)双指数(10个b值,b-0～1000 s/mm2)DWI扫描.两位测量者分别在DWI(b=800 s/mm2)、ADC图及IVIM图像上测量病灶/脊髓信号比值(LSR8oo)、ADCmean、ADCmin、D、D*和f值.采用组内相关系数(ICC)评价测量者间的一致性.采用独立样本t检验(正态分布)比较各参数值在良恶性肺结节间的差异.使用ROC曲线分析获得鉴别肺结节良恶性的最佳参数和最佳阈值.结果:IVIM灌注参数中D*的测量者间可重复性相对较差(ICC=0.710).恶性肺结节的ADCmean明显低于良性肺结节[(1.25±0.21)×10-3 vs(1.51士0.33)×10-3mm2/s;t=2.749,P=0.010],其余参数值在两组间的差异无统计学意义(P=0.081～0.491).以ADCmean=1.44×10-3mm2/s为阈值,诊断恶性肺结节的敏感度为81.0％、特异度为72.7％,ROC曲线下面积为0.788.结论:建议采用单层ROI法测得的ADC均值进行肺结节的诊断,尚需改进IVIM扫描及后处理策略来提高其对肺部小病灶的诊断能力.【期刊名称】《放射学实践》【年(卷),期】2018(033)012【总页数】5页(P1256-1260)【关键词】肺结节;肺肿瘤;磁共振成像;扩散加权成像;体素内不相干运动【作者】洪琴;江建芹;崔磊;胡春洪;王玉玲;徐高峰【作者单位】224000江苏,盐城市第一人民医院影像科;224000江苏,盐城市第一人民医院影像科;226001江苏,南通大学第二附属医院影像科;215006江苏,苏州大学附属第一医院影像科;224000江苏,盐城市第一人民医院影像科;224000江苏,盐城市第一人民医院影像科【正文语种】中文【中图分类】R734.2;R445.2肺结节的诊断一直是临床的重点及难点。
肺结节处理策略
.随访CT对肺结节生长性的评估方法包括肉眼评估，二维直径评估及三维 体积评估。肉眼评估可以发现显著的结节生长，但对于较小结节及不显著 的结节生长观察不准确。
目前常规的评估方法为测量结节直径（最大层面长径与短径平均值）。 ·计算机软件目前可以实现结节的容积测量（图2) , 其重复性优于直径测量。 ·依据结节的直径或容积，计算容积倍增时间（volume doubling time, VDT) 可作为量化结节生长速度的指标，其计算方法为：
（四）多发结节的处理 多发肺结节的处理原则主要基于危险度最高的结节。对于多发高危险度结节， 应考虑多原发肺癌的可能性，尤其是多发部分实性及亚实性结节。对此类结 节，建议多学科会诊。
感谢各位的聆听！
VDTv (天）＝ [In2*Δt] / [In (V2/V1) ] 或VDTd (天）＝ [In2*t] / [3*In (D2/D1) ] V代表体积，D代表直径，t代表两次扫描间隔时间
·恶性实性结节的VDT多为 30天－400天，而部分实性结节及磨玻璃密度结节 常呈惰性生长，其容积倍增时间显著长于400天，因此需要长时间的CT随访。 磨玻璃密度结节的生长不仅可以表现为体积的增长，也可以表现为CT值的增 加或新出现实性成分，部分研究者引入质量测量（结节体积与密度乘积）， 认为质量测量能更敏感的监测出非实性结节的生长变化。
（4) CT随访过程中的新发结节 ·根据其直径大小进行进一步处理，高危结节处理同基线扫描，鉴 于新发结节的恶性可能性相对较大，其随访频率较基线扫描结节 高。
（二）肺部分实性结节的风险评估及处理策略 ·鉴于部分实性结节的恶性概率在三种结节中最高，因此其肺癌风 险度评价标准不同。
（1) 直径》8mm的部分实性结节定义为高危结节，应由胸外科、肿瘤内科、 呼吸科和影像医学科医师集体会诊，决定是否需要进行进一步检查（结节 薄层三维重建CT扫描，薄层增强CT扫描，经皮肺穿刺活检）明确诊断、手 术切除或3个月后进行CT复查。若结节3个月后没有缩小或增大时，考虑为 恶性可能，建议手术切除。若结节缩小，建议6个月、12个月和24个月持续 CT监测，无变化者建议长期年度CT复查，随访时间不小于3年。 （2) 直径≤8 mm的部分实性结节定义为中危结节，建议3个月、6个月、12 个月和24个月持续薄层CT扫描，并作结节的薄层三维重建。如果结节具有 生长性建议手术，无变化或缩小建议继续长期CT随访，随访时间不小于3年。
“AI+医师”鉴别肺亚实性结节的良恶性及预测肺腺癌浸润程度的价值
模型评估
模型应用
采用交叉验证方法，对训练好的模型进行评 估，计算模型的准确率、敏感性和特异性等 指标。
将训练好的模型应用于实际临床工作，辅助 医生进行肺亚实性结节的良恶性鉴别及肺腺 癌浸润程度的预测。
03
结果与讨论
结果Leabharlann 诊断准确性高AI辅助诊断肺亚实性结节的良恶性准确率达到了98.9%，显示 出较高的诊断准确性。
《“ai+医师”鉴别肺 亚实性结节的良恶性 及预测肺腺癌浸润程 度的价值》
2023-10-28
目录
• 研究背景和目的 • 材料与方法 • 结果与讨论 • 结论 • 参考文献 • 附录
01
研究背景和目的
研究背景
肺结节的良恶性鉴别
01
肺结节是一种常见的肺部病变，准确鉴别其良恶性对于治疗和
预后具有重要意义。
要点二
预测肺腺癌浸润程度
除了鉴别良恶性外，本研究还旨在利用AI技术预测肺腺 癌的浸润程度。
02
材料与方法
材料
1 2 3
收集CT图像数据集
从多个医疗机构收集具有代表性的肺CT图像数 据，包括正常肺、良性结节和恶性结节等。
图像标注与分类
对CT图像进行标注，区分正常肺、良性结节和 恶性结节，并对恶性结节的浸润程度进行分类 。
肺腺癌浸润程度预测
02
肺腺癌是肺癌的一种常见类型，预测其浸润程度对于制定治疗
方案和评估预后具有重要意义。
AI技术在医学领域的应用
03
近年来，AI技术在医学领域的应用越来越广泛，其在图像识别
和分析方面具有高效、准确的优势。
研究目的
要点一
探讨“AI+医师”联合诊断肺亚 实性结节良恶性的价值
孤立性肺结节危险因素及良恶性预测模型
㊃论著㊃孤立性肺结节危险因素及良恶性预测模型曹㊀芹１㊀李雪冰１㊀张㊀丽２㊀刘珂崎３ＤＯＩ：１０．３８７７／ｃｍａ．ｊ．ｉｓｓｎ．１６７４⁃６９０２．２０１９．０４．０１２作者单位：６２５０００四川省雅安市人民医院呼吸与危重症医学科１㊁放射科２㊁胸外科３通信作者：曹㊀芹，Ｅｍａｉｌ：ｃｑ＿２８６３１０９＠ｓｉｎａ．ｃｏｍʌ摘要ɔ㊀目的分析孤立性肺结节的危险因素并探讨肺部结节良恶性预测模型㊂方法收集雅安市人民医院２０１７年１月至２０１８年８月经胸外科手术切除且有明确病理诊断的１１２例孤立性肺结节患者的临床资料㊂回顾性分析其年龄㊁性别㊁吸烟史㊁肿瘤家族史㊁既往肿瘤史㊁血清癌胚抗原（ＣＥＡ）㊁神经元特异性烯醇化酶（ＮＳＥ）㊁细胞角蛋白１９片段（ＣＹＦＲＡ２１⁃１），以及肺部结节密度㊁直径㊁位置㊁分叶㊁毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁空气支气管征㊁钙化等影像学特征㊂根据病理诊断分为良性㊁恶性两组，进行单因素分析，将单因素分析中有显著性差异的临床信息纳入Ｌｏｇｉｓｔｉｃ回归分析，筛选出恶性结节的独立危险因素并建立预测模型㊂结果单因数分析中年龄㊁既往肿瘤史㊁ＣＥＡ㊁ＣＹＦＲＡ２１⁃１㊁结节密度㊁分叶㊁毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁钙化征有统计学差异（Ｐ＜０．０５）㊂Ｌｏｇｊｉｓｔｉｃ回归分析显示患者年龄㊁ＣＥＡ㊁ＣＹＦＲＡ２１⁃１㊁磨玻璃密度㊁分叶为恶性结节的独立危险因素㊂恶性肺部结节的预测模型公式为：Ｐ＝ｅｘ／（１＋ｅｘ），ｘ＝－８．８１６＋（３．０１８ˑ密度）＋（０．０７３ˑ年龄）＋（０．４８２ˑＣＥＡ）＋（０．４２６ˑＣＲＦＲＡ２１⁃１）＋（１．４２１ˑ分叶）㊂结论患者年龄㊁血ＣＥＡ㊁血ＣＹＦＲＡ２１⁃１㊁磨玻璃密度㊁分叶为恶性结节的独立危险因素，预测模型对恶性肺结节有较好的敏感性及特异性，诊断准确性较高㊂ʌ关键词ɔ㊀孤立性肺结节；㊀危险因素；㊀预测模型中图法分类号：Ｒ５６３文献标识码：ＡＡｎａｌｙｓｉｓｏｆｒｉｓｋｆａｃｔｏｒｓｏｆｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓａｎｄｅｘｐｌｏｒａｔｉｏｎｏｆｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌｆｏｒｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ㊀㊀ＣａｏＱｉｎ，ＬｉＸｕｅｂｉｎｇ，ＺｈａｎｇＬｉ，ＬｉｕＫｅｑｉ．ＤｅｐａｒｔｍｅｎｔｏｆＲｅｓｐｉｒａｔｏｒｙａｎｄＣｒｉｔｉｃａｌＣａｒｅＭｅｄｉｃｉｎｅ，ＲａｄｉｏｌｏｇｙａｎｄＴｈｏｒａｃｉｃＳｕｒｇｅｒｙ，ＹａᶄａｎＰｅｏｐｌｅᶄｓＨｏｓｐｉｔａｌ，Ｙａᶄａｎ６２５０００，ＳｉｃｈｕａｎＰｒｏｖｉｎｃｅ，ＣｈｉｎａＣｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ：ＣａｏＱｉｎ，Ｅｍａｉｌ：ｃｑ＿２８６３１０９＠ｓｉｎａ．ｃｏｍʌＡｂｓｔｒａｃｔɔ㊀Ｏｂｊｅｃｔｉｖｅ㊀Ｔｏａｎａｌｙｚｅｔｈｅｒｉｓｋｆａｃｔｏｒｓｏｆｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓａｎｄｅｓｔａｂｌｉｓｈａｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌｆｏｒｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ．Ｍｅｔｈｏｄｓ㊀Ｔｈｅｃｌｉｎｉｃａｌｄａｔａｏｆ１１２ｐａｔｉｅｎｔｓｗｉｔｈｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ，ｗｈｏｈａｄａｄｅｆｉｎｉｔｅｐａｔｈｏｌｏｇｉｃａｌｄｉａｇｎｏｓｉｓａｎｄｕｎｄｅｒｗｅｎｔｔｈｏｒａｃｉｃｓｕｒｇｅｒｙｉｎＹａᶄａｎＰｅｏｐｌｅᶄｓＨｏｓｐｉｔａｌｆｒｏｍＪａｎｕａｒｙ２０１７ｔｏＡｕｇｕｓｔ２０１８，ｗｅｒｅｒｅｖｉｅｗｅｄｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｉｒａｇｅ，ｇｅｎｄｅｒ，ｓｍｏｋｉｎｇｈｉｓｔｏｒｙ，ｆａｍｉｌｙｈｉｓｔｏｒｙｏｆｃａｎｃｅｒ，ｐａｓｔｃａｎｃｅｒｈｉｓｔｏｒｙ，ｓｅｒｕｍｃａｎｃｅｒｂｉｏｍａｒｋｅｒｓｉｎｃｌｕｄｉｎｇｃａｒｃｉｎｏｅｍｂｒｙｏｎｉｃａｎｔｉｇｅｎ（ＣＥＡ），ｎｅｕｒｏｎｓｐｅｃｉｆｉｃｅｎｏｌａｓｅ（ＮＳＥ）ａｎｄｃｙｔｏｋｅｒａｔｉｎ１９ｆｒａｇｍｅｎｔ（ＣＹＦＲＡ２１⁃１），ａｎｄｔｈｅｒａｄｉｏｌｏｇｉｃａｌｃｈａｒａｔｅｒｉｓｔｉｃｓｉｎｃｌｕｄｉｎｇｔｈｅｎｏｄｕｌｅｄｅｎｓｉｔｙ，ｄｉａｍｅｔｅｒ，ｌｏｃａｔｉｏｎ，ｌｏｂｕｌａｔｉｏｎ，ｂｕｒｒ，ｐｌｅｕｒａｌｉｎｄｅｎｔａｔｉｏｎ，ｖａｓｃｕｌａｒｃｌｕｓｔｅｒｓｉｇｎ，ｖａｃｕｏｌｅｓｉｇｎ，ａｉｒｉｎｆｏｒｍａｔｉｏｎｏｆｂｒｏｎｃｈｉａｌｓｉｇｎａｎｄｃａｌｃｉｆｉｃａｔｉｏｎｓｉｇｎ，ｗｅｒｅｓｕｍｍａｒｉｚｅｄ．Ｔｈｅｐａｔｉｅｎｔｓｗｅｒｅｄｉｖｉｄｅｄｉｎｔｏｔｗｏｇｒｏｕｐｓａｃｃｏｒｄｉｎｇｔｏｔｈｅｐａｔｈｏｌｏｇｉｃａｌｄｉａｇｎｏｓｉｓｏｆｔｈｅｉｒｂｅｎｉｇｎｏｒｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ．Ａｆｔｅｒａｕｎｉｖａｒｉａｔｅａｎａｌｙｓｉｓ，ｔｈｅｃｌｉｎｉｃａｌｉｎｆｏｒｍａｔｉｏｎｗｉｔｈｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓｗａｓｃｈｏｓｅｎｆｏｒｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓａｎｄｔｈｅｓｅｉｎｄｅｐｅｎｄｅｎｔｒｉｓｋｆａｃｔｏｒｓｆｏｒｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓｗｅｒｅｓｃｒｅｅｎｅｄ．Ｆｉｎａｌｌｙ，ａｐｒｅｄｉｃａｔｉｖｅｍｏｄｅｌｆｏｒｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓｗａｓｅｓｔａｂｌｉｓｈｅｄ．Ｒｅｓｕｌｔｓ㊀Ｔｈｅｒｅｗｅｒｅｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓｉｎａｇｅ，ｐａｓｔｃａｎｃｅｒｈｉｓｔｏｒｙ，ｓｅｒｕｍＣＥＡａｎｄＣＹＦＲＡ２１⁃１，ｎｏｄｕｌｅｄｅｎｓｉｔｙ，ｌｏｂｕｌａｔｉｏｎ，ｂｕｒｒ，ｐｌｅｕｒａｌｉｎｄｅｎｔａｔｉｏｎｓｉｇｎ，ｖａｓｃｕｌａｒｃｌｕｓｔｅｒｓｉｇｎ，ｖａｃｕｏｌｅｓｉｇｎａｎｄｃａｌｃｉｆｉｃａｔｉｏｎｓｉｇｎｂｅｔｗｅｅｎｔｈｅｐａｔｉｅｎｔｓｗｉｔｈｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ（Ｐ＜０．０５）．Ｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓｓｈｏｗｅｄｔｈａｔａｇｅ，ＣＥＡ，ＣＹＦＲＡ２１⁃１，ｇｒｏｕｎｄｇｌａｓｓｄｅｎｓｉｔｙａｎｄｌｏｂｕｌａｔｉｏｎｗｅｒｅｉｎｄｅｐｅｎｄｅｎｔｒｉｓｋｆａｃｔｏｒｓｆｏｒｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ．Ｏｎｅｍｏｄｅｌｗａｓｅｓｔａｂｌｉｓｈｅｄａｓｆｏｌｌｏｗｉｎｇ：Ｐ＝ｅｘ／（１＋ｅｘ），ｘ＝－８．８１６＋（３．０１８ˑｄｅｎｓｉｔｙ）＋（０．０７３ˑａｇｅ）＋（０．４８２ˑＣＥＡ）＋（０．４２６ˑＣＲＦＲＡ２１⁃１）＋（１．４２１ˑｌｏｂｕｌａｔｉｏｎ）．Ｃｏｎｃｌｕｓｉｏｎ㊀Ａｇｅ，ＣＥＡ，ＣＹＦＲＡ２１⁃１，ｇｒｏｕｎｄｇｌａｓｓｄｅｎｓｉｔｙａｎｄｌｏｂｕｌａｔｉｏｎａｒｅｉｎｄｅｐｅｎｄｅｎｔｒｉｓｋｆａｃｔｏｒｓｆｏｒｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ．Ａｎｄｔｈｅｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌｏｆｍａｌｉｇｎａｎｔｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓｈａｓａｂｅｔｔｅｒｓｅｎｓｉｔｉｖｉｔｙａｎｄｓｐｅｃｉｆｉｃｉｔｙａｎｄａｈｉｇｈｄｉａｇｎｏｓｔｉｃａｃｃｕｒａｃｙ．ʌＫｅｙｗｏｒｄｓɔ㊀Ｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ；㊀Ｒｉｓｋｆａｃｔｏｒ；㊀Ｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌ㊀㊀近年来，随着人们健康意识的增强，低剂量薄层螺旋ＣＴ在健康体检中的应用日益广泛，肺部孤立性结节（ｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅ，ＳＰＮ）的检出率明显增高㊂ＳＰＮ通常是指肺内单一的㊁边界清楚的㊁直径ɤ３ｃｍ的圆形或类圆形病灶，周围由肺实质所包绕，不伴有肺门或纵隔淋巴结肿大㊁肺不张及胸腔积液［１］㊂大多数患者无症状，多为体检发现，少数患者有咳嗽㊁咯血㊁胸痛等症状㊂ＳＰＮ有良恶性，结节恶性率报道不一［２⁃４］㊂良性病变预后好，恶性病变早期手术切除预后良好，晚期不能手术的患者治疗效果差㊂早发现㊁早治疗是延长患者生存期，降低医疗开支的重要手段㊂周薇薇等［５］研究表明，肺癌是四川地区发病率及病死率第一的恶性肿瘤，需要重点防治㊂国内外多位学者建立了不同的肺癌预测模型，其中国际的Ｍａｙｏ模型㊁国内的李运模型，在临床应用最为广泛［６⁃７］㊂但上述预测模型未纳入肺癌血清肿瘤标志物㊁结节密度可能影响结节良恶性性质判断的因素㊂本文收集２０１７年１月至２０１８年８月于雅安市人民医院胸外科手术切除且有明确病理学诊断的孤立性肺结节患者资料，对其临床资料及影像特征㊁肺癌血清肿瘤标志物㊁结节密度等变量进行分析，建立预测诊断模型，并评估其对肺结节良恶性的诊断价值，旨在早期识别恶性结节，早期发现，早期干预，以期提高肺癌的诊治水平㊂资料与方法一㊁研究对象选择２０１７年１月至２０１８年８月在雅安市人民医院胸部ＣＴ发现肺部结节，在胸外科通过胸腔镜手术切除，有明确组织病理结果的患者１１２例，其中男性６０例，女性５２例，年龄１５ ７７岁，平均年龄（５３．１７ʃ１２．８４）岁㊂按病理结果分为良性及恶性组㊂恶性组患者７３例，其中腺癌６２例，细支气管肺泡癌１例，鳞癌１０例；良性组患者３９例，其中炎性结节１８例，肺结核球１２例，肺包虫２例，错构瘤２例，机化性肺炎２例，纤维瘤２例，肺内淋巴结尘结节１例㊂所有结节患者的手术方式均为经胸腔镜肺叶切除或肺段切除或肺叶楔形切除，病理结果由２名病理医生诊断，部分恶性病理类型不能确定者，行免疫组化确定㊂排除情况：（１）临床及影像资料不完整；（２）影像资料提示为多发结节，伴或不伴纵膈淋巴结肿大㊁胸腔积液㊁肺不张；（３）术前有针对肺结节治疗措施者㊂二㊁研究方法记录患者临床资料，包括年龄㊁性别㊁吸烟史㊁肿瘤家族史㊁既往肿瘤史和血清肿瘤标志物㊂肿瘤标志物癌胚抗原（ｃａｒｃｉｎｏｅｍｂｒｙｏｎｉｃａｎｔｉｇｅｎ，ＣＥＡ），神经元特异性烯醇化酶（ｎｅｕｒｏｎ⁃ｓｐｅｃｉｆｉｃｅｎｏｌａｓｅ，ＮＳＥ），细胞角蛋白１９片段（ｃｙｔｏｋｅｒａｔｉｎ１９ｆｒａｇｍｅｎｔ，ＣＹＦＲＡ２１⁃１）㊂所有患者术前均使用ＳＩＥＭＥＮＳＳＯＭＡＴＯＭＤｅｆｉｎｉｔｉｏｎＦｌａｓｈ扫描仪进行胸部ＣＴ检查㊂扫描参数如下：准直器１２８ｍｍˑ０．６ｍｍ，管电压１２０ＫＶ，层厚１ｍｍ，重组间隔０．５ｍｍ，管电流根据个体的体重㊁身高和体重指数计算，矩阵５１２ˑ５１２，螺距１．２︰１㊂影像结果由２位放射科医生诊断，包括结节密度（磨玻璃或实性或混合性）㊁直径㊁位置（上叶或非上叶）㊁分叶㊁毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁空气支气管征㊁钙化征㊂三㊁统计学方法采用软件ＳＰＳＳ２１．０进行统计处理，计量数据用均数ʃ标准差（ｘʃｓ）表示，正态数据采用独立样本ｔ检验，非正态分布数据采用秩和检验㊂计数资料用例数和百分比表示，采用χ２检验和Ｆｉｓｈｅｒ精确检验，Ｐ＜０．０５为差异有统计学意义㊂将单因素分析Ｐ＜０．０５的变量进行多因数Ｌｏｇｉｓｔｉｃ回归分析，使用Ｅｎｔｅｒ法㊂结㊀㊀果一㊁患者临床资料良恶性患者的临床特征见表１，其中性别㊁吸烟史㊁肿瘤家族史㊁血ＮＳＥ无统计学差异（Ｐ＞０．０５）；年龄㊁既往肿瘤史㊁ＣＥＡ㊁ＣＹＦＲＡ２１⁃１有统计学差异（Ｐɤ０．０５）㊂影像学特征分析见表２，其中结节直径㊁位置㊁空气支气管征无统计学差异（Ｐ＞０．０５）；密度（实性或磨玻璃）㊁分叶㊁毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁钙化征均有统计学差异（Ｐɤ０．０５）㊂恶性结节患者年龄平均为５５岁，明显高于良性结节患者的４９岁㊂血清ＣＥＡ㊁ＣＹＦＲＡ２１⁃１在恶性结节组的平均值明显高于良性结节组（ＣＥＡ：４．１９ｎｇ／ｍｌ＞２．９７ｎｇ／ｍｌ，ＣＹＦＲＡ２１⁃１：７．９３ｎｇ／ｍｌ＞３．０１ｎｇ／ｍｌ）㊂磨玻璃密度（９２．３％）㊁分叶（４３．８％）㊁毛刺（３５．６％）㊁胸膜凹陷征（２８．８％）㊁血管集束征（２４．７％）㊁空泡征（３２．９％）在恶性结节组的比例明显高于良性结节组；而钙化更多见于良性结节患者（１７．９％）㊂表１㊀良㊁恶性患者临床特征比较临床资料良性（３９例）恶性（７３例）ｔ值χ２值Ｐ值年龄（岁）４９．０５ʃ１３．４７５５．３７ʃ１２．０２２．４５３０．０１７性别㊀［ｎ（％）］１．５２７０．２１７㊀男性２４（６１．５）３６（４９．３）㊀女性１５（３８．５）３７（５０．７）吸烟史㊀［ｎ（％）］１．４５２０．２２８㊀有１２（３０．８）１５（２０．５）㊀无２７（６９．２）５８（７９．５）既往肿瘤㊀史［ｎ（％）］１１２．０００．０００㊀有１（２．６）７（９．６）㊀无３８（９７．４）６６（９０．４）肿瘤家族㊀史［ｎ（％）］１．２６４０．２６１㊀有３（７．７）１１（１５．１）㊀无３６（９２．３）６２（８４．９）ＣＥＡ㊀（ｎｇ／ｍｌ）２．９７ʃ１．３０４．１９ʃ２．６０２．７３７０．００７ＮＳＥ㊀（ｎｇ／ｍｌ）９．９２ʃ４．１８１１．２６ʃ６．６８１．１４２０．２５６ＣＹＦＲＡ２１⁃１㊀（ｎｇ／ｍｌ）３．０１ʃ１．４１７．９３ʃ１３．０８１．３７０．０２１二㊁多因素回归分析结果将单因素分析Ｐ＜０．０５的变量，即年龄㊁既往肿瘤史㊁血ＣＥＡ㊁血ＣＹＦＲＡ２１⁃１㊁密度㊁分叶㊁毛刺㊁胸膜凹陷征㊁血管集束征㊁空泡征㊁钙化征作为自变量，以病理结果作为因变量，纳入多因素Ｌｏｇｉｓｔｉｃ回归模型进行多因素分析，得到的Ｌｏｇｉｓｔｉｃ回归模型具有统计学意义，χ２＝７５．５５７，Ｐ＜０．０００５㊂结果显示密度㊁年龄㊁血ＣＥＡ㊁血ＣＹＦＲＡ２１⁃１㊁分叶征有统计学差异（Ｐ＜０．０５），为孤立性肺结节的独立预测因素，见表３㊂表３㊀二元ｌｏｇｉｓｔｉｃ分析结果因㊀素βＯＲ９５％ＣＩＰ值密度３．０１８２０．４５４㊀３．５２１ １１８．８２５０．００１年龄０．０７３１．０７６１．０１４ １．１４２０．０１６ＣＥＡ０．４８２１．６２０１．０８１ ２．４２８０．０１９ＣＹＦＲＡ２１⁃１０．４２６１．５３１１．０３７ ２．２５９０．０３２分叶１．４２１４．１４３㊀０．９９８ １７．１９５０．０５０常量－８．８１６０．０００－０．０００表２㊀良㊁恶性患者影像资料比较临床资料良性（３９例）恶性（７３例）ｔ值χ２值Ｐ值直径（ｃｍ）１．２４ʃ０．６８１．４３ʃ０．８５１．１９０．２３５密度［ｎ（％）］２２．６８３０．０００㊀实性３６（４９．３）３４（５０．７）㊀磨玻璃３（７．７）３９（９２．３）位置［ｎ（％）］０．７９７０．３７２㊀上叶１９（４８．７）４２（５８．９）㊀非上叶２０（５１．３）３１（４１．１）分叶［ｎ（％）］７．５０５０．００６㊀有７（１７．９）３２（４３．８）㊀无３２（８２．１）４１（５６．２）毛刺［ｎ（％）］６．５９９０．０１０㊀有５（１２．８）２６（３５．６）㊀无３４（８７．２）４７（６４．４）胸膜凹陷征㊀［ｎ（％）］５．０２３０．０２５㊀有４（１０．３）２１（２８．８）㊀无３５（８９．７）５２（７１．２）血管集束征㊀［ｎ（％）］４．８０２０．０２８㊀有３（７．７）１８（２４．７）㊀无３６（９２．３）５５（７５．３）空泡征㊀［ｎ（％）］３．９６６０．０４６㊀有６（１５．４）２４（３２．９）㊀无３３（８４６）４９（６７．１）空气支气管㊀征［ｎ（％）］０．０５９０．８０８㊀有６（１５．４）１０（１３．７）㊀无３３（８４．６）６３（８６．３）钙化征㊀［ｎ（％）］５．９８７０．０１４㊀有７（１７．９）３（４．１）㊀无３２（８２．１）７０（９５．９）㊀㊀三㊁恶性ＳＰＮ的诊断预测模型建立恶性结节诊断预测模型为：Ｐ＝ｅｘ／（１＋ｅｘ），ｘ＝－８．８１６＋（３．０１８ˑ密度）＋（０．０７３ˑ年龄）＋（０．４８２ˑＣＥＡ）＋（０．４２６ˑＣＲＦＲＡ２１⁃１）＋（１．４２１ˑ分叶）㊂其中，Ｐ为恶性预测概率，ｅ为自然对数，磨玻璃密度＝１，实性密度＝０；年龄单位为岁；ＣＥＡ及ＣＹＦＲＡ２１⁃１单位均为ｎｇ／ｍｌ；肺结节有分叶＝１，无分叶＝０㊂四㊁模型预测效力判断本组数据代入建立预测模型，计算恶性概率值，以病理结果为参照绘制ＲＯＣ曲线，图１，曲线下面积为（０．８９８ʃ０．０３），９５％置信区间为（０．８４０ ０．９５７），当最佳截点值为０．６４４时，敏感度为８４．９％，特异度为７９．５％，阳性预测值为９２．３％，阴性预测值为７２．３％㊂将预测值与病理结果进行Ｈｏｓｍｅｒ⁃Ｌｅｍｅｓｈｏｗ拟合优度检验，χ２＝４．９６３，Ｐ＝０．７６２＞０．０５，两者拟合较好，有良好预测精准度㊂1.00.80.60.40.20.00.00.20.40.60.81.0敏感度1-特异性R O C 曲线图１ 受试者工作曲线讨㊀㊀论本文共纳入了１１２例经病理确诊的ＳＰＮ患者，总结分析了其临床资料与影像学特征，发现年龄㊁血ＣＥＡ㊁血ＣＹＦＲＡ２１⁃１㊁磨玻璃密度㊁分叶为恶性结节独立危险因素㊂按ＯＲ值大小，危险程度依次为密度＞分叶＞血ＣＥＡ＞血ＣＹＦＲＡ２１⁃１＞年龄㊂在临床特征中，年龄是较为公认的恶性结节危险因素㊂多个ＳＰＮ预测模型均确立年龄为独立危险因素［６⁃９］㊂Ｍａｙｏ模型年龄ＯＲ值为１．０１１，本组患者年龄ＯＲ值为１．０７６，与李运模型ＯＲ值（１．０７３）接近㊂ＣＥＡ是一种酸性糖蛋白，为非特异的肿瘤标志物，是预测结节良恶性的独立危险因素之一［１０⁃１２］㊂本文中恶性结节７３例，其中８５％为腺癌，在单因素和多因数分析中均提示ＣＥＡ为恶性结节危险因素的原因之一，且患者血清ＣＥＡ在良恶性组的单因素及二元Ｌｏｇｉｓｔｉｃ多因素分析中均有统计学差异，提示其为恶性结节独立危险因素㊂ＣＹＦＲＡ２１⁃１是一种酸性多肽，为可溶性片段，在肺鳞癌和肺腺癌中均有表达，是非小细胞肺癌的肿瘤标志物㊂本组恶性患者７３例均为非小细胞肺癌㊂研究显示ＣＹＦＲＡ２１⁃１在非小细胞肺癌组中的敏感性显著高于小细胞肺癌组及良性病变组，与本组患者数据相符［１３⁃１４］㊂项杨威等［１５］发现ＣＹＦＲＡ２１⁃１在良恶性结节之间无统计学差异㊂李笑莹等［１６］通过２５０例患者进行多因数回归分析，发现ＣＹＦＲＡ２１⁃１是恶性结节独立危险因素㊂本组中ＣＹＦＲＡ２１⁃１虽为独立危险因素，但本组数据样本量偏小，且恶性患者中刚好无小细胞肺癌，尚需大样本数据进一步验证㊂在本文的ＳＰＮ影像特征中，磨玻璃结节包括纯磨玻璃结节及混合磨玻璃结节㊂王欣等［１７］报道磨玻璃结节为孤立性肺结节独立危险因素，ＯＲ值为３．６８７，将其纳入恶性预测模型㊂喻微等［１８］等报道混杂磨玻璃结节及实性结节为结节的保护因素㊂姚羽等［１９］报道恶性实质结节较混合磨玻璃结节及纯磨玻璃结节，恶性程度最高㊂不同研究对结节密度影响良恶性判断争议较大㊂邱志新等［２０］报道磨玻璃结节多为腺癌，且不吸烟女性多于男性，病变部位右肺上叶多见，本研究提示磨玻璃密度为恶性结节独立预测因素，可能与本组数据女性腺癌患者较多有关，尚待更多相关大样本研究进一步证实㊂分叶征是指肺结节轮廓不是圆形或椭圆形，而呈现为凹凸不平㊂研究确定分叶为孤立性肺结节的独立危险因素，与本研究结果相符［１８，２１］㊂多个ＳＰＮ预测模型显示，结节大小为预测良恶性的独立预测因素，但本组患者结节大小在良恶性患者中无统计学差异，可能与本研究纳入患者多为体检发现，结节在较小时即切除有关［７⁃８，１７］㊂Ｍａｙｏ模型及ＶＡ模型中吸烟史均为危险因素，而本组患者良恶性中吸烟者均较少，女性腺癌患者较多有关㊂肿瘤既往史多因数分析差异无统计学意义，可能与样本量少及样本人群特征相关㊂我国推荐以Ｍａｙｏ模型对临床肺结节进行良恶性预测，但东西方人群差异的存在，加之我国结核病高发，位于肺上叶的结节为结核的概率可能性更大［２２］㊂Ｍａｙｏ模型预测国人结节结果并不理想［２１，２３］㊂国内李运等建立的预测模型能较好预测国人结节的良恶性［７，２４］㊂２０１３年ＭｃＷｉｌｌｉａｍｓ等［２５］建立Ｂｒｏｃｋ模型，是基于１８７１人的大样本人群在筛查基础上建立的预测模型，恶性率仅５．５％㊂其验证人群达１０９０人，恶性率仅为３．７％㊂适用于恶性程度低的人群㊂Ｚｈａｎｇ等［２６］建立包含血清ＣＹＦＲＡ２１⁃１因素预测模型，其ＡＵＣ为０．９１０，９５％ＣＩ（０．８５７，０．９６３），显著优于没有ＣＹＦＲＡ２１⁃１预测模型的０．８１２，９５％ＣＩ（０．７６３，０．８６１），且ＡＵＣ显著高于Ｍａｙｏ模型㊁李运模型及ＶＡ模型㊂但上述建立模型的纳入因素中未包括结节密度㊂王欣等［１７］将结节密度纳入多因素分析，建立磨玻璃结节为独立危险因素的预测模型，并与Ｍａｙｏ模型，李运模型及ＶＡ模型验证比较，诊断效能相当㊂但这一建立模型未纳入肿瘤标志物因素㊂多个研究将ＰＥＴ⁃ＣＴ纳入预测模型，ＲＯＣ曲线下面积显著增加，改善了经典模型对ＳＰＮＳ的预测能力［２７⁃２９］㊂但ＰＥＴ⁃ＣＴ诊断受阅片者的主观因素及临床经验影响较大，其对良性结节的识别较可靠，对恶性结节的识别出现假阳性率较高，且检查费用昂贵，对直径８ｍｍ结节不适用，临床应用受到限制㊂随着计算机辅助诊断（Ｃａｄ）的快速发展，２０１５年开发的ＳＰＮ风险预测模型：基于贝叶斯分析的恶性肿瘤计算器（ＢＩＭＣ）模型应用已日益广泛㊂Ｐｅｒａｎｄｉｎｉ等［３０⁃３１］研究显示ＢＩＭＣ模型预测结果可以提高医生对孤立性肺结节的诊断准确性，显著减低不确定结节数量㊂作者并将ＢＩＭＣ模型与其它模型对比验证，结果显示ＢＩＭＣ模型可能比Ｍａｙｏ㊁Ｇｕｒｎｅｙ和李运模型在术前ＳＰＮ定性时更有帮助㊂但ＢＩＭＣ模型主要纳入因素依然为临床及影像特征，并未纳入肿瘤标志物等因素㊂由于它是作为贝叶斯分类器发展起来的，所以它允许部分数据收集㊂该模型旨在成为以客观㊁可复制的方式整合所有现有数据的有用工具㊂基于各预测模型纳入变量的差异和观测方法的不同，目前并没有一个模型能较好的预测所有人群㊂本文立足本地，纳入多数研究没有纳入的血清肺癌肿瘤标志物及结节密度等因素，建立ＳＰＮ预测模型，并为二次文献分析提供原始实验数据㊂在‘肺结节诊治中国专家共识（２０１８年版）“中，推荐根据临床信息和影像学特征评估临床恶性肿瘤的概率，建议依据目标人群的特点㊁易用性以及验证的程度来选择预测模型，并根据预测概率将结节分为低度恶性（Ｐ＜５％），中高度恶性（Ｐ＝５％ ６５％），高度恶性（Ｐ＞６５％），选择合适的后续检查方法和随访模式［２２］㊂本文建立的结节预测模型，区分良恶性结节的敏感度８４．９％，特异度７９．５％，阳性预测值为９２．３％，阴性预测值为７２．３％，故特异度及阴性预测值略低，提示本模型可能更适用于结节恶性程度可能高的人群，也从侧面提示本组数据存在选择性偏倚，样本来源于手术患者，为恶性风险较高人群㊂从易用性来看，本模型需要检查血清肿瘤标志物和胸部薄层ＣＴ，检查医疗费用稍有增高㊂尽管运用预测模型为判断ＳＰＮ的性质提供了一种诊断手段，但仍无法代替病理检查㊂因此，需进一步开展大样本多中心的前瞻性研究，完善恶性结节预测模型，才能更精确地为临床上治疗提供有力帮助㊂参㊀考㊀文㊀献１㊀ＨａｒｚｈｅｉｍＤ，ＥｂｅｒｈａｒｄｔＲ，ＨｏｆｆｍａｎｎＨ，ｅｔａｌ．Ｔｈｅｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅ［Ｊ］．Ｒｅｓｐｉｒａｔｉｏｎ，２０１５，９０（２）：１６０⁃１７２．２㊀苏㊀雷，支修益，张㊀毅，等．胸腔镜治疗孤立性肺小结节的分析［Ｊ］．首都医科大学学报，２０１５，３６（４）：５２５⁃５２８．３㊀ＭａｎｃａＧ，ＤａｖｉｎＦ，ＴａｒｄｅｌｌｉＥ，ｅｔａｌ．ＣｌｉｎｉｃａｌＩｍｐａｃｔｏｆＲａｄｉｏｇｕｉｄｅｄＬｏｃａｌｉｚａｔｉｏｎｉｎｔｈｅＴｒｅａｔｍｅｎｔｏｆＳｏｌｉｔａｒｙＰｕｌｍｏｎａｒｙＮｏｄｕｌｅ：Ａ２０⁃ＹｅａｒＲｅｔｒｏｓｐｅｃｔｉｖｅＡｎａｌｙｓｉｓ．［Ｊ］？ＣｌｉｎＮｕｃｌＭｅｄ，２０１８，４３（５）：３１７⁃３２２．４㊀ＷａｎｇＭｅｍｏｌｉＪＳ，ＮｉｅｔｅｒｔＰＪ，ｅｔａｌ．ＳｉｌｖｅｓｔｒｉＧＡ，Ｍｅｔａ⁃ａｎａｌｙｓｉｓｏｆｇｕｉｄｅｄｂｒｏｎｃｈｏｓｃｏｐｙｆｏｒｔｈｅｅｖａｌｕａｔｉｏｎｏｆｔｈｅｐｕｌｍｏｎａｒｙｎｏｄｕｌｅ［Ｊ］．Ｃｈｅｓｔ，２０１２，１４２（２）：３８５⁃３９３．５㊀周薇薇，郑㊀荣，邓㊀颖，等．２０１３年四川省肿瘤登记地区恶性肿瘤发病和死亡分析［Ｊ］．中国肿瘤，２０１８，２７（７）：４８９⁃４９６．６㊀ＳｗｅｎｓｅｎＳＪ，ＳｉｌｖｅｒｓｔｒｉｎＭＤ，ＩｉｓｔｒｕｐＤＭ，ｅｔａｌ．Ｔｈｅｐｒｏｂａｂｉｌｉｔｙｏｆｍａｌｉｇｎａｎｃｙｉｎｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ：ａｐｐｌｉｃａｔｉｏｎｔｏｓｍａｌｌｒａｄｉｏｌｏｇｉｃａｌｌｙｉｎｄｅｔｅｒｍｉｎａｔｅｏｄｕｌｅｓ［Ｊ］．ＡｒｃｈＩｎｔｅｒＭｅｄ，１９９７，１５７（８）：８４９⁃８５５．７㊀李㊀运，陈克忠，隋锡朝，等．孤立性肺结节良恶性判断数学预测模型的建立［Ｊ］．北京大学学报：医学版，２０１１，４３（３）：４５０⁃４５４．８㊀ＧｏｕｌｄＭＫ，ＡｎａｎｔｈＬ，Ｂａｍｅｔｔｐｇ．Ａｃｌｉｎｉｃａｉｍｏｄｅｌｔｏｅｓｔｉｍａｔｅｔｈｅｐｒｅｔｅｓｔｐｒｏｂａｂａｂｉｌｉｔｙｏｆｌｕｎｇｃａｎｃｅｒｉｎｐａｔｉｅｎｔｓｗｉｔｈｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ［Ｊ］．Ｃｈｅｓｔ，２００７，１３１（２）：３８３⁃３８８．９㊀林㊀洁，唐㊀坤，殷薇薇，等．ＰＥＴ／ＣＴ及其数学预测模型对孤立性肺结节诊断价值的对比研究［Ｊ］．温州医科大学学报，２０１５，４５（５）：３５４⁃３５８．１０㊀ＹｏｎｅｍｏｒｉＫ，ＴａｔｅｉｓｈｉＵ，ＵｎｏＨ，ｅｔａｌ．Ｄｅｖｅｌｏｐｍｅｎｔａｎｄｖａｌｉｄａｔｉｏｎｏｆｄｉａｇｎｏｓｔｉｃｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ［Ｊ］．Ｒｅｓｐｉｒｏｌｏｇｙ，２００７，１２（６）：８５６⁃８６２．１１㊀夏㊀旭，胡宁东，袁海云，等．孤立性肺结节病变性质临床鉴别诊断预测模型的初探［Ｊ／ＣＤ］．中华肺部疾病杂志（电子版），２０１２，５（３）：２６５⁃２６９．１２㊀彭笑怒，黄海波，仲崇文，等．血清肿瘤标志物检测在孤立性肺内结节诊断中的价值［Ｊ］．中国实验诊断学，２００９，１３（３）：３５９⁃３６１．１３㊀ＳｅｅｍａｎｎＭＤ，ＥｉｎｅｒｌＴ，ＦｕｒｓｔＨ，ｅｔａｌ．Ａｎｅｖａｌｕａｔｉｏｎｏｆｔｈｅｔｕｍｏｒｍａｒｋｅｒｓ，ｃａｒｃｉｎｏｅｍｂｒｙｏｎｉｃａｎｔｉｇｅｎ（ＣＥＡ），ｃｙｔｏｋｅｒａｔｉｎｍａｒｋｅｒ（ＣＹＦＲＡ２１⁃１）ａｎｄｎｅｕｒｏｎ⁃ｓｐｅｃｉｆｉｃｅｎｏｌａｓ（ＮＳＥ）ｉｎｔｈｅｄｉｆｆｅｒｅｎｔｉａｔｉｏｎｏｆｍａｌｉｇｎａｎｔｆｒｏｍｂｅｎｉｇｎｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｌｅｓｉｏｎｓ［Ｊ］．ＬｕｎｇＣａｎｃｅｒ，１９９９，２６（３）：１４９．１４㊀沈德义，沈敏棋，李㊀炯，等．ＣＹＦＲＡ２１⁃１检测对非小细胞肺癌的临床意义［Ｊ］．肿瘤研究与临床，２００１，２７（１）：４９⁃５０．１５㊀项杨威，孙益峰，高㊀文，等．实性孤立性肺结节良恶性预测模型的建立［Ｊ］．中华医学杂志，２０１６，９６（１７）：１３５４⁃１３５８．１６㊀李笑莹，刘㊀芳，车海杰，等．肿瘤标志物预测孤立性肺结节恶性概率模型的建立与初步评价［Ｊ］．山东大学学报（医学版），２０１７，５５（４）：６０⁃６４．１７㊀王㊀欣，徐跃华，杜紫燕，等．孤立性肺结节的ＣＴ影像学特征及良恶性预测模型的建立［Ｊ］．中华肿瘤杂志，２０１８，４０（２）：１１５⁃１２０．１８㊀喻㊀微，叶㊀波，续力云，等．预测恶性孤立性肺结节ｌｏｇｉｓｔｉｃ回归诊断模型的建立［Ｊ］．温州医科大学学报，２０１７，４７（９）：６６０⁃６６５．１９㊀姚㊀羽，徐㊀婷，林㊀勇，等．不同密度恶性孤立性肺结节临床及病理资料分析［Ｊ］．临床肺科杂志，２０１９，２４（１）：９０⁃９４．２０㊀邱志新，李为民．３２８例ＨＲＣＴ表现为孤立性磨玻璃结节肺癌患者的临床㊁病理及影像学特征分析［Ｊ］．中国呼吸与危重监护杂志，２０１８，１７（５）：４７０⁃４７６．２１㊀陈㊀婧，叶晓㊀丹，叶剑定，等．孤立性肺结节良恶性判断的数学预测模型建立与验证［Ｊ］．中国医学计算机成像杂志，２０１６，２２（６）：５７３⁃５７７．２２㊀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⁃７７１．２３㊀朱㊀颖，许攀峰，姚亚克，等．恶性孤立性肺小结节的独立预测因子及预测模型［Ｊ］．中国肿瘤临床，２０１８，４５（１０）：４９７⁃５０２．２４㊀鲍㊀彤，肖㊀飞，郭永庆，等．对孤立性肺结节恶性概率预测模型的验证㊁比较和改良［Ｊ］．中国胸心血管外科临床杂志，２０１８，２６（６）：４７１⁃４７６．２５㊀ＭｃＷｉｌｌｉａｍｓＡ，ＴａｍｍｅｍａｇｉＭＣ，ＭａｙｏＪＲ，ｅｔａｌ．ＰｒｏｂａｂｉｌｉｔｙｏｆｃａｃｅｒｉｎｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓｄｅｔｅｃｔｅｄｏｎｆｉｒｓｔｓｃｒｅｅｎｉｎｇＣＴ［Ｊ］．ＮＥｎｇｌＪＭｅｄ，２０１３，３６９（１０）：９１０⁃９１９．２６㊀ＺｈａｎｇＭ，ＺｈｏｕＮ，ＧｕｏＺ，ｅｔａｌ．Ｅｓｔａｂｌｉｓｈｍｅｎｔｏｆａｍａｔｈｅｍａｔｉｃｍｏｄｅｌｆｏｒｐｒｅｄｉｃｔｉｎｇｍａｌｉｇｎａｎｃｙｉｎｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ［Ｊ］．ＴｈｏｒａｃＤｉｓ，２０１５，７（１０）：１８３３⁃１８３４．２７㊀ＨｅｒｄｅｒＧＬ，ｖａｎＴｉｎｔｅｒｅｎＨ，ＧｏｌｄｉｎｇＲＰ，ｅｔａｌ．Ｃｌｉｎｉｃａｌｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｔｏｃｈａｒａｃｔｅｒｉｚｅｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ：ｖａｌｉｄａｔｉｏｎａｎｄａｄｄｅｄｖａｌｕｅｏｆ１８Ｆ⁃ｆｌｕｏｒｏｄｅｏｘｙｇｌｕｃｏｓｅｐｏｓｉｔｒｏｎｅｍｉｓｓｉｏｎｔｏｍｏｇｒａｐｈｙ［Ｊ］．Ｃｈｅｓｔ，２００５，１２８（４）：２４９０⁃２４９６．２８㊀ＧｉｂｓｏｎＧ，ＫｕｍａｒＡＲ，ＳｔｅｉｎｋｅＫ，ｅｔａｌ．Ｒｉｓｋｓｔｒａｔｉｆｉｃａｔｉｏｎｉｎｔｈｅｉｎｖｅｓｔｉｇａｔｉｏｎｏｆｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓｉｎａｈｉｇｈ⁃ｒｉｓｋｃｏｈｏｒｔ：ｐｏｓｉｔｒｏｎｅｍｉｓｓｉｏｎｔｏｍｏｇｒａｐｈｙ／ｃｏｍｐｕｔｅｄｏｕｔｐｅｒｆｏｒｍｓｃｌｉｎｉｃａｌｒｉｓｋｐｒｅｄｉｃｔｉｏｎａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＩｎｔｅｒｍＭｅｄＪ，２０１７，４７（１２）：１３８５⁃１３９２．２９㊀ＷａｎｇＬ，ＣｈｅｎＹ，ＴａｎｇＫ，ｅｔａｌ．Ｔｈｅｖａｌｕｅｏｆ１８Ｆ⁃ＦＤＧＰＥＴ／ＣＴｍａｔｈｅｍａｔｉｃａｌｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｎｄｉａｇｎｏｓｉｓｏｆｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓ［Ｊ］．ＢｉｏｍｅｄＲｅｓＩｎｔ，２０１８，２０１８：９４５３９６７．３０㊀ＰｅｒａｎｄｉｎｉＳ，ＳｏａｒｄｉＧＡ，ＭｏｔｔｏｎＭ，ｅｔａｌ．Ｓｏｌｉｄｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｒｉｓｋａｓｓｅｓｓｍｅｎｔａｎｄｄｅｃｉｓｉｏｎａｎａｌｙｓｉｓ：ｃｏｍｐａｒｉｓｉｏｎｏｆｆｏｕｒｐｒｅｄｉｔｉｏｎｍｏｄｅｌｓｉｎ２８５ｃａｓｅｓ［Ｊ］．ＥｕｒＲａｄｉｏ，２０１６，２６（９）：３０７１⁃３０７６．３１㊀ＰｅｒａｎｄｉｎｉＳ，ＳｏａｒｄｉＧＡ，ＭｏｔｔｏｎＭ，ｅｔａｌ．ＥｎｈａｎｃｅｄｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆｓｏｌｉｄｓｏｌｉｔａｒｙｐｕｌｍｏｎａｒｙｎｏｄｕｌｅｓｗｉｔｈＢａｙｅｓｉａｎａｎａｌｙｓｉｓ⁃ｂａｓｅｄｃｏｍｐｕｔｅｒ⁃ａｉｄｅｄｄｉａｇｎｏｓｉｓ［Ｊ］．ＷｏｒｌｄＪＲａｄｉｏ，２０１６，８（８）：７２９⁃７３４．（收稿日期：２０１９⁃０３⁃１９）曹㊀芹，李雪冰，张㊀丽，等．孤立性肺结节危险因素及良恶性预测模型［Ｊ／ＣＤ］．中华肺部疾病杂志（电子版），２０１９，１２（４）：４６３⁃４６８．。
肺部恶性小结节危险因素分析及恶性预测模型建立
肺部恶性小结节危险因素分析及恶性预测模型建立潘宴青;王朝;邹卫;马国栋;杨如松【摘要】目的分析肺部小结节恶性病变的危险因素,并建立恶性病变的数学预测模型,探讨有效检出恶性病变的理论依据.方法回顾性分析2017年1月至2017年6月南京市胸科医院胸外科手术治疗的100例肺部小结节患者的临床资料.收集患者的性别、年龄、肿瘤指标、以及胸部CT影像学特征等资料并进行单因素分析.采用多因素logistic回归分析筛选肺部恶性小结节的危险因素,并建立相应的数学预测模型.结果多因素logistic回归分析提示病灶位置(OR=4.218,P=0.042)、病灶类型为磨玻璃结节(GGN)(OR=24.625,P=0.000)、病灶类型为部分实性结节(PSN)(OR=6.228,P=0.052)、血管穿行征(OR=10.646,P=0.036)、分叶征(OR=18.162,P=0.027)及毛刺征(OR=8.054,P=0.018)为肺部恶性小结节的独立危险因素.恶性预测值(P)=ez/(1+ez),Z=-2.761+(3.204×GGN)+(1.829×PSN)+(1.439×位置)+(2.086×毛刺征)+(2.899×分叶征)+(2.365×血管穿行征).根据ROC曲线,选取预测概率0.64作为良恶性判断的临界值,模型预测的准确率为87.0%,敏感性为97.4%,特异性为54.2%,阳性预测值87.1%,阴性预测值为86.7%.结论肺部病灶位于上叶,CT影像特征表现为GGN、PSN、血管穿行征、毛刺征和分叶征的小结节,恶性概率较高.通过logistic回归建立的数学预测模型预测肺部小结节恶性概率具有较高的准确性.%Objective To analyze the risk factors of malignant small pulmonary nodules and establish the mathematical prediction model of malignant lesions,so as to provide theoretical basis for effective detection of malignantlesions.Methods The clinical data of 100 patients with small pulmonary nodules,underwent thoracic operation in our hospital from Jan 2017 to Jun2017,were retrospectively analyzed. Univariate analysis of such indexes as gender,age,tumor markers,and chest CT image features of all patients were performed.Multivariate logistic regression analysis was used to screen the risk factors of pulmonary malignant nodules, and with it the corresponding mathematical prediction model was established.Results Multivariatelogistic regression analysis showed that lesion location(OR=4.218;P=0.042), ground-glass nodule(GGN)of lesion type(OR=24.625;P=0.000), partial solid nodule(PSN)of lesion type(OR=6.228;P=0. 052),vascular breakthrough sign(OR=10.646;P=0.036), lobulation sign(OR=18.162;P=0.027)and spiculation sign(OR=8. 054;P=0.018)were independent risk factors formalignant pulmonary nodules.And their malignancy predictedvalue(P)was ez/(1+ez), whereas×Z×equaled to-2.761+(3.204×GGN)+(1.829×PSN)+(1.439×position)+(2.086×spiculation sign)+(2.899×lobu-lation sign)+(2.365×vascular breakthrough sign).Base d on the ROC curve,predictive probability of 0.64 was chosen as the critical value of benign neoplasm and malignancy judgment,with accuracy rate of model prediction 87%,sensitivity of 97.4%,specificity of 54.2%,and positive predicted value of 87.1%and negative predicted value of 86.7%.Conclusion If those small pulmonary lesions locate in the upper lobe and the CT images are characterized by GGN,PSN,and nodules with vascular breakthrough sign, spiculation and lobulation signs,the probability of malignancy would be higher.The mathematical prediction model established by logistic regression may have higher accuracy in the prediction of malignant probability of small pulmonary nodules.【期刊名称】《安徽医学》【年(卷),期】2018(039)002【总页数】4页(P189-192)【关键词】肺小结节;恶性肿瘤;危险因素;logistic回归分析【作者】潘宴青;王朝;邹卫;马国栋;杨如松【作者单位】210029 江苏省南京市胸科医院胸外科;210029 江苏省南京市胸科医院胸外科;210029 江苏省南京市胸科医院胸外科;210029 江苏省南京市胸科医院胸外科;210029 江苏省南京市胸科医院胸外科【正文语种】中文近年来，随着人们健康意识的提高以及高分辨率CT体检的普及，肺部小结节的检出率逐年上升。
基于CT表现的孤立性肺结节良恶性预测模型的研究
第28卷第6期CT理论与应用研究Vol.28, No.6 2019年12月（677-683）CT Theory and Applications Dec., 2019易芹芹, 周宙, 黄国鑫. 基于CT表现的孤立性肺结节良恶性预测模型的研究[J]. CT理论与应用研究, 2019, 28(6): 677-683. doi:10.15953/j.1004-4140.2019.28.06.05.YI Q Q, ZHOU Z, HUANG G X. A predicting model to estimate the probability of malignancy in solitary pulmonary nodules basing on CT images[J]. CT Theory and Applications, 2019, 28(6): 677-683. doi:10.15953/j.1004-4140.2019.28.06.05. (in Chinese).基于CT表现的孤立性肺结节良恶性预测模型的研究易芹芹，周宙，黄国鑫（深圳市人民医院放射科，广东深圳518001）摘要：目的：筛选并分析影响肺结节良恶性的因素，建立预测模型、验证该模型并与梅奥模型、Brock模型对比。
方法：回顾性分析2015年1月至2017年12月深圳市人民医院有病理结果的孤立性肺结节病例319例，其中229例作为建模组（A组），90例作为验证组（B组），分析A组病例性别、年龄、直径、吸烟史、毛刺、位于上叶、边界不清楚、分叶征、空泡征、血管集束征、胸膜凹陷征、含磨玻璃密度及钙化，通过单因素分析及Logistic回归分析，筛选出独立影响因子，并建立回归方程。
用B组资料进行验证并将B组资料分别代入本研究模型、梅奥模型及Brock模型进行对比。
结果：单因素分析示年龄、直径、毛刺、上叶、边界不清楚、分叶、空泡、血管集束征、胸膜凹陷征、是否含有磨玻璃密度在良恶性结节中的差异具有统计学意义（P<0.05），Logistic回归分析示有毛刺、有分叶、边界不清楚和含有磨玻璃密度为恶性孤立性肺结节的独立影响因素，并据此建立的回归方程ROC曲线下面积为0.894，其灵敏度为91.3％，特异度为77.3％，阳性似然比为4.02，阴性似然比为0.11，阳性预测值为80.8％，阴性预测值为89.5％；本研究模型与梅奥模型的差异有统计学意义（P=0.0049），与Brock模型差异没有统计学意义（P=0.79）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
肺结节患者恶性肿瘤预测模型的评估
肺结节患者恶性肿瘤预测模型的评估
患有肺结节的患者可能存在潜在的恶性肿瘤风险。
对于这些患者来说，早期恶性肿瘤的缺乏明显症状使得准确的预测成为一项重要任务。
近年来，随着机器学习和人工智能方法的发展，肺结节恶性肿瘤预测模型得到了广泛应用，并取得了一定的成功。
本文将对一种常见的肺结节恶性肿瘤预测模型进行评估，以了解其在实践中的表现和应用前景。
该模型基于基因特征、影像学特征和临床特征，通过训练算法来预测肺结节的恶性程度，并为医生提供决策支持。
评估过程中，我们收集了来自多个医疗机构的实际病例数据，包括患者的基本信息、影像学结果以及最终的诊断结果。
我们将数据分为训练集和测试集，其中训练集用于训练模型，测试集用于评估模型的性能。
首先，我们对数据进行了预处理步骤，包括数据清洗和特征选择。
数据清洗主要是处理缺失值和异常值，并进行数据标准化以消除不同特征之间的量纲差异。
特征选择是为了减少模型复杂度，提高模型的泛化能力。
然后，我们选择了一个合适的机器学习算法来训练模型。
该算法基于监督学习，通过学习训练集中的样本特征与标签之间的关系，构建一个预测函数来预测测试集中的样本标签。
在训练过程中，我们还使用了交叉验证技术来确保模型的稳定性和可靠性。
在模型评估阶段，我们使用了多个指标来评估模型的性能，包括准确率、召回率、精确率和F1分数。
其中准确率衡量的
是模型正确预测的样本数量与总样本数量的比例，召回率衡量的是模型正确预测为恶性的样本数量与实际恶性样本数量的比例，精确率衡量的是模型正确预测为恶性的样本数量与模型预测为恶性样本总数量的比例，F1分数综合考虑了准确率和召
回率，是评估模型综合性能的指标。
通过对评估指标的计算和分析，我们可以得出模型在肺结节恶性肿瘤预测中的性能表现。
然后，我们将模型与其他常用的预测方法进行比较，以了解其相对优势和劣势。
最后，我们讨论了该预测模型的应用前景，并提出了一些改进和优化的建议。
例如，可以进一步优化特征选择的方法，引入更多的影像学特征和基因特征以提高预测性能。
此外，可以尝试对预测模型进行外部验证，以评估其在不同数据集上的泛化能力和推广应用的可行性。
尽管该肺结节恶性肿瘤预测模型已经取得了一定的成功，但仍存在一些挑战和限制。
例如，数据的质量和数量对模型性能的影响不可忽视。
此外，模型的解释性和可解释性也是一个重要的问题，特别是在临床应用中，医生需要能够理解和解释模型的预测结果。
综上所述，肺结节患者恶性肿瘤预测模型的评估是一个复杂而关键的任务。
通过合理的数据处理、适当的模型选择和评估指标的计算，我们可以对预测模型的性能进行客观和准确的评估。
然而，仍需要进一步的研究和实践来优化和改进该模型，以提高其在临床实践中的应用价值和准确性
总体而言，肺结节恶性肿瘤预测模型通过综合考虑准确率和召回率的F1分数，能够对其性能进行评估。
通过与其他常
用的预测方法进行比较，可以了解该模型的优势和劣势。
该预
测模型有着广阔的应用前景，并且可以通过改进特征选择方法、引入更多的影像学特征和基因特征等来进一步提高预测性能。
然而，数据的质量和数量、模型的解释性和可解释性等仍然是挑战和限制。
通过合理的数据处理、模型选择和评估指标的计算，可以实现对预测模型性能的客观和准确评估。
然而，仍需进一步的研究和实践来优化和改进该模型，以提高其在临床实践中的应用价值和准确性。